KI-basierte Regelungskonzepte zur automatischen Spurregelung von Flurförderzeugen-Reference-Cited by-同舟云学术

KI-basierte Regelungskonzepte zur automatischen Spurregelung von Flurförderzeugen

Published:2024-04-01 Issue:4 Volume:72 Page:336-353
ISSN:0178-2312
Container-title:at - Automatisierungstechnik
language:en
Short-container-title:

Author:

Sauer Timm¹,Zindler Klaus¹,Jumar Ulrich²

Affiliation:

1. TH Aschaffenburg , Aschaffenburg , Germany

2. Institut für Automation und Kommunikation , Magdeburg , Germany

Abstract

Zusammenfassung In diesem Beitrag werden zwei KI-basierte Regelungskonzepte zur automatischen Spurführung von Flurförderzeugen (FFZ) einer heterogenen Logistikflotte vorgestellt. Während die modellfreien Verfahren des bestärkenden Lernens für diese Anwendung als Vertreter der direkten neuronalen Regelung vorgestellt werden, lässt sich das zweite Regelungskonzept in die Klasse der indirekten neuronalen Regelungen einordnen. Beide Konzepte zeichnen sich dadurch aus, dass sie dazu in der Lage sind, die Reglerparameter an verschiedene Varianten von FFZ anzupassen sowie vorab bekanntes Wissen bezüglich des Regelstreckenverhaltens beim Entwurf der Regler gezielt zu berücksichtigen.

Publisher

Walter de Gruyter GmbH

Link

https://www.degruyter.com/document/doi/10.1515/auto-2023-0155/pdf

Reference40 articles.

1. T. Bauernhansl, M. Ten Hompel, and B. Vogel-Heuser, Industrie 4.0 in Produktion, Automatisierung und Logistik: Anwendung Technologien Migration, Wiesbaden, Springer Vieweg, 2014.

2. J. Pistorius, Industrie 4.0–Schlüsseltechnologien für die Produktion: Grundlagen, Potenziale, Anwendungen, Berlin, Springer-Verlag, 2020.

3. K. Zindler, S. Hahn, S. Zecha, and G. Jürgens, “Querdynamische Fahrzeugführung zur reproduzierbaren Erprobung von Sicherheitssystemen,” at-Automatisierungstechnik, vol. 60, no. 2, pp. 61–73, 2012. https://doi.org/10.1524/auto.2012.0973.

4. S. Heinlein, S. Hahn, and K. Zindler, “Control methods for automated testing of preventive pedestrian protection systems,” Int. J. Veh. Syst. Model. Test., vol. 10, no. 2, pp. 127–147, 2015. https://doi.org/10.1504/ijvsmt.2015.068974.

5. H. Xie, L. Li, X. Song, W. Xue, and K. Song, “Parameter self-learning feedforward compensation-based active disturbance rejection for path-following control of self-driving forklift trucks,” Asian J. Control, vol. 25, no. 25, pp. 4435–4451, 2023. https://doi.org/10.1002/asjc.3110.