You are here: Home → Proceedings
Document Actions

Proceedings

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

Auftragsvergabe und Energieverwaltung basierend auf mit genetischen Algorith-men trainierten neuronalen Netzen für Fahrerlose Transportsysteme

  1. M.Sc. Paolo Pagani Institute of Material Handling and Logistics (KIT)
  2. M.Sc. Dominik Colling Institute of Material Handling and Logistics (KIT)
  3. Prof. Dr.-Ing Kai Furmans Institut für Fördertechnik und Logistiksysteme (KIT)

Abstracts

Automated guided vehicles are designed for internal material transport in production and warehouse environments. To do this, transport orders must be assigned to the vehicles. In addition, the vehicles often have an electric drive. The batteries required for this are discharged during operation. Therefore, it must be decided when the vehicles must go to a charging station. This control option is often ignored and the vehicles are only sent for loading when the battery has (almost) completely discharged. In this work, a procedure that simultaneously solves the assignment of jobs and the decision when a vehicle should drive to a charging station is presented and evaluated. It is based on neural networks trained by genetic algorithms. The evaluation shows that the presented method delivers better results than a method that combines the "First-Come-First-Served" and the "Nearest-Vehicle-First" methods and in which the charging processes are controlled by a fixed battery threshold.

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.

Keywords

Fulltext

License

Any party may pass on this Work by electronic means and make it available for download under the terms and conditions of the free Digital Peer Publishing License. The text of the license may be accessed and retrieved at http://www.dipp.nrw.de/lizenzen/dppl/fdppl/f-DPPL_v1_de_11-2004.html.

Number of citations

Visit Google Scholar to find out, how often this paper is cited.