Moderne Steueralgorithmen für Forstkräne mittels künstlichen neuronalen Netzen imitieren und optimieren = Imitate and optimize modern control algorithms for forestry cranes by means of artificial neural networks

Moderne hydrostatische Arbeitsantriebe für Land- und Forstmaschinen erfordern komplexe Steueralgorithmen. Im Gegenzug bieten diese gegenüber dem Stand der Technik signifikante energetische und steuerungstechnische Vorteile, wie eine reduzierte Schwingungsneigung oder die Implementierung einer variablen Leistungsbegrenzung. Neue Algorithmen sind daher essenziell zur nachhaltigen Optimierung zukünftiger Maschinen. Am Beispiel der elektrohydraulischen Bedarfsstromsteuerung eines Forstkrans wird dargestellt, wie ein bestehender Steueralgorithmus automatisiert in ein künstliches neuronales Netz (KNN) überführt und anschließend durch den Patternsearch-Algorithmus optimiert werden kann. ... mehrDie KNN-Steuerung weist bereits nach 41 Generationen optimierter Parametersätze ein der Referenzsteuerung vergleichbares Verhalten auf. Mit diesem Ansatz ist es möglich, deterministische Algorithmen in stochastische Algorithmen mit vergleichbaren Übertragungsfunktionen zu überführen, die anschließend mit Methoden des maschinellen Lernens optimiert werden können.

Modern hydrostatic function drives for agricultural and forestry machines require complex control algorithms. Electric controls offer significant energy and control advantages over the state of the art, such as reduced tendency to oscillate or implementation of a variable power limitation. Therefore, new algorithms are essential for sustainable optimization of future machines. The paper investigates a method to automatically transfer an existing control algorithm
to an artificial neural network (ANN), which will be optimized by the Pattern Search algorithm afterwards. The method was applied to a forestry crane with an electro-hydraulic flow-on-demand control. ... mehrAfter 41 generations of optimized parameter sets, the ANN control already shows a behavior comparable to the reference control. With this approach it is possible to transfer deterministic algorithms into stochastic algorithms with comparable transfer functions, which can then be optimized using machine learning methods.