Elektrische Antriebe bilden eine Schlüsselkomponente in nahezu allen industriellen und mobilen Anwendungen. Ihre Leistungsfähigkeit, Energieeffizienz und Präzision sind entscheidende Faktoren für die Wettbewerbsfähigkeit technischer Systeme. Mit dem steigenden Einsatz elektrischer Antriebe wachsen auch die Anforderungen an deren Regelung. Neben einer hohen Energieeffizienz werden insbesondere dynamisches Verhalten, Regelgüte und Stabilität gefordert. Damit Antriebe ihr volles Potenzial entfalten können, müssen die zugrundeliegenden Regelungen optimal auf die jeweiligen Anwendungen abgestimmt sein. Gleichzeitig entstehen dadurch erhebliche Anforderungen an die Rechenleistung der Regelungsplattformen. Besonders bei Mehrachssystemen oder Mehrmotorenanwendungen kann der Ressourcenbedarf stark ansteigen, da jede Achse üblicherweise eine eigene Regelstruktur mitbringt. In vielen industriellen Steuerungen ist die verfügbare Rechenleistung jedoch limitiert, wodurch effiziente Strategien zur Nutzung vorhandener Ressourcen zunehmend an Bedeutung gewinnen.
In dieser Projektarbeit soll ein Sharing-Ansatz untersucht werden, bei dem ein gemeinsamer Regler zwei Antriebe gleichzeitig regelt. Dadurch soll geprüft werden, ob sich der bei der Implementierung von Mehrachsanwendungen entstehende hohe Ressourcenbedarf reduzieren lässt, ohne die Regelgüte wesentlich zu beeinträchtigen. Zur Umsetzung dieser Regelung wird ein Reinforcement-Learning-Ansatz (RL) verwendet. Reinforcement Learning bietet den Vorteil, dass das Systemverhalten automatisch erlernt wird und somit aufwendiges Reglertuning und komplexe Reglerstrukturen entfallen können. Der RL-Agent soll lernen, das gewünschte Drehmoment beider elektrischer Maschinen präzise und energieeffizient zu regeln.
Bearbeiter: Narendran Ramamoorthy
Betreuer: Amler, Adrian; Broghammer, Lara (ELSYS)
Verantwortlicher: Prof. Dr.-Ing. Martin März