- Titel
- Vergleich unterschiedlicher Methoden der künstlichen Intelligenz zur Regelung von Gleichstrommaschinen
- Zitierfähige Url:
- https://nbn-resolving.org/urn:nbn:de:bsz:105-qucosa2-1001745
- Konferenz
- 4. Freiberger Kolloquium Elektrische Antriebstechnik. Freiberg, 04.-05. Juni 2025
- Quellenangabe
- 4. Freiberger Kolloquium Elektrische Antriebstechnik - A 951
; Kolloquium im Rahmen des 76. BHT - Freiberger Universitätsforum 2025
Herausgeber: Jana Kertzscher
Erscheinungsort: Freiberg
Verlag: Technische Universität Bergakademie Freiberg
Erscheinungsjahr: 2025
Titel Schriftenreihe: Freiberger Forschungshefte
Bandnummer Schriftenreihe: A 951
Seiten: 25-50
ISBN: 978-3-86012-729-2 - Erstveröffentlichung
- 2025
- Abstract (DE)
- Elektrische Antriebe werden in ganz unterschiedlichen Applikationen eingesetzt, und ihre Effizienz wird maßgeblich von deren Regelung beeinflusst. In der Industrie kommen diesbezüglich klassische Regelkonzepte und gelegentlich auch modellbasierte Regler zum Einsatz. Diese Lösungen sind gut erforscht und bieten äußerst gute Ergebnisse. Allerdings können klassische Regler nur für ganz bestimmte Arbeitspunkte sehr genau und den Wünschen entsprechend eingestellt werden. Sobald dieser Arbeitspunkt aufgrund äußerer Einflüsse nicht mehr gegeben ist, leidet die Regelgüte. Die Reglereinstellung ist somit immer ein Kompromiss aus Regelgüte und Stabilität, um einen breiten Einsatzbereich abdecken zu können. Bei modellbasierten Ansätzen hingegen, ist ein sehr exaktes Modell der zu Regelstrecke nötig. In vielen Fällen ist eine exakte Modellierung jedoch nicht, oder nur mit extremen Aufwand, möglich. Ein neuer Ansatz verwendet bestärkendes Lernen (reinforcement learning (RL)), um das Regeln eines elektrischen Antriebes zu erlernen, indem mit dem Antrieb interagiert wird. Mit Hilfe dieses Ansatzes ist es möglich auch hochkomplexe Regelstrecken zu regeln und auf eventuelle Parameteränderungen reagieren zu können. In diesem Beitrag soll die Drehzahlregelung einer permanentmagneterregten Gleichstrommaschine mit Hilfe zweier unterschiedlicher RL-Algorithmen, im Vergleich zu einem klassischen Ansatz, demonstriert werden und insbesondere auf die Herausforderungen beim Trainieren eines solchen RL-Algorithmus eingegangen werden.
- Freie Schlagwörter (DE)
- Gleichstrommaschine, Maschinelles Lernen, Regelungstechnik, Bestärkendes Lernen
- Freie Schlagwörter (EN)
- DC machine
- Klassifikation (DDC)
- 620
- Klassifikation (RVK)
- ZN 8200
- Normschlagwörter (GND)
- Antrieb <Technik>
- Elektroantrieb
- Herausgeber (Institution)
- Technische Universität Bergakademie Freiberg, Freiberg
- Verlag
- Technische Universität Bergakademie Freiberg, Freiberg
- Version / Begutachtungsstatus
- publizierte Version / Verlagsversion
- URN Qucosa
- urn:nbn:de:bsz:105-qucosa2-1001745
- Veröffentlichungsdatum Qucosa
- 12.11.2025
- Dokumenttyp
- Konferenzbeitrag
- Sprache des Dokumentes
- Deutsch
- Lizenz / Rechtehinweis
CC BY 4.0