Reinforcement Learning-Based Real-Time Control of a Photovoltaic-Integrated Welding Power Supply: Experimental Validation and Performance Benchmarking

Stellen Sie sich einen Fabrikboden vor, auf dem schweres Metall durch einen glühenden, elektrischen Lichtbogen zusammengefügt wird. Dieser Prozess, bekannt als Schweißen, ist ein Eckpfeiler der modernen Fertigung, aber er ist auch ein gieriger Verbraucher von Elektrizität. Seit Jahrzehnten verlassen sich die Maschinen, die diese Lichtbögen erzeugen, auf eine stetige, berechenbare Energie aus dem Stromnetz. Da die Industrie jedoch bestrebt ist, ihren CO2-Fußabdruck zu reduzieren, wächst der Wunsch, diese Maschinen direkt mit der Sonne zu betreiben. Die Herausforderung liegt in der Natur des Sonnenlichts selbst; es ist launisch und verändert sich mit den Wolken und der Tageszeit. Gleichzeitig ist der Schweißlichtbogen eine chaotische, unvorhersehbare Kraft, die ihr Verhalten ändert, sobald sich der Abstand zwischen dem Werkzeug und dem Metall auch nur geringfügig verschiebt. Zu versuchen, eine Maschine, die eine sofortige, präzise Leistung verlangt, mit einer Quelle zu speisen, die ständig schwankt, ist so, als würde man versuchen, einen Eimer mit einem Schlauch zu füllen, dessen Druck sich jede Sekunde ändert, während sich der Eimer selbst bewegt.

Forscher haben sich lange auf Standard-Elektronikregler verlassen, um dieses Gleichgewicht zu bewältigen, aber diese traditionellen Systeme haben oft Schwierigkeiten, wenn sie mit solch komplexen, wechselnden Bedingungen konfrontiert werden. Sie sind wie ein Fahrer, der den Fuß mit einer festen Rate auf dem Gas hält, unfähig schnell genug zu reagieren, wenn die Straße plötzlich kurvig wird oder der Motor stottert. Um dies zu lösen, hat ein Team von Ingenieuren einen neuen Ansatz entwickelt, der die Zuverlässigkeit etablierter Elektronik mit der Anpassungsfähigkeit künstlicher Intelligenz kombiniert. Ihre Arbeit konzentriert sich auf eine spezifische Art von Maschine: eine hochfrequente Schweißstromquelle, die direkt mit Solarenergie betrieben wird. Indem sie das Steuerungssystem der Maschine lehren, aus ihrer eigenen Umgebung zu lernen, haben sie ein Gerät geschaffen, das sich in Echtzeit selbst anpassen kann, um eine perfekte Schweißnaht zu erhalten, selbst wenn die Sonne hinter einer Wolke verschwindet oder die Hand des Schweißers sich bewegt.

Die Forscher bauten einen physischen Prototyp dieses Systems, um zu testen, ob ihre Ideen in der realen Welt funktionieren würden, nicht nur in Computersimulationen. Das Herzstück ihres Designs ist ein zweischichtiges Steuerungssystem. Die erste Schicht ist ein schnell wirkender elektronischer Regler, der die unmittelbaren, blitzschnellen Anforderungen des Schweißlichtbogens bewältigt und sicherstellt, dass der Strom konstant bleibt. Diese Schicht arbeitet mit der Geschwindigkeit und Vorhersehbarkeit einer traditionellen Maschine. In der zweiten Schicht liegt die Innovation: ein Agent der künstlichen Intelligenz, der das große Ganze im Blick behält. Dieser Agent überwacht die verfügbare Leistung der Solarmodule und die sich ändernde Länge des Schweißlichtbogens. Anstatt starren Regeln zu folgen, lernt er, wie er die Einstellungen des schnellen Reglers an die aktuellen Bedingungen anpasst. Es ist ein System, das seine eigene Sensitivität anpasst, indem es den Griff auf den Stromfluss je nach der Situation in diesem exakten Moment lockert oder festigt.

Um dieses Konzept unter Beweis zu stellen, konstruierte das Team ein funktionstüchtiges Modell unter Verwendung fortschrittlicher Siliziumkarbid-Komponenten, die dafür bekannt sind, hohe Geschwindigkeiten und Hitze effizient zu bewältigen. Sie testeten diese Maschine auf zwei Arten: erstens an einem kleineren Laborarbeitsplatz unter simulierten Bedingungen und dann an einem vollskaligen, fünf Kilowatt starken industriellen Testbett. Während dieser Tests setzten sie die Maschine variablen Lichtbogenlängen, plötzlichen Leistungsanforderungen und schwankenden Solareingängen aus, die das Vorbeiziehen von Wolken imitierten. Die Ergebnisse wurden mit drei anderen gängigen Methoden verglichen: einem System, das einen Akku zur Glättung der Leistung nutzt, einem Standardregler mit festen Einstellungen und einem System, das einfachen, vorprogrammierten Regeln folgt.

Die Ergebnisse zeigten, dass das neue, KI-gesteuerte System die anderen in Bezug auf Effizienz, dynamische Reaktionszeit und Energieverbrauch pro Schweißzyklus übertraf. Es erreichte eine Energieeffizienz von etwa 90 Prozent, was bedeutet, dass sehr wenig Leistung als Wärme verloren ging. Im Gegensatz dazu war das akkugepufferte System weniger effizient, da Energie beim Laden und Entladen des Akkus verloren ging. Das neue System reagierte etwa 33 Prozent schneller auf Änderungen im Schweißprozess als der Standardregler, was eine glattere, konsistentere Schweißnaht ermöglichte. Was die Netzqualität betrifft, so hielt das System eine gesamte harmonische Verzerrung (THD) von etwa 4 Prozent ein, was den industriellen Sicherheitsstandards entspricht. Die Forscher merkten jedoch einen nuancierten Kompromiss an: Während das System eine hervorragende Gesamtleistung erbrachte, führte die adaptive Natur der Lernstrategie zu einer geringfügigen Erhöhung des schaltbedingten harmonischen Gehalts im Vergleich zu den Fixed-Gain-PI- und akkugepufferten Baselines in der Simulation. Dies deutet darauf hin, dass das System die schnelle Verfolgung und Stabilität priorisiert und einen leichten Kompromiss bei der harmonischen Reinheit eingeht, um seine überlegene dynamische Reaktion zu erreichen.

Vielleicht am wichtigsten ist, dass sich das System als robust und sicher erwies. Die Forscher ließen die Maschine acht Stunden lang unter schwerer Last kontinuierlich laufen, wobei die Komponenten innerhalb der sicheren Temperaturgrenzen blieben und keine Anzeichen von Stress oder Ausfall zeigten. Die künstliche Intelligenz reagierte nicht nur, sondern passte ihr Verhalten basierend auf dem Echtzeit-Zustandsfeedback an, um den Energieverbrauch zu minimieren und gleichzeitig die Integrität der Schweißnaht zu wahren. Obwohl das System einen sehr geringfügigen Nachteil in Form einer etwas höheren elektrischen Schaltaktivität im Vergleich zu den einfachsten Reglern aufwies, waren die Zugewinne an Geschwindigkeit, Effizienz und Stabilität erheblich.

Diese Arbeit zeigt, dass es möglich ist, schwere Industriemaschinen direkt aus erneuerbaren Quellen zu betreiben, ohne Leistung oder Sicherheit zu opfern. Durch die Kombination der Geschwindigkeit traditioneller Elektronik mit der Lernfähigkeit künstlicher Intelligenz haben die Forscher einen gangbaren Weg zu einer nachhaltigen Fertigung aufgezeigt. Die Maschine, die sie gebaut haben, überlebt nicht nur die Unvorhersehbarkeit der Solarenergie und das Chaos des Schweißlichtbogens; sie gedeiht darin, indem sie sich selbst anpasst, um jedes Mal das perfekte Gleichgewicht zu finden. Dies legt nahe, dass Fabriken in Zukunft stärker auf die Sonne setzen könnten, indem sie intelligente Systeme nutzen, um die variable Natur erneuerbarer Energien in eine stetige, zuverlässige Kraft für die Industrie zu verwandeln.