Retrospektive Diagnose von Fehlerursachen an Antriebsstrangprüfständen mithilfe künstlicher Intelligenz, 1. Aufl. 2024 Coll. Wissenschaftliche Reihe Fahrzeugtechnik Universität Stuttgart
Auteur : Krätschmer Andreas
Antriebsstrangprüfstände leisten einen signifikanten Beitrag im Fahrzeugentwicklungsprozess. Um diesen Vorteil weiter auszubauen, ist es notwendig, mit geeigneten Maßnahmen die Effektivität und Effizienz stetig zu steigern. Eine Maßnahme ist hierbei, die Abhängigkeit des Faktors Mensch bei Auftreten eines Fehlers am Prüfstand zu reduzieren. Um diesem Ziel einen großen Schritt näher zu kommen, wurde vorliegend eine KI-basierte Methodik entwickelt, mit deren Hilfe es möglich ist, die fehlerverursachende Komponente und den zugehörigen Fehlerzeitpunkt trotz der Wechselwirkung aufgrund der mechanischen Kopplung des Systems zu detektieren.
Erhebung eines repräsentativen Forschungsdatensatzes.- Methoden zur Datenvorverarbeitung uni- und multivariater Zeitreihendaten.- Modellierung und Auswertung durch künstliche Intelligenz.- Anwendung und praktischer Nachweis.
Andreas Krätschmer hat nach seinem Studium am Institut für Fahrzeugtechnik Stuttgart (IFS) der Universität Stuttgart im Bereich Kraftfahrzeugmechatronik promoviert. Er ist Projektleiter an einem Antriebsstrangprüfstand und Fachreferent für Datennetze und Restbussimulation.
Reduktion der Abhängigkeit des Faktors Mensch am Antriebsstrangprüfstand
KI-basierte Auswertung von Messdaten am Antriebsstrangprüfstand
Steigerung der Effektivität bei Antriebsstrangerprobungen
Date de parution : 01-2024
Ouvrage de 138 p.
14.8x21 cm
Thème de Retrospektive Diagnose von Fehlerursachen an... :
Mots-clés :
Antriebsstrangerprobung; Fahrzeugentwicklungsprozess; Antriebsstrangprüfstand; V-Modell in der Fahrzeugentwicklung; Merkmalsvektor; Uni- und multivariate Zeitreihendaten; Anomalieerkennung in Zeitreihendaten; Künstliche Intelligenz; Machine Learning; Hyperparametertuning; Stacked-Autoencoder; LSTM-Autoencoder; Anomalie-Score; GRU-Autoencoder