liu.seSök publikationer i DiVA
Ändra sökning
RefereraExporteraLänk till posten
Permanent länk

Direktlänk
Referera
Referensformat
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • oxford
  • Annat format
Fler format
Språk
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Annat språk
Fler språk
Utmatningsformat
  • html
  • text
  • asciidoc
  • rtf
Controlling a Hydraulic System using Reinforcement Learning: Implementation and validation of a DQN-agent on a hydraulic Multi-Chamber cylinder system
Linköpings universitet, Institutionen för ekonomisk och industriell utveckling, Fluida och mekatroniska system.
Linköpings universitet, Institutionen för ekonomisk och industriell utveckling, Fluida och mekatroniska system.
2021 (Engelska)Självständigt arbete på avancerad nivå (masterexamen), 20 poäng / 30 hpStudentuppsats (Examensarbete)
Abstract [en]

One of the largest energy losses in an excavator is the compensation loss. In a hydraulic load sensing system where one pump supplies multiple actuators, these compensation losses are inevitable. To minimize the compensation losses the use of a multi chamber cylinder can be used, which can control the load pressure by activate its chambers in different combinations and in turn minimize the compensation losses. 

For this proposed architecture, the control of the multi chamber cylinder systems is not trivial. The possible states of the system, due to the number of combinations, makes conventional control, like a rule based strategy, unfeasible. Therefore, is the reinforcement learning a promising approach to find an optimal control. 

A hydraulic system was modeled and validated against a physical one, as a base for the reinforcement learning to learn in simulation environment. A satisfactory model was achieved, accurately modeled the static behavior of the system but lacks some dynamics. 

A Deep Q-Network agent was used which successfully managed to select optimal combinations for given loads when implemented in the physical test rig, even though the simulation model was not perfect.

Ort, förlag, år, upplaga, sidor
2021. , s. 67
Nyckelord [en]
Gear selection, reinforcement learning, machine learning, DQN, neural network, multi chamber cylinder, Digital hydraulics, hydraulics, Matlab, Simulink, Hopsan, hydraulic system validation
Nationell ämneskategori
Annan maskinteknik
Identifikatorer
URN: urn:nbn:se:liu:diva-177216ISRN: LIU-IEI-TEK-A--21/04015–SEOAI: oai:DiVA.org:liu-177216DiVA, id: diva2:1571659
Externt samarbete
Volvo CE
Ämne / kurs
Fluidmekanisk systemteknik
Presentation
2021-06-09, Online, Linköping, 22:47 (Engelska)
Handledare
Examinatorer
Tillgänglig från: 2021-06-23 Skapad: 2021-06-22 Senast uppdaterad: 2021-06-23Bibliografiskt granskad

Open Access i DiVA

fulltext(8923 kB)888 nedladdningar
Filinformation
Filnamn FULLTEXT01.pdfFilstorlek 8923 kBChecksumma SHA-512
450c7081b5ef1b9ba1a7c9c51e290a6170cee2ff1fbc2122fbd34c3f450db11ec48777203b677ab4999cf8498e360a6fbe27594c6aa4c1ef5ae460348595c042
Typ fulltextMimetyp application/pdf

Av organisationen
Fluida och mekatroniska system
Annan maskinteknik

Sök vidare utanför DiVA

GoogleGoogle Scholar
Totalt: 895 nedladdningar
Antalet nedladdningar är summan av nedladdningar för alla fulltexter. Det kan inkludera t.ex tidigare versioner som nu inte längre är tillgängliga.

urn-nbn

Altmetricpoäng

urn-nbn
Totalt: 1370 träffar
RefereraExporteraLänk till posten
Permanent länk

Direktlänk
Referera
Referensformat
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • oxford
  • Annat format
Fler format
Språk
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Annat språk
Fler språk
Utmatningsformat
  • html
  • text
  • asciidoc
  • rtf