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 fur Land- und Forstmaschinen erfordern komplexe Steueralgorithmen. Im Gegenzug bieten diese gegenuber 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 zukunftiger Maschinen. Am Beispiel der elektrohydraulischen Bedarfsstromsteuerung eines Forstkrans wird dargestellt, wie ein bestehender Steueralgorithmus automatisiert in ein kunstliches neuronales Netz (KNN) uberfuhrt und anschliesend durch den Patternsearch-Algorithmus optimiert werden kann. Die KNN-Steuerung weist bereits nach 41 Generationen optimierter Parametersatze ein der Referenzsteuerung vergleichbares Verhalten auf. Mit diesem Ansatz ist es moglich, deterministische Algorithmen in stochastische Algorithmen mit vergleichbaren Ubertragungsfunktionen zu uberfuhren, die anschliesend mit Methoden des maschinellen Lernens optimiert werden konnen.