In dieser Arbeit wird die Anwendung künstlicher neuronaler Netze in der Modellbil-dung der Fahrzeuglängsdynamik untersucht, mit der Idee ohne aufwendige Versuche oder Wissen über den spezifischen Antriebsstrang und dessen Parameter ein Modell auf Basis einfach zu gewinnender Daten zu erstellen. Als exemplarische Grundlage werden über den CAN-Bus abgerufene Daten fahrzeuginterner Sensoren eines Ford C-Max Energie Plug-In Hybrid verwendet. Als Vergleichsmodell wird ein physika-lisches Modell basierend auf den Fahrwiderstandskräften aufgestellt. Als Eingangs-größen der Modelle werden die Gas- und Bremspedalstellung sowie die aktuelle Ge-schwindigkeit gewählt. Die Beschleunigung des Fahrzeuges in Längsrichtung bildet den Ausgang, dessen Integration den zum Vergleich herangezogenen Geschwindig-keitsverlauf liefert. Es werden verschiedene künstliche neuronale Netzwerkstrukturen konstruiert und anhand der Daten trainiert.
Die Ergebnisse dieser Arbeit zeigen, dass bereits ein einfaches, dreischichtiges, vorwärtsgerichtetes, künstliches neuronales Netz in der Lage ist, die Fahrzeuglängs-dynamik zu modellieren, wenn auch die Genauigkeit leicht hinter dem des physika-lischen Referenzmodells zurückbleibt. Dabei ist dieser Ansatz vollständig ohne Wis-sen über das Fahrzeug umsetzbar. Wird jedoch die Struktur des Netzes dahingehend verändert, dass weitere fahrzeuginterne Größen während des Trainings als Zwischen-ausgänge verwendet werden, entsteht das Modell mit der höchsten Güte dieser Ar-beit. Dieses Einbringen von Wissen in den Prozess des maschinellen Lernens liefert ein Modell mit geringeren Abweichungen im Vergleich zum physiaklischen Modell. Ein rekurrentes Netz mit Long short-term memory, mit dem Vorteil zeitabhängige Vorgänge abbilden zu können, liefert ebenfalls ein funktionierendes Modell, dessen Abweichungen jedoch trotzdem die der anderen Modelle überschreiten.
Hohe Korrelationswerte der Ausgaben der Modelle untereinander, die größtenteils die Korrelation der Werte zum gemessenen Geschwindigkeitsverlauf überschreiten, weisen auf eine gemeinsame Fehlerquelle in der Modellierung hin. Insbesondere die fehlenden Eingangsgrößen der Windgeschwindigkeit sowie der Steigung sind als Ur-sachen für die Abweichungen der Modelle wahrscheinlich, weshalb angenommen wer-den kann, dass ein Training der Modelle bis nahe an das Optimum der in den Daten vorhandenen Abhängigkeiten möglich ist. Es wird vorgeschlagen die Güte der Daten und dessen Umfang mit weiteren zusätzlichen Sensoren zu verbessern. Vor allem um den Nutzen des zusätzlichen Aufwandes bewerten zu können und so eine abschlie-ßende Bewertung der, im Rahmen dieser Arbeit erstellten, Modelle vornehmen zu können.