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.
Die von der Hochschule Luzern – Technik & Architektur, spezifisch von der Firma Bühler AG ge-stellte Aufgabe, bestand darin, für den bestehenden Prototypen, welcher über einen Luftstrom sowie verschiedenen Klappen das Getreide reinigt, eine Automatisierungslösung auszuarbeiten. Damit diese Automatisierung erfolgen kann, ist es von Nöten, zu erkennen, welche Bestandteile in den verschiedenen Abwurfbehältern vorhanden sind. Um dies über die Bildverarbeitung zu er-reichen, wurden in einem ersten Schritt mögliche Algorithmen recherchiert und dokumentiert. Danach wurde eine erste Applikation, basierend auf klassischen Bildverarbeitungsalgorithmen entwickelt. Diese Applikation wies bestimmte Grenzen in Bezug auf die Erkennung von ähnli-chen Bestandteilen und jenen im Haufwerk auf. Aus diesem Grund wurden weitere Möglichkei-ten in Richtung der Bildverarbeitung mit KI recherchiert und ausgearbeitet. Nach verschiedenen Versuchen konnte mit einer auf einem Mask R-CNN aufbauenden Möglichkeit die Mischungszu-sammensetzung aus einem Haufwerk erkannt werden. In einem nächsten Schritt kann nun der Prototyp so umgebaut werden, dass eine Istwert-Erfassung in den Behältern möglich wird. Da-mit kann ein Algorithmus entwickelt werden, welcher die bestmöglichen Sollwerte der Klappen-positionen sowie der Lüfterdrehzahl berechnet.
The task set by the Lucerne University of Applied Sciences and Arts, specifically by the company Bühler AG, was to develop an automation solution for the existing prototype, which cleans the grain via an air flow and various flaps. To make this automation work, it is necessary to recog-nise which components are present in the various throw-off containers. In order to achieve this via image processing, possible algorithms were researched and documented in a first step. Then a first application was developed based on classical image processing algorithms. This applica-tion had certain limitations with regarding the recognition of similar components and those in the heap. For this reason, further possibilities in the direction of image processing with AI were researched and worked out. After various tests, a possibility based on a Mask R-CNN was able to recognise the defined mixture composition from a heap. In a next step, the prototype can now be modified in such a way that an actual value detection in the containers becomes pos-sible. This will make it possible to develop an algorithm that calculates the best possible target values for the flap positions and the fan speed.
Radarsysteme sollen unbemannte Flugsysteme bei der Erkennung von Hindernisse während dem Flug
unterstützen. Um dies zu erreichen muss unter anderem die Distanz zu diesen gemessen werden können. In
dieser Arbeit wird eine Evaluierung verschiedener Radarmodule durchgeführt, um deren Eignung bei der
Messung von Distanzen auf einem UAV zu prüfen. Dafür werden unterschiedliche Tests definiert welche die
Radarsysteme durchlaufen müssen. Um diese Tests durchführen zu können, werden die Radarsystem mit der
zusätzlicher Hardware und in betrieb genommen. Nach den Tests werden die Systeme aufgrund der erzielten
Resultate bewertet.
Radar systems are intended to support unmanned aerial systems in the detection of obstacles during flight. To
achieve this, it must be possible to measure the distance to these obstacles. In this thesis, the evaluation of
different radar modules is carried out to test their suitability for measuring distances on a UAV. For this
purpose, different tests are defined which the radar systems have to pass. In order to be able to carry out these
tests, the radar systems are put into operation with additional hardware. After the tests, the systems are
evaluated on the basis of the results obtained.