Die Eignung einer modellbasierten Neuro-Regelung zum Nachfahren eines vorgegebenen Geschwindigkeitsprofils wird untersucht. Ein dynamischer Neuro-Regler hatte die Drosselklappenöffnung und die Bremskraft so einzustellen, dass der Regelfehler minimiert wird. Der Regler musste außerdem in der Lage sein, sich an die Änderungen des Übentragungsverhaltens der Regelstrecke anzupassen. Dieses Verhalten wurde im laufenden Betrieb von einem dynamischen Neuro-Modell ermittelt und dem Regler weitergeleitet. Da weder die Kenntnis der Struktur noch die der Parameter eines physikalischen Modells des Prozesses vorausgesetzt wurden, war eine Lösung der Regelaufgabe nur iterativ zu finden. Wichtige Voraussetzung für eine erfolgreiche iterative Suche nach der Lösung war die Stabilität und die Konvergenz des eingesetzten Lernverfahrens. Die in dieser Anwendung durchgeführten Versuche an einem Echtzeitsimulator und auf realen Prüfständen haben gezeigt, dass die vorgeschlagene Regelstruktur mit dem dazugehörigen Lernalgorithmus in der Lage ist, das Übertragungsverhalten der Strecke zu ermitteln und daraus das notwendige Verhalten des Reglers, um das vorgegebene Profil zu fahren, abzuleiten. Die Konvergenzeigenschaften haben sich durch die zu beobachtende stetige Abnahme des maximalen und mittleren absoluten Fehlers während des Lernens bestätigt. Ein Offline-Einsatz des Reglers mit abgeschaltetem Lernen beweist, dass mit fortschreitendem Lernen die ermittelten Parametersätze für das Neuro-Modell und den Neuro-Regler im Sinne einer Minimierung des Gütekriteriums (Summe der Quadrate des Regelfehlers) immer besser wurden.
Neuro-Fahrer: Geregeltes Nachfahren von Fahrgeschwindigkeitsprofilen mit dynamischen neuronalen Netzen
2002
11 Seiten, 10 Bilder, 4 Quellen
Conference paper
German
British Library Conference Proceedings | 2002
|Automatische Schiffsidentifikation mit Neuronalen Netzen
SLUB | 1996
|Modernes Motormanagement mit neuronalen Netzen
TIBKAT | 1998
|