Domänenwissen-integrierte Reinforcement-Learning-Regelung eines nichtlinearen einstellbaren Schwingungsabsorbers unter nichtstationärer Anregung

Leisere Maschinen für eine laute Welt

Von Hochgeschwindigkeitszügen bis zu Fabrikkompressoren leben viele Maschinen in einer Welt ständigen Rüttelns. Diese Vibrationen verschwenden Energie, verschleißen Bauteile und machen unsere Umgebung laut und unangenehm. Dieser Artikel untersucht eine neue Methode, um diese Schwingungen zu dämpfen, indem intelligenter Gummi mit einem lernenden Computerprogramm kombiniert wird, mit dem Ziel, Schwingungsabsorber zu entwickeln, die sich bei wechselnden Bedingungen selbsttätig anpassen.

Warum herkömmliche Dämpfer versagen

Traditionelle Schwingungsabsorber sind oft auf einen engen Arbeitsbereich abgestimmt. Sie funktionieren gut, wenn die Maschine bei einem einzigen, konstanten Ton vibriert, aber reale industrielle Umgebungen sind alles andere als konstant. Temperaturen steigen und fallen, Bauteile altern, die Luftfeuchtigkeit ändert sich, und das Schwingungsmuster selbst kann über viele Frequenzen gleichzeitig wandern. Moderne semi-aktive Absorber aus intelligenten Materialien, wie magnetisch steuerbarem Gummi, können ihre Steifigkeit und Dämpfung dynamisch verändern. Da sich diese Materialien jedoch komplex und driftend verhalten, ist es extrem schwierig, ein festes mathematisches Modell zu erstellen, das über die Zeit hinweg genau bleibt, und die meisten regelbasierten Regler kommen nicht nach.

Dem Dämpfer das Lernen beibringen

Die Autoren schlagen eine andere Strategie vor: Anstatt jedes Detail des Absorbers und seiner Umgebung mühselig zu modellieren, lassen sie das System direkt aus Schwingungsdaten lernen. Sie nutzen einen Bereich der künstlichen Intelligenz namens Reinforcement Learning, bei dem ein Regler verschiedene Aktionen ausprobiert und eine „Belohnung“ erhält, wenn die Vibrationen abnehmen. Hier besteht die Aktion darin, wie stark ein Magnetfeld auf den intelligenten Gummi angewendet wird, wodurch sich seine Steifigkeit und Dämpfung ändern. Anstatt mit rohen Zeitverläufen zu arbeiten, wandelt der Regler Messdaten in Frequenzinhalt um — also wie viel Schwingungsenergie bei jedem Ton steckt — damit er in derselben Sprache denken kann, die Ingenieure zur Beschreibung von Schwingungsverhalten verwenden.

Physik nutzen, um das Lernen intelligenter zu machen

Naiv von jedem möglichen Schwingungsmuster lernen zu wollen, würde viel zu lange dauern, weil reale Maschinen unzählige Kombinationen von Frequenzen und Amplituden erleben. Um dies zu vermeiden, betten die Autoren grundlegende Schwingungsphysik in den Lernprozess ein. Sie nutzen eine einfache, aber wirksame Idee: Energie gemessen über die Zeit ist gleich Energie gemessen über die Frequenz. Dies ermöglicht es ihnen, das Lernproblem um die gesamte Schwingungsenergie zu definieren, statt um jede einzelne Unruhe im Signal. Sie konzentrieren sich außerdem darauf, die Frequenzantwort des Systems zu lernen — wie jede mögliche Einstellung des Absorbers das Schwingungsniveau bei jeder Frequenz verändert — anstatt sich Antworten auf einzelne Szenarien zu merken. Das verkleinert das Problem erheblich und macht aus jeder Messung eine schnelle, in sich abgeschlossene Lernepisode, beschleunigt das Training und bleibt unabhängig von einem detaillierten Materialmodell.

Tests in der Praxis mit intelligentem Gummi

Um zu prüfen, ob der Ansatz in der Praxis funktioniert, testeten die Forscher ihn an einem realen System, bestehend aus einem Linearkompressor, der an einen Block aus magnetorheologischem Elastomer gekoppelt war — ein mit Eisenpartikeln gefüllter Gummi, der sich unter einem Magnetfeld versteift. Der Regler beobachtete die Vibrationen über Sensoren, stellte das Magnetfeld in acht diskreten Stufen ein und aktualisierte seine interne Beschreibung des Verhaltens des Absorbers. Im Laufe der Zeit lernte er die wahre Systemantwort mit sehr hoher Genauigkeit, obwohl die Steifigkeit des Gummis über mehrere Tage Betrieb langsam driftete. Bei komplexen, sich ändernden Schwingungsmustern, aufgebaut aus mehreren Tönen deren Frequenzen und Amplituden sich über Minuten veränderten, reduzierte der gelernte Regler die Schwingungsenergie im Vergleich zum unbehandelten Fall um bis zu 58 Prozent und erreichte nahezu die beste Leistung, die durch vollständiges Ausprobieren aller festen Einstellungen zu erzielen gewesen wäre.

Was das für zukünftige Maschinen bedeutet

Vereinfacht gesagt zeigt die Studie, dass ein Schwingungsdämpfer „vorgelernt“ werden kann, um eine Maschine zu »zuhören«, zu verstehen, wie sie gerade schwingt, und sich ohne detaillierten Bauplan der Hardware neu abzustimmen. Durch die Kombination einfacher physikalischer Einsichten mit einem Lernalgorithmus schaffen die Autoren einen Regler, der sowohl effizient als auch anpassungsfähig ist und mit sich ändernden Materialien und unordentlichen, realen Schwingungsmustern zurechtkommt. Dieser Ansatz könnte zu leiseren und langlebigeren Maschinen in Fahrzeugen, Fabriken und anderen Einsatzbereichen führen, in denen die Bedingungen zu komplex für traditionelle, manuell entworfene Schwingungsregelung sind.

Zitation: Park, JE., Kang, H. & Kim, YK. Domain knowledge-integrated reinforcement learning control of nonlinear tunable vibration absorber under nonstationary excitation. Sci Rep 16, 10849 (2026). https://doi.org/10.1038/s41598-026-45189-7

Schlüsselwörter: Schwingungssteuerung, intelligente Materialien, Reinforcement Learning, adaptive Dämpfung, magnetorheologisches Elastomer