Industrie 4.0 konzentriert sich stark auf die Verbindung zwischen Automatisierung, maschinellem Lernen (ML), und künstlicher Intelligenz (KI). Der Einsatz von Automatisierung, ML und KI sind vielseitige interdisziplinäre Bereiche, die in vielen Systemen mit strukturellen Veränderungen und dynamischem Verhalten angewendet werden, beispielsweise in Transport-, Telekommunikations-, Luft- und Raumfahrt- und Militärsystemen. Systeme mit strukturellen Veränderungen zeigen im Laufe der Zeit je nach Betriebsumgebung Veränderungen in ihrem Verhalten, die den Zustand des Systems oder des Betreibers verändern können. Im Transportwesen beispielsweise haben fahrbedingte Unfälle im Straßenverkehr im Laufe der Jahre aufgrund des Verhaltens der Fahrer erheblich zugenommen. Um dieses Problem anzugehen, hat die Weiterentwicklung der Automatisierungstechnologie durch die kontinuierliche Entwicklung fortschrittlicher Fahrassistenzsysteme (ADASs) spielt eine Schlüsselrolle, um Fahrern bei der Durchführung sicherer Manöver zu helfen. Diese Assistenzsysteme unterstützen den Fahrer, indem sie Verhaltensweisen erkennen und abschätzen. Der Einsatz ML-basierter Modelle zur Generierung von Schätzungen und Erkennungen des Fahrverhaltens hat in den letzten Jahren stark zugenommen. Ein weiteres Beispiel für die Anwendung von ML auf andere Systeme mit strukturellen Änderungen ist die Schätzung der Verschlechterung von Lithium-Ionen-Batterien (LIBs). Prognosen und Gesundheitsmanagement (PHM) der Batterien sind daher wichtig für die Überwachung ihres Zustands, da Batterien mit der Zeit schwächer werden. Ähnlich wie bei der Fahrverhaltensanwendung hat die Entwicklung von Schätzmodellen mithilfe ML-basierter Ansätze an Popularität gewonnen. Gängige ML-Ansätze zur Entwicklung der Schätzmodelle sind Artificial Neural Network (ANN), Support Vector Machine (SVM) und Convolution Neural Network (CNN). Obwohl vielversprechende Ergebnisse erzielt wurden, bestehen gewisse Herausforderungen, wie z. B. ungeeignete Parameterwerte, das Extrahieren relevanter Informationen, Modelle haben individuelle Aufgaben und verschiedene Modelle weisen je nach Situation eine unterschiedliche Leistung auf, was zu suboptimalen Ergebnissen führt. In den letzten Jahren wurde der State-Machine-Ansatz aufgrund seiner Fähigkeit, Verhalten mithilfe diskreter Zustände zu modellieren, und seiner Flexibilität in verschiedenen Forschungsbereichen zur Abschätzung des Verhaltens eines Systems eingesetzt. Das Ziel dieser Arbeit besteht daher darin, ein auf Zustandsmaschinen basierendes Modell als neues interpretierbares ML-basiertes Modell für die Schätzung von Verhaltensweisen (als Zustände) in zwei Bereichen zu entwickeln: Schätzungen des Fahrverhaltens und Schätzungen des Verschlechterungsverhaltens von LIBs. Zustandsmaschinen sind im Gegensatz zu einigen ML-Ansätzen wie SVM, bei denen es schwierig ist, eine geeignete Kernelfunktion auszuwählen, aufgrund der einfachen Zustandserreichbarkeit des Modells ohne komplexe Berechnungen interpretierbar. Im ersten Teil der Arbeit wird die Einschätzung des Fahrverhaltens betrachtet. Das Modell wird aus verschiedenen Blickwinkeln betrachtet. Um die Verallgemeinerung des vorgeschlagenen Modells in anderen Anwendungen mit Strukturvariablensystemen zu beweisen, wird das Modell im zweiten Teil auch für die Schätzung des LIB-Degradationsverhaltens (im Sinne der Schätzung des Kapazitätsschwunds) angewendet.

Für die Fahrverhaltensschätzungen modelliert die Zustandsmaschine drei Spurwechselverhaltensweisen unter Verwendung von Zuständen, die zwischen einander wechseln, um die Schätzungen zu entwickeln. Die berücksichtigten Spurwechselverhaltensweisen sind: Spurwechsel nach rechts (LCR), Spurhalten (LK) und Spurwechsel nach links (LCL). Um das Modell weiter zu erweitern, werden ein ANN und ein Hidden-Markov-Modell (HMM) einzeln mit dem Zustandsmaschinenmodell kombiniert, um das Spurwechselverhalten abzuschätzen. Das KNN ist für seine Robustheit und Lernfähigkeit bekannt, während das HMM für seine stochastischen Eigenschaften bekannt ist. Für den KNN-basierten Zustandsmaschinenansatz werden zwei verschiedene Modelle entworfen. Das erste Modell verwendet nur ein ANN, während das andere Modell drei verschiedene ANNs integriert. Für das HMM-basierte Modell wird ein verbessertes HMM mit einer Vorfilteranwendung in Betracht gezogen. Darüber hinaus wird auch die Implementierung verschiedener Sub-HMMs für unterschiedliche Eingabevariablen (Merkmale im Zusammenhang mit dem Fahrzeug und der Umgebung) durchgeführt. Auch Fahrmerkmale wirken sich auf die Erkennungsleistung aus. Daher werden Bewertungen verschiedener Merkmalstypen (als Modelleingaben) durchgeführt, um deren Wirksamkeit auf die Schätzleistung des Zustandsmaschinenmodells zu bewerten. Für die Bewertung werden Merkmale wie Umgebungs- (ENV) und Eye-Tracking- (ET) Merkmale berücksichtigt. Darüber hinaus ist bekannt, dass die Optimierung von Hyperparametern und Modellparametern die Leistung des Modells verbessert. Die Auswahl der geeigneten Optimierungstechnik und Auswahlbereiche auf der Grundlage verschiedener ML-Modelldesigns ist jedoch eine Herausforderung. Für die Schätzung des Fahrverhaltens werden sowohl die Bayes'sche Optimierung (BO) als auch der genetische Algorithmus (GA) angewendet, um die Hyperparameter zu optimieren. Darüber hinaus werden Modellparameter während des Trainings mithilfe des Non-Dominated Sorting Genetic Algorithm (NSGA-II) optimiert, da diese Parameter direkten Einfluss auf die Leistung des Modells haben.

Für die LIBs werden im Modell unterschiedliche Abbauzustände definiert, sodass die Zustände von einem zum anderen übergehen, um das Abbauverhalten und den Kapazitätsschwund abzuschätzen. Die mit jedem Zustand verbundene Kapazität wird mithilfe eines NARX-Modells (Nonlinear Auto Regressive Neural Network with Exogenous Input) geschätzt. Die Modellparameter werden ebenfalls mit NSGA-II optimiert. Zur Auswertung der Spurwechselverhaltensschätzungen werden Fahrdaten von Teilnehmern verwendet, die auf zwei verschiedenen Experimenten basieren und mit einem Fahrsimulator gesammelt wurden. Ziel ist die Entwicklung eines Modells mit optimaler Genauigkeit (ACC), Erkennungsrate (DR) und Fehlalarmrate (FAR), um die Wirksamkeit der verschiedenen Modelle zu validieren. Für die Schätzung des Kapazitätsschwunds von Batterien werden Daten aus vier Experimenten für die Anwendung des Modells genutzt. Für Leistungsbewertungen werden der mittlere quadratische Fehler (MSE) und der relative mittlere quadratische Fehler (RMSE) verwendet. Die Ergebnisse der Anwendung des Modells auf den Fahrverhaltensbereich zeigen, dass für die Kapazitätsschätzung von LIBs ein hoher ACC, DR und ein niedriger FAR erreicht werden, während im Allgemeinen niedrige RMSE und MSE erreicht werden. In bestimmten Fällen übertreffen die vorgeschlagenen Modelle die herkömmlichen Modelle in beiden Anwendungen. Darüber hinaus liegen die Zustandsschätzungen für beide Bereiche nahe an den tatsächlichen Zuständen. Basierend auf den Ergebnissen zeigt der State-Machine-Ansatz als neuer ML-basierter Ansatz günstige Ergebnisse.