Selbstlernende Spurregelung von Flurförderzeugen unter Verwendung Künstlicher Intelligenz
Seiten
Diese Dissertation beschreibt die Entwicklung von Regelungskonzepten zur Spurführung von Flurförderzeugen, die sich an unterschiedliche Fahrzeugvarianten und wechselnde Betriebsbedingungen anpassen. Innerbetriebliche Logistikflotten bestehen oft aus verschiedenen Fahrzeugtypen, und das dynamische Verhalten von Gegengewichtsstaplern ändert sich stark durch die Aufnahme eines Förderguts. Die vorgeschlagenen Konzepte basieren auf Künstlicher Intelligenz und lassen sich sowohl der direkten als auch der indirekten neuronalen Regelung zuordnen. Beide Konzepte berücksichtigen a priori-Wissen des Regelstreckenverhaltens.
Bei der direkten neuronalen Regelung kommen Methoden des bestärkenden Lernens zum Einsatz. Der Optimierungsprozess wird in zwei Phasen unterteilt: Zunächst erfolgt die Grundparametrierung mit einem linearen Modell, dann wird der Regler in der zweiten Phase an das tatsächliche Verhalten verschiedener Ausführungsvarianten angepasst. Für die indirekte Regelung wird eine Modellbasierte Prädiktive Regelung verwendet, die einen Multi-Modell-Ansatz nutzt. Hierbei werden für jede Fahrzeugvariante und verschiedene Beladungszustände ein lineares Modell und ein Künstliches Neuronales Netz zur Auswahl des besten Modells eingesetzt.
Zur Evaluation werden die neuronalen Ansätze mit klassischen Regelungskonzepten wie einem Zustandsregler und einer Prädiktiven Regelung verglichen. Alle Konzepte werden in Simulationen getestet und zeigen, dass sich die neu entwickelten Verfahren effizient an verschiedene Fahrzeugvarianten und Beladungszustände anpassen können. Zusätzlich erfolgt eine experimentelle Validierung durch reale Fahrversuche, bei denen die Messergebnisse die Simulationsergebnisse bestätigen und die Potenziale der KI-basierten Fahrzeugführung aufzeigen.
Bei der direkten neuronalen Regelung kommen Methoden des bestärkenden Lernens zum Einsatz. Der Optimierungsprozess wird in zwei Phasen unterteilt: Zunächst erfolgt die Grundparametrierung mit einem linearen Modell, dann wird der Regler in der zweiten Phase an das tatsächliche Verhalten verschiedener Ausführungsvarianten angepasst. Für die indirekte Regelung wird eine Modellbasierte Prädiktive Regelung verwendet, die einen Multi-Modell-Ansatz nutzt. Hierbei werden für jede Fahrzeugvariante und verschiedene Beladungszustände ein lineares Modell und ein Künstliches Neuronales Netz zur Auswahl des besten Modells eingesetzt.
Zur Evaluation werden die neuronalen Ansätze mit klassischen Regelungskonzepten wie einem Zustandsregler und einer Prädiktiven Regelung verglichen. Alle Konzepte werden in Simulationen getestet und zeigen, dass sich die neu entwickelten Verfahren effizient an verschiedene Fahrzeugvarianten und Beladungszustände anpassen können. Zusätzlich erfolgt eine experimentelle Validierung durch reale Fahrversuche, bei denen die Messergebnisse die Simulationsergebnisse bestätigen und die Potenziale der KI-basierten Fahrzeugführung aufzeigen.
| Erscheinungsdatum | 28.02.2025 |
|---|---|
| Reihe/Serie | Berichte aus der Steuerungs- und Regelungstechnik |
| Verlagsort | Düren |
| Sprache | deutsch |
| Maße | 140 x 210 mm |
| Gewicht | 433 g |
| Themenwelt | Technik ► Elektrotechnik / Energietechnik |
| Schlagworte | Künstliche Intelligenz • Modellbildung • Regelungstechnik • Spurführung |
| ISBN-10 | 3-8440-9902-6 / 3844099026 |
| ISBN-13 | 978-3-8440-9902-7 / 9783844099027 |
| Zustand | Neuware |
| Informationen gemäß Produktsicherheitsverordnung (GPSR) | |
| Haben Sie eine Frage zum Produkt? |
Mehr entdecken
aus dem Bereich
aus dem Bereich
Grundlagen, Systemtechnik und Analysen ausgeführter Beispiele …
Buch | Softcover (2025)
Springer Vieweg (Verlag)
CHF 55,95
Wegweiser für Elektrofachkräfte
Buch | Hardcover (2024)
VDE VERLAG
CHF 67,20
