Entwicklung einer Bahnregelung für Schiffe auf Basis der neuronalen Netze

Die Schiffstonnage und -größe, die mittlere Fahrgeschwindigkeit sowie der benötigte Manövrierraum von Binnenschiffen nehmen stetig zu. Dies erhöht die Anforderungen an die Genauigkeit von zukünftigen Bahnregelungssystemen. Derzeitige Lösungen gewährleisten die erforderliche Genauigkeit bei der Schiffsführung nur im Normalbetrieb mit kleinen Störeinflüssen sowie bei hinreichender Information über externe Störungen. Da im realen Betrieb aber zeitweise stark veränderliche Störeinflüsse auftreten besteht die Notwendigkeit, in diesen Situationen die Regelqualität durch leistungsfähigere Regelungsstrukturen mit einer modellbasierten Störgrößenkompensation zu erhöhen. Es ist aber zu beachten, dass die auftretenden Störeinflüsse mit sehr hohem Aufwand gemessen oder nur mit gewisser Genauigkeit geschätzt werden können. Das bedeutet, dass die erwähnten Regelungsstrukturen noch nicht ideal sind. Das Ziel ist somit unmittelbar die Erhöhung der Sicherheit im Schiffsbetrieb und die Vermeidung von Schiffskollisionen und Havarien mit hohem Schädigungspotential für die Umwelt mit Hilfe innovativer Methoden. Im Rahmen dieser Arbeit soll geprüft werden, inwieweit Regelkreisläufe mit den Backpropagation neuronalen Netzen geeignet sind, die Sicherheit des Schiffsbetriebes zu erhöhen. Da die alleinstehenden neuronalen Netze lange Lernzeiten benötigen und das System potentiell instabil machen können, werden sie mit einem konventionellen Regler verknüpft. Dabei bleibt der gesamte Regler schnell und zusätzlich wird er intelligent. Sowohl simulative als auch experimentelle Ergebnisse stellen die Effizienz des intelligenten Reglers gegenüber dem alleinstehenden herkömmlichen Regler in verschiedenen Situationen dar. Die richtige Wahl der Dynamik des intelligenten Reglers spielt dabei eine sehr wichtige Rolle. Der intelligente Regler kann im Bord-Computer implementiert werden. Zur Erhöhung der Mächtigkeit der neuronalen Netze können sie als Neurocomputer realisiert werden, in dem jedes Neuron durch einen einzelnen Prozessor repräsentiert ist.