TY  - THES
AB  - In dieser Arbeit wird bestärkendes Lernen für die Aufgabe der datenbasierten optimalen Antriebsregelung betrachtet. Der Fokus liegt dabei auf einem Machbarkeitsnachweis bezüglich der Drehmomentregelung eines Permanentmagnet-Synchronmotors. Algorithmen des bestärkenden Lernens ermöglichen die Adaption einer approximativ optimalen Regelung in direkter Interaktion mit der Regelstrecke und ohne die Notwendigkeit von mathematischen Modellen der Antriebsdynamik. Der Trainingsvorgang nach Versuch-und-Irrtum bezieht das gesamte parasitäre Verhalten in die Optimierung ein, riskiert aber die Schädigung der Anlage falls der untrainierte Regler die Einhaltung der Systemgrenzen nicht gewährleisten kann. Im Verlauf der Trainingsphase wird die Regelungsperformanz auf Grundlage einer Belohnungsfunktion optimiert, welche Drehmomenttreue und Wirkungsgrad modellunabhängig bewertet. Um Sicherheitsbedenken zu begegnen wird ein Sicherungsalgorithmus vorgestellt, der Steuerbefehle überschreibt um gefährliche Systemzustände zu vermeiden. Dieser Algorithmus wird auf den Betrieb mit diskretem (Schaltzustände des Umrichters) sowie kontinuierlichem Stellsignal (Spannung an den Motorklemmen) ausgerollt und muss gleichermaßen ohne Kenntnis der Systemparameter lauffähig sein. In der abschließenden experimentellen Umsetzung wird der Sicherungsalgorithmus, die Konvergenz des Trainings und die erreichte Drehmomenttreue betrachtet. Besonderes Augenmerk liegt dabei auf der echtzeitfähigen Implementierung, welche einen vollautomatische Trainingsablauf ohne menschliches Zutun innerhalb von zehn Minuten ermöglicht.
AU  - Schenke, Maximilian
CY  - Paderborn
DO  - 10.17619/UNIPB/1-2584
DP  - Universität Paderborn
LA  - eng
N1  - Tag der Verteidigung: 18.05.2026
N1  - Universität Paderborn, Dissertation, 2026
PB  - Veröffentlichungen der Universität
PY  - 2026
SP  - 1 Online-Ressource (xvii, 102 Seiten) : Diagramme, Illustrationen
T2  - Institut für Elektrotechnik und Informationstechnik
TI  - Direct Torque Control of Permanent Magnet Synchronous Motor Drives via Safe Reinforcement Learning
UR  - https://nbn-resolving.org/urn:nbn:de:hbz:466:2-58211
Y2  - 2026-06-26T15:26:15
ER  -