A Neural Network-Based Algorithm with Genetic Training for a Combined Job and Energy Management for AGVs

Abstract

Fahrerlose Transportsysteme dienen dem innerbetrieblichen Materialtransport im Produktion- und Lagerumfeld. Dafür müssen den Fahrzeugen Trans-portaufträge zugeordnet werden. Außerdem haben die Fahrzeuge oft einen elektrischen Antrieb. Die dafür nötigen Akkubatterien werden im Betrieb entladen, sodass zusätzlich entschieden werden muss, wann die Fahrzeuge zu einer Ladestation fahren sollen. Diese Steuerungsmöglichkeit wird oft ignoriert, sodass die Fahrzeuge nur zum Laden geschickt werden, wenn sich die Batterie (fast) vollständig entladen hat. In dieser Veröffentlichung wird ein Verfahren vorgestellt und evaluiert, das die Auftragszuordnung sowie die Entscheidung, wann ein Fahrzeug zu einer Ladestation fahren soll, gleichzeitig löst und auf von genetischen Algorithmen trainierten neuronalen Netzen basiert. Die Versuche zeigen, dass das vorgestellte Verfahren bessere Ergebnisse liefert als ein Verfahren, das eine Kombination aus „First Come First Served“- und dem „Nearest Vehicle First“-Verfahren darstellt und bei dem Aufladevorgänge nur eingeleitet werden, wenn die Fahrzeugbatterie einen Grenzwert unterschreitet.