Erstellung von Prädiktionsmodellen für die Vorhersage des subjektiven Fahrtkomforts von PKW bei Einzelhindernisüberfahrten

URN urn:nbn:de:gbv:705-opus-30922
URL
Dokumentart: Dissertation
Institut: Institut für Fahrzeugtechnik und Antriebssystemtechnik
Fakultät: Fakultät Maschinenbau
Hauptberichter: Prof. Dr.-Ing. Martin Meywerk
Sprache: Deutsch
Tag der mündlichen Prüfung: 17.12.2014
Erstellungsjahr: 2014
Publikationsdatum:
SWD-Schlagwörter: Wavelet; Gabor; Regressionsmodell; Regularisierung
Freie Schlagwörter (Deutsch): Fahrkomfort; Einzelhindernis; Beschleunigungsdaten; Merkmalsauswahl; Vorhersage; künstliche neuronale Netze
DDC-Sachgruppe: Ingenieurwissenschaften

Kurzfassung auf Deutsch:

In der vorliegenden Arbeit wird eine Methode entwickelt, die es ermöglicht, den Fahrkomfort von PKW, basierend auf Messungen von Beschleunigungen und Luftschall in der Fahrerumgebung, vorherzusagen. Hierzu wurden zwischen 2008 und 2011 im Rahmen von Testfahrten in Zusammenarbeit mit der Audi AG, Magna Steyr Fahrzeugtechnik, dem Kompetenzzentrum das Virtuelle Fahrzeug und der Hochschule München entsprechende objektive und subjektive Daten erhoben. Für die Auflösung der komfortrelevanten Signalanteile in Zeit und Frequenz wird die kontinuierliche Wavelet-Transformation unter Verwendung von Gabor-Wavelets eingesetzt. Die Extrahierung aussagekräftiger Merkmale aus den transformierten Daten geschieht über eine eigene Methode, die auf der Approximation der sich ergebenden Wavelet-Tableaus durch ein parametriertes Muster beruht. Die dabei ermittelten Merkmale sind sowohl beschreibend in Hinblick auf die zugrunde liegenden Daten als auch robust vor dem Hintergrund kleinerer Störungen in der zeitlichen Ausrichtung der Tableaus. In Hinblick auf die Auswahl von Merkmalskombinationen für die Vorhersagemodelle wurden zwei multivariate Methoden entwickelt und erprobt. Als Vorhersagemodelle kommen schließlich künstliche neuronale Netze mit Feed-Forward-Struktur und spezielle lineare Modelle zum Einsatz. In beiden Fällen wird einer möglichen Überanpassung der Modelle an die Trainingsdaten unter Anderem durch Regularisierungs-Methoden im Zuge der Parameterfixierung entgegengewirkt.

Hinweis zum Urheberrecht

Für Dokumente, die in elektronischer Form über Datenenetze angeboten werden, gilt uneingeschränkt das Urheberrechtsgesetz (UrhG). Insbesondere gilt:

Einzelne Vervielfältigungen, z.B. Kopien und Ausdrucke, dürfen nur zum privaten und sonstigen eigenen Gebrauch angefertigt werden (Paragraph 53 Urheberrecht). Die Herstellung und Verbreitung von weiteren Reproduktionen ist nur mit ausdrücklicher Genehmigung des Urhebers gestattet.

Der Benutzer ist für die Einhaltung der Rechtsvorschriften selbst verantwortlich und kann bei Mißbrauch haftbar gemacht werden.