Slimme technologie voorspelt gedrag van heftruckchauffeurs

In het Strategisch Basisonderzoeksproject Perpetual onderzochten researchers hoe machines gebruikspatronen kunnen herkennen om daarop te anticiperen en energie te besparen.

Trefwoorden: #Flanders Make, #heftruck, #heftruckchauffeur, #KU Leuven, #onderzoeksproject, #perpetual, #slimme sturingen, #VUB

Lees verder

Magazine

Download het artikel in

ENGINEERINGNET.BE - Uit dergelijke grensverleggende ideeën groeien slimme sturingen voor verlichting, verwarming, motoren, voertuigen… «Kan een bepaald gebruik voorspeld worden, dan kan het nuttig zijn om dat ook te doen», poneert prof. dr. ir. Joost Duflou aan het Departement Werktuigkunde van de KU Leuven. Enkele voorbeelden. Het aan- en uitschakelen van lampen.

«Als je meeneemt dat lampen vaker aan- en weer uitgeschakeld worden -en daardoor sneller slijten- kan het best wel dat het economischer is ze even aan te laten om ze pas later automatisch uit te schakelen». Toepassingen zijn er ook voor zaken die enige 'inertie' hebben: zoneverwarming, bijvoorbeeld.

«Je kan ervoor zorgen dat mensen de verwarming niet actief moeten schakelen terwijl kantoren en lokalen toch tijdig en comfortabel opwarmen en dat de verwarming ook automatisch afschakelt». Het 'booten' van een tv kan 20 tot 30 seconden duren. De consument vindt dat niet leuk.

Maar als het toestel steevast rond dezelfde tijd wordt opgestart, kan het met wat extra hardware en software binnen een bepaalde tijdsvork automatisch in een waakstand gezet worden zodat het onmiddellijk start zodra de gebruiker op de knop drukt. De Perpetual-onderzoekers gingen ook de mogelijkheden na voor voertuigsystemen waar het anticiperen beperkt is tot slechts enkele seconden. «We bekeken concreet de mogelijkheden van deze technologie voor een hybride heftruck».

Hybride heftruck
De onderzoeksgroep van Duflou focuste eerst op het profileren van de gebruikspatronen van de chauffeurs. Met name Yannick De Bock, doctoraatsstudent aan het Centrum Industrieel Beleid, boog zich over het herkennen, clusteren en voorspellen van taken en maneuvers. COMO (VUB) boog zich over machine learning en Flanders Make -met researcher Bruno Depraetere- bracht zijn ervaring met controlesystemen en aansturingen in om het voorspellend model zo efficiënt mogelijk uit te voeren.

Industriële case partner Dana uit Brugge leverde een 5 tot 8 ton vorklift met eigen transmissie voor de praktische testen. De resultaten daarvan werden doorgerekend op het model van een hybride heftruck. Die heeft een verbrandingsmotor en supercaps die gekoppeld zijn aan een elektromotor die eveneens verbonden is aan dezelfde schakelkast. De supercaps recupereren energie bij het afremmen van het voertuig en worden aangesproken bij piekvragen.

«De vraag naar een bepaald koppel kan gericht worden naar de verbrandingsmotor, de supercaps of beide. Als je bijvoorbeeld weet dat de supercaps geladen zijn en je binnenkort het voertuig moet afremmen, hoef je er straks misschien niet zo energiezuinig mee om te gaan wat de verbrandingsmotor kan ontlasten waardoor je brandstof bespaart». De onderzoekers focusten enkel op de horizontale beweging, niet het heffen of dalen van de vorken.

Drie taken voor de heftruck
Terwijl de vorklift rondrijdt wordt de lopende taak 'herkend'. Zodra de taak gekend is, wordt de aandrijftrein optimaal voor die taak aangestuurd. Uiteindelijk definieerden de onderzoekers drie taken voor de heftruck: een korte pick & place (last oppikken achteruitrijden en weer neerzetten, een kleine Y-beweging dus), een lange pick & place (het verzetten van paletten over een langere afstand in een grote Y-beweging), en het langer rondrijden zonder stoppen.

«Hoe sneller en hoe juister de taak herkend wordt, des te correcter de regelaar ingesteld kan worden, en des te meer besparing mogelijk is. Na een paar seconden al kan de drive train controller geswitched worden om motor en supercap te optimaliseren», aldus Depraetere. De nodige informatie werd via de CANBUS en de uitgaande as van de gearbox van Dana binnengehaald.

De vermogensvraag - m.a.w. de gaspedaal van de chauffeur - stuurt alles aan. Een digitale controller beslist wanneer de supercap vermogen moet leveren of niet. «Wij maten dat we hiermee tot 10% brandstof konden besparen».

Trade-offs
«Onze uitgangsidee was breder dan het zuiver energetische», zegt Duflou die ook op zoek ging naar meerwaarde in het rijgedrag van chauffeurs. Wat is chauffeurspecifiek en wat niet? Metingen bij een tweetal ervaren chauffeurs bleken uiteindelijk representatief voor alle anderen.

Ervaren chauffeurs rijden vrij agressief, maar zijn bij de uitvoering van de taak voorzichtiger. Korte pick & place-taken worden vrij gelijk uitgevoerd. Grotere pick & place-opdrachten dito. «Voor de efficiëntie bleek het herkennen van de taak een grotere impact te hebben dan het gedrag van een specifieke chauffeur». Men startte dus met 'driver herkenning' maar uiteindelijk schoof het project naar 'taakherkenning'.

«We zouden aanvankelijk een grote takenlijst opstellen. Maar wat is relevant? We vertrokken van acht verschillende maneuvers. Toen bleek dat sommige mechanisch vrijwel identiek waren en dezelfde signalen creëerden. We beperkten ons uiteindelijk tot een set van drie te herkennen taken», stelt Depraetere die wijst op een trade-off.

Meer taken zijn goed 'in theorie', maar als je onderweg al te vaak van taak moet veranderen, dan ben je uiteindelijk beter af -zelfs efficiënter- met een beknopte, eindige lijst universelere taken. En wat te doen wanneer de taak niet herkend wordt? «Als we het maneuver herkennen en de regelaar instellen maar naderhand gaat de chauffeur buiten de lijntjes kleuren, dan vallen we terug op de oorspronkelijke regelaar die in het voertuig is ingebouwd». Er is dan geen verschil met een conventioneel systeem, dus.

«Aanvankelijk hielden we ook rekening met 20 à 30 signalen om er uiteindelijk slechts twee te gebruiken: de snelheid en de zin van de richting: voor- of achteruit», aldus Depraetere. Ook hier is er een trade-off. Hoe meer sensoren, des te scherper de data maar des te meer kans een sensor in de fout gaat. «Geef je het model meer informatie dan moet je zien dat het model ook robuust blijft onder die datastroom».

Een klein aantal sensoren is robuuster voor storingen. Twee sensoren, dus. Voor stilstand - 'snelheid nul' - is een aparte regelaar ontwikkeld. Fijn maneuvreren werd een pick & place-operatie. Men wou liefst enkel de bestaande sensoren op een standaard truck gebruiken.

Het gaat er ook om zo snel mogelijk een maneuver te herkennen -online- om het juiste profiel in te stellen. Ook hier weer trade-offs. Kijk je verder terug in de tijd naar de meetsignalen dan groeit de zekerheid over taak x of y, maar tegelijk verhoogt de tijd die nodig is om te herkennen wanneer de taak verandert, en bijgevolg verkleint de winst die je kan maken met de juiste instelling.

«Hier duurde de langste meting 15 seconden. Zo werd onder meer gekeken naar de gemiddelde snelheid van de voorbije 10 seconden. En korter voor de maximale instantane waarde». De verwerking van de data en het schakelen zelf is quasi onmiddellijk. De regelaar werkt immers in milliseconden. Als gevolg daarvan kan een taakwissel gedetecteerd worden na slechts een paar seconden.

Opvolging
De meeste tijd ging naar het voorbereidende werk, het testrijden met verschillende chauffeurs, het trainen van de taken, het afstellen van de controllers en het linken van alles. De projectgroep organiseerde in oktober 2015 een opendeur en workshop met live demo. De implementatie op het voertuig gebeurde de week daarvoor. «Onze grootste kopzorgen waren pragmatische trivialiteiten zoals de communicatie tussen de schermen in en buiten het voertuig».

«De aanpak leent zich tot herbruikbaarheid. We proberen taken, contexten en chauffeurs te herkennen en daarop te anticiperen», zegt Duflou. Dit soort onderzoeken vindt hij overigens helemaal niet zo exotisch of wereldvreemd. Hij wijst naar Dieselgate waar wagens op testrollen die bijzondere situatie herkennen en hun rijstijl aanpassen. «In Perpetual kijken we nu naar andere toepassingen van taakherkenning en hoe we er in een volgend project mee verder kunnen».

Hij ziet mogelijkheden voor landbouwvoertuigen die hun rijmodus bij de overgang van veld en openbare weg automatisch kunnen aanpassen, bijvoorbeeld. Ook terreinwagens zouden naadloos van 4x4 naar een gewone rijstijl kunnen omschakelen. Een trein die zich schuin legt in de bocht. Adaptieve ophanging van vrachtwagens of bussen op een gladde weg. Een aantal projectideeën doet de ronde.


(foto's: LDS)
door Luc De Smet, Engineeringnet

Proof-of-concept project
‘Perpetual’ is een acroniem voor ‘Personalized Products Emerging from Tailored User Adapting Logic’. Dit soort SBO-projecten leidt niet tot een marktklare oplossing, maar veeleer tot een ’proof of concept’.

De onderzoekers vragen bedrijven naar elementen en aspecten die ze belangrijk achten voor hun ontwikkeling in de toekomst. Bedrijven stappen echter niet als partner in het project. De intellectuele eigendom ligt bij de onderzoeksinstellingen.

«Maar wil je realistische cases, dan moet je een beroep doen op de industrie. Die kan logistieke hulp bieden, kan het onderzoek sturen en krijgt daarmee ook een beter inzicht», geeft prof. Joost Duflou mee.