@PhdThesis{duepublico_mods_00074076,
  author = 	{Hohn, Maximilian},
  title = 	{Entwicklung und Validierung einer Methode zur Abbildung der Fahrzeugdynamik mit K{\"u}nstlichen Neuronalen Netzen},
  year = 	{2021},
  month = 	{Feb},
  day = 	{24},
  abstract = 	{Modellbasierte Entwicklungsmethoden werden f{\"u}r den technischen Fortschritt im Zuge der Digitalisierung immer relevanter. F{\"u}r die Entwicklung von Kraftfahrzeugen stellen Simulationen eine zeit- und kosteneffiziente Methode dar, um innovative Systeme zu entwerfen und den Einfluss einzelner Fahrzeug- und Systemeigenschaften zu bewerten. Herk{\"o}mmliche Modellierungsans{\"a}tze besitzen in der Regel die Form einer physikalischen Beschreibung oder einer mathematischen Approximation der Fahrzeugdynamik. Die vorliegende Arbeit stellt eine Methode zur Abbildung der Fahrzeugdynamik mit Hilfe K{\"u}nstlicher Neuronaler Netze vor. Im Gegensatz zu herk{\"o}mmlichen Ans{\"a}tzen werden f{\"u}r die Abbildung der Fahrzeugdynamik mit K{\"u}nstlichen Neuronalen Netzen Fahrdaten im Voraus ben{\"o}tigt. Die in dieser Arbeit entwickelte Methode wird mit Felddaten aus einer Simulator-Studie namens ALFASY umgesetzt und validiert. K{\"u}nstliche Neuronale Netze werden zunehmend f{\"u}r die Modellierung der Fahrzeugdynamik eingesetzt. Der Einsatz ist bislang nur auf die Modellierung automobiler Teilsysteme beschr{\"a}nkt. Nach bestem Wissen des Autors gibt es keine ver{\"o}ffentlichten Ans{\"a}tze zur Abbildung der Gesamtfahrzeugdynamik mit K{\"u}nstlichen Neuronalen Netzen. F{\"u}r diese Arbeit werden Daten aus der Simulator-Studie auf Basis des Fahrzeugsimulationsmodells nach Schramm et al. [1] untersucht. Da die im Feld gewonnenen Fahrdaten aus kontinuierlichen Zeitreihen bestehen, werden f{\"u}r die Abbildung der Fahrzeugdynamik Long Short-Term Memory Zellen und rekurrente Netzwerkarchitekturen untersucht. Im Rahmen dieser Arbeit wurden vier Architekturen neuronaler Fahrzeugmodelle ausgearbeitet und hinsichtlich ihrer Eignung, die Fahrzeugdynamik abzubilden, untersucht. Eine zentrale Erkenntnis der Untersuchungen ist die gute Eignung eines Netzwerkes aus Long Short-Term Memory Zellen zur Abbildung langfristiger Wir-kungen der Fahrereingaben auf Zustandsgr{\"o}{\ss}en des Fahrzeugs. Kurzfristige Wechselwirkung zwischen Fahrereingaben und Fahrzeugzustand k{\"o}nnen pr{\"a}zise durch ein Rekurrentes Neuronalen Netzwerk mit R{\"u}ckf{\"u}hrung der Zustandsgr{\"o}{\ss}en abge-bildet werden.},
  doi = 	{10.17185/duepublico/74076},
  url = 	{https://duepublico2.uni-due.de/receive/duepublico_mods_00074076},
  url = 	{https://doi.org/10.17185/duepublico/74076},
  file = 	{:https://duepublico2.uni-due.de/servlets/MCRFileNodeServlet/duepublico_derivate_00073852/MA_Hohn_Fahrzeugdynamik_Kuenstliche_Neuronale_Netze.pdf:PDF},
  language = 	{de}
}