Generierung von Prüfzyklen aus Flottendaten mittels bestärkenden Lernens
André Ebel wertet Flottendaten eines batterieelektrischen Fahrzeuges hinsichtlich Fehlerbedingungen aus und generiert daraus unter Verwendung einer Gesamtfahrzeugsimulationsumgebung repräsentative Prüfzyklen zur zeitlichen Rekonstruktion der Fehlerbedingungen. Anhand der Flottendatenauswertung mit Methoden des Maschinellen Lernens identifiziert der Autor das schädigende Nutzungsverhalten fehlerhafter Fahrzeuge. Zur Generierung von kundennahen Prüfzyklen setzt er das tiefe Q-Lernen ein, ein Verfahren des bestärkenden Lernens. Die Kombination der Flottendatenauswertung mit der Prüfzyklengenerierung trägt zur zielgerichteten und realitätsnahen Erprobung von Antriebssträngen bei.
| Autor: | Ebel, André |
|---|---|
| ISBN: | 9783658442194 |
| Sprache: | Deutsch |
| Seitenzahl: | 188 |
| Produktart: | Kartoniert / Broschiert |
| Verlag: | Springer Fachmedien Wiesbaden GmbH |
| Veröffentlicht: | 22.02.2024 |
| Schlagworte: | Bestärkendes Lernen Data Mining Fahrzeugsimulation Fahrzyklen Flottendaten Lastkollektivdaten Machine Learning Prüfzyklen Reinforcement Learning Tiefes Q-Lernen |
André Ebel hat seinen Master of Science in Elektromobilität an der Universität Stuttgart abgeschlossen und ist seit 2015 wissenschaftlicher Mitarbeiter am Forschungsinstitut für Kraftfahrwesen und Fahrzeugmotoren Stuttgart (FKFS), wo er im Bereich Kraftfahrzeugmechatronik promovierte.