Nach ähnlichen Inhalten stöbern

Regelung mit Reinforcement Learning (KI)

Franz Schnyder

Titel

Regelung mit Reinforcement Learning (KI)

Autor/in

Datierung

09.06.2023

Beschreibung

Die vorliegende Arbeit analysiert den Ansatz zur Regelung eines Gleichstrommotors in der Matlab
Umgebung mit Reinforcement Learning (RL), bei dem ein selbstlernendes neuronales Netz zur
Regelung eines Systems trainiert wird. In Simulink wird eine Trainingsumgebung für das Training der
Reinforcement Learning Agenten aufgebaut und eine Regelungsstrategie vorgestellt. Weiterhin wird
gezeigt, wie die trainierten Agenten in TwinCat 3 importiert und auf das reale System angewendet
werden können. Die Ergebnisse zeigen, dass die Regelung des Gleichstrommotors mit RL in
Simulationen gute Ergebnisse erzielt. Die Leistung am realen System erweist sich jedoch als
durchschnittlich und es werden keine signifikanten Verbesserungen gegenüber der Regelung mit
einem klassischen PID-Regler festgestellt. Das eigentliche Ziel der Arbeit, die Regelung des FurutaPendels, konnte nicht untersucht werden. Die entwickelte Strategie liefert Erkenntnisse über die
Anwendung von Reinforcement Learning in der Regelungstechnik und zeigt die Herausforderungen
auf.

This work analyses the approach to control a DC motor in the Matlab environment using
reinforcement learning (RL), in which a self-learning neural network is trained to control a system. A
training environment for training the reinforcement learning agents is built in Simulink and a control
strategy is presented. Furthermore, it is shown how the trained agents can be imported into TwinCat
3 and applied to the real system. The results show that the control of the DC motor with RL achieves
good results in simulations. However, the performance on the real system proves to be average and
no significant improvements are observed compared to the control with a classical PID controller. The
actual objective of the work, the control of the Furuta pendulum, could not be investigated. The
developed strategy provides insights into the application of reinforcement learning in control
engineering and shows the challenges.

Urheberrechtshinweis