Methoden des maschinellen Lernens als Notfallstrategie nach Seilrissen bei parallelen Seilrobotern
In einem aktuellen Projekt der Universität Duisburg-Essen, gefördert durch die Deutsche Forschungsgemeinschaft (DFG), werden Strategien zur Schadensvermeidung nach Seilrissen in parallelen Seilrobotern entwickelt. Die zunehmend anwendungsorientierten Forschungsarbeiten auf dem Gebiet der Seilrobotik, beispielsweise der automatische Mauerroboter CARLO oder die weltweit in Stadien eingesetzte SkyCam, werfen die Frage nach der Sicherheit von Seilrobotern auf. Die sehr kritische Fehlerquelle eines Seilrisses ist bereits mehrmals bei bekannten Seilrobotern aufgetreten. Um das Risiko für Mensch und Maschine zu reduzieren, sind aus der Literatur einige Notfallstrategien nach Seilrissen bekannt. Diese Ansätze sind in der Simulation analysiert und experimentell validiert worden, müssen aber Einschränkungen in Kauf nehmen, um die Echtzeitfähigkeit zu erreichen. In diesem Beitrag wird einen Ansatz aus dem Bereich des maschinellen Lernens vorgestellt.
In a current project at the University of Duisburg-Essen, funded by the German Research Foundation (DFG), Strategies for Damage Prevention after Cable Breaks in Parallel Cable Robots are being developed. The increasingly application-oriented research work in the field of cable robots, for example the automatic wall building robot CARLO or the SkyCam used in stadiums worldwide, raises the question of safety for cable robots. The very critical source of error caused by a cable break has already occurred several times with well-known cable robots. In order to reduce the risk for man and machine, several emergency strategies after cable breaks are known from the literature. These approaches have been analysed in simulation and experimentally validated, but must accept limitations in order to achieve real-time capability. This article presents an approach from the field of machine learning.
Preview
IFToMM D-A-CH Conference
Cite
Rights
License Holder:
© 2024 die Autorinnen und Autoren.
Use and reproduction:
This work may be used under a
Creative Commons Attribution - NonCommercial - NoDerivatives 4.0 License (CC BY-NC-ND 4.0)
.