Basierend auf Beschleunigungsmessungen an sechs Fahrzeugen unterschiedlicher Hersteller werden in dieser Untersuchung Modelle für den Schwingungskomfort von PKW beim Überfahren unebener Fahrbahnen erstellt. Zur Approximation der gemittelten Komfortnoten der Testfahrer kommen dabei sowohl neuronale Netze als auch eine lineare Regressionsanalyse zur Anwendung. Als Eingangssignal für die Komfortmodelle werden neben den an verschiedenen Messpunkten aufgezeichneten Beschleunigungen auch die daraus berechneten Beschleunigungsänderungen untersucht. Ausgehend von den Eingangssignalen, die separat betrachtet das beste Modellierungsergebnis liefern, werden Modelle erstellt, die mehrere Eingangssignale gleichzeitig berücksichtigen. Es zeigt sich, dass die einerseits auf der Theorie der neuronalen Netze und andererseits auf einer linearen Regressionsanalyse beruhenden Bewertungsmodelle vergleichbare Ergebnisse liefern. In dem hier untersuchten Fall der Modellerstellung anhand von sechs Fahrzeugen ist der rechnerische Aufwand für die Verwendung neuronaler Netze nicht gerechtfertigt. Bei einer größeren Anzahl zur Verfügung stehender Versuchsdaten ist jedoch davon auszugehen, dass das Potential neuronaler Netze zur Abbildung nichtlinearer Zusammenhänge zu besseren Komfortmodellen führt als eine lineare Regressionsanalyse.

    In this study, accelerations measured on six vehicles of different manufacturers are used to create models estimating the ride comfort of passenger cars traveling over a bumpy road. The comfort models are based on neural networks as well as regression analysis and approximate the average subjective comfort ratings of test drivers. Besides accelerations measured at different points on the vehicles, also the jerk, i.e. the rate of change of these accelerations, is used as an input signal. Based on input signals yielding the best results when examined separately, models processing multiple input signals simultaneously are created. It turns out that models using neural networks and regression analysis generate similar results. In this case, with only six vehicles available for model creation, the computational effort for the application of neural networks is not justified. However, having more measurement data available, it is assumed that the capabilities of neural networks to approximate nonlinear relations result in better comfort models than regression analysis.


    Zugriff

    Zugriff über TIB

    Verfügbarkeit in meiner Bibliothek prüfen

    Bestellung bei Subito €


    Exportieren, teilen und zitieren



    Titel :

    Künstliche neuronale Netze als Hilfsmittel zur Abschätzung des Komfortempfindens


    Weitere Titelangaben:

    Using artificial neural networks as a tool to estimate vehicle ride comfort


    Beteiligte:
    Stammen, K. (Autor:in) / Meywerk, M. (Autor:in)


    Erscheinungsdatum :

    2007


    Format / Umfang :

    17 Seiten, 6 Bilder, 3 Tabellen, 10 Quellen




    Medientyp :

    Aufsatz (Konferenz)


    Format :

    Print


    Sprache :

    Deutsch




    Künstliche neuronale Netze im leistungsbasierten Luftverkehrsmanagement

    Reitmann, Stefan / Technische Universität Dresden | TIBKAT | 2020

    Freier Zugriff

    Künstliche neuronale Netze im leistungsbasierten Luftverkehrsmanagement

    Reitmann, Stefan / Technische Universität Dresden | SLUB | 2020


    Künstliche neuronale Netze im leistungsbasierten Luftverkehrsmanagement

    Reitmann, Stefan / Technische Universität Dresden | SLUB | 2020



    Kuenstliche neuronale Netze als Hilfsmittel zur Abschaetzung des Komfortempfindens

    Stammen,K. / Meywerk,M. / Volkswagen,Wolfsburg,DE et al. | Kraftfahrwesen | 2007