Für das Jahr 2020 konnte David Bernzen (Bild links) mit seiner Bachelorarbeit „Auslegung eines bedarfsgeregelten Speisesystems auf der Basis einer Drehzahlüberlagerung mittels Elektromotor“ überzeugen. In der Arbeit wurden zunächst Beispielzyklen eines Radladers analysiert, um Anforderungen für das bedarfsgeregelte Speisesystem zu definieren. Die Methodik für die Auslegung wurde in einem Simulationsmodell umgesetzt, in welchem die Komponenten und Systeme mit ihren Eigenschaften implementiert wurden. Mithilfe dessen konnte die effizienteste Lösung ermittelt werden, welche einem Referenzsystem gegenübergestellt und mit diesem verglichen wurde.
Die Auszeichnung für die beste Masterarbeit ging an Thomas Killus (Bild rechts), der sich in seiner Arbeit mit „Deep-Q-Learning zur Bahnregelung eines Ackermann-gelenkten Roboters“ beschäftigte. Die Idee ist es einen Bahnregler das optimale Reglerverhalten selbstständig erlernen zu lassen, ohne dass Expertenwissen vonnöten ist. Zu diesem Zweck wurde eine Simulation eines Einspurmodells implementiert, welches als Trainingsumgebung dient. Der Regler selbst wird durch ein Neuronales Netz umgesetzt, dass sich während des Trainings stetig selbst anpasst. Nach wenigen Stunden des Trainings hat das Netz gelernt das Einspurmodell erfolgreich einer vorgegebenen Bahn folgen zu lassen. Des Weiteren hat sich diese Methode der Regelung als sehr leicht erweiterbar herausgestellt. Das Deep-Q-Learning als Reglerkonzept konnte somit als erfolgreiche Strategie und zukunftsträchtiges Forschungsfeld bestätigt werden. Wir beglückwünschen beide zu Ihren überaus erfolgreichen Arbeiten.
