Es wird eine Methode zur Modellierung der Komfortbewertung von Fahrzeuginsassen beim Anfahren mittels KNN (Künstliche Neuronale Netze) beschrieben. Die Untersuchung wird anhand eines Fahrzeugs mit einem automatisierten Kupplungssystem, bei dem softwareseitig die Anfahrcharakteristik variiert werden kann, durchgeführt. So wie auch eine Person bei der Bewertung des Anfahrverhaltens die gefühlten Eindrücke mit dem sich daraus ableitenden Schwingungskomfort verknüpft, werden KNN zur Objektivierung eingesetzt. KNN sind informationsverarbeitende Systeme, mit denen es möglich ist, einen Eingangsdatensatz (objektive Messwerte) mit einem Ausgangsdatensatz (subjektiver Komfortwert) über 'gelernte' Trainingsdatensätze zu verknüpfen. Das KNN entdeckt sozusagen die Regel, die hinter der Verknüpfung der Trainingsdaten steckt und kann dann zur Interpretation von unbekannten Daten -auch aus der Simulation- herangezogen werden. Nachdem die prinzipielle Anwendbarkeit der Methode für Laienbewerter (Kunden) im VDI-Bericht 1701 vorgestellt wurde, beschreibt dieser Beitrag die Abbildung von Expertenbewertungen sowie weitere Aspekte der Methode, zum Beispiel den Kompromiss zwischen Approximationsgenauigkeit und Generalisierungsfähigkeit. Es werden darüber hinaus Hinweise bezüglich Netzgenerierung (Art und Anordnung der Neuronen) und Trainingsalgorithmen gegeben, die auch für ähnlich gelagerte Anwendungen Gültigkeit haben.
A method for deriving an assessment model for passengers evaluating the comfort during start-up by means of ANN (Artificial Neural Networks) is described. This examination is carried out using a vehicle with an automated clutch system with which the starting charactersitics can be varied by means of software changes. ANNs are employed for objectification similar to the way a person connects his felt impressions with the deriving vibration comfort when assessing a start-up process. ANNs are systems processing information by linking an incoming data record (objectively measured values) to an outgoing data record (subjective comfort value) via 'learned' training data records. This means that the ANN more or less discovers the rule behind the connection of the training data and can thus be used for the interpretation of unfamiliar data, including data from simulation. As the basic applicability of the method by assessments of non-expert passengers (customers) has been presented in the VDI report 1701, this article describes the extensions concerning the modelling of expert's ratings as well as further aspects of the method, for example the compromise between approximation exactness and the ability to generalise. Moreover, hints are given with regard to the generation of networks (type of neurones and network structure) and training algorithms, which extend to similar applications.
Einsatz Künstlicher Neuronaler Netze zur objektiven Beurteilung des Schwingungskomforts am Beispiel des automatisierten Anfahrens
Application of artificial neural networks for the objective evaluation of vibration comfort at the example of the automated start-up process
2004
24 Seiten, 18 Bilder, 1 Tabelle, 7 Quellen
Conference paper
German
Fahrzeug , Schwingung , neuronales Netz , Mensch , Bewertung , Anfahren
Vorhersage subjektiver Komforturteile mittels künstlicher neuronaler Netze
Tema Archive | 2002
|