Construction machinery is a determinant factor in special civil engineering. Efficient use of the available machines is important both in terms of efficiency and costs, as well as from an environmental perspective. The foundation for any improvement is the correct detection of the actual state and the currently performed activities and their duration. Existing approaches to automatic activity recognition most often require additional attached sensors, which is not always feasible in special civil engineering. On the other hand, certain machines employed in special civil engineering already possess their own machine data, which are collected and transmitted. This thesis addresses the automatic activity recognition of a Kelly drilling rig based on available machine data using Deep Learning methods. The proposed approach is based on a hybrid model, which consists of a combination of convolutional and uni- or bidirectional recurrent layers. The hybrid model is compared with a feedforward neural network and a LSTM network as baseline models. Furthermore, the influence of sample width, sample overlap and the possibility of performing a hierarchical classification are investigated. The use of the hybrid model fundamentally demonstrates good results compared to the two baseline models. Furthermore, the implementation of a hierarchical classification showed to be in part advantageous. In this case, the selection of the labels used could also be identified as a problem.     «

Construction machinery is a determinant factor in special civil engineering. Efficient use of the available machines is important both in terms of efficiency and costs, as well as from an environmental perspective. The foundation for any improvement is the correct detection of the actual state and the currently performed activities and their duration. Existing approaches to automatic activity recognition most often require additional attached sensors, which is not always feasible in special civi...     »

Baumaschinen sind ein bestimmender Faktor im Spezialtiefbau. Der effiziente Einsatz der vorhandenen Maschinen ist sowohl unter Effizienz- und Kostenaspekten als auch unter Umweltgesichtspunkten wichtig. Grundlage für jede Verbesserung ist die korrekte Erkennung des Ist-Zustandes und der aktuell ausgeführten Tätigkeiten und deren Dauer. Bestehende Ansätze zur automatischen Aktivitätserkennung erfordern meist zusätzlich angebrachte Sensoren, was im Spezialtiefbau nicht immer realisierbar ist. Andererseits verfügen bestimmte Maschinen, die im Spezialtiefbau eingesetzt werden, bereits über eigene Maschinendaten, die gesammelt und übertragen werden. Diese Arbeit befasst sich mit der automatischen Aktivitätserkennung eines Kelly-Bohrgerätes auf Basis vorhandener Maschinendaten unter Verwendung von Deep Learning Methoden. Der vorgeschlagene Ansatz basiert auf einem hybriden Modell, das aus einer Kombination von Faltungsschichten und uni- oder bidirektionalen rekurrenten Schichten besteht. Das Hybridmodell wird mit einem neuronalen Feedforward-Netzwerk und einem LSTM-Netzwerk als Basismodelle verglichen. Des Weiteren wird der Einfluss von Samplebreite, Sampleüberlappung und die Möglichkeit, eine hierarchische Klassifikation durchzuführen, untersucht. Die Verwendung des Hybridmodells zeigt grundsätzlich gute Ergebnisse im Vergleich zu den beiden Baseline-Modellen. Darüber hinaus hat sich die Implementierung einer hierarchischen Klassifikation teilweise als vorteilhaft erwiesen. Als Problem konnte in diesem Fall auch die Auswahl der verwendeten Labels identifiziert werden.     «

Baumaschinen sind ein bestimmender Faktor im Spezialtiefbau. Der effiziente Einsatz der vorhandenen Maschinen ist sowohl unter Effizienz- und Kostenaspekten als auch unter Umweltgesichtspunkten wichtig. Grundlage für jede Verbesserung ist die korrekte Erkennung des Ist-Zustandes und der aktuell ausgeführten Tätigkeiten und deren Dauer. Bestehende Ansätze zur automatischen Aktivitätserkennung erfordern meist zusätzlich angebrachte Sensoren, was im Spezialtiefbau nicht immer realisierbar ist. Ande...     »