Im Rahmen dieser Arbeit wurde eine Methode entwickelt, die eine Klassifizierung von Unfallszenarien während der ersten 10 ms des Unfalls ermöglicht. Somit ist ein bedarfsgerechter Einsatz der Rückhaltesysteme und ein daraus resultierender besserer Schutz der Insassen erzielbar. Die entwickelte Methode verwendet im Wesentlichen Beschleunigungs- und Gierratensignale, die mithilfe der aktuell vorhandenen Unfallsensorik eines modernen Fahrzeugs gewonnen werden. Mithilfe künstlicher neuronaler Netze wurden im Anschluss die zentralen Unfallparameter der verschiedenen Unfallszenarien sehr genau abgeschätzt. Im Allgemeinen handelt es sich bei den Unfallparametern um die Aufprallgeschwindigkeit gegen das Hindernis in Fahrzeuglängs- und Fahrzeugquerrichtung sowie um die Position des Hindernisses. Um die berücksichtigten Beschleunigungs- und Gierratensignale in einer geeigneten Form als Eingabeparameter für das künstliche neuronale Netz nutzen zu können, wurden die Signale in einem Zwischenschritt wavelettransformiert und diskretisiert. Zum Training der künstlichen neuronalen Netze sind bis zu 3322 Unfallszenarien notwendig. Diese konnten Dank leistungsstarker Computer mithilfe von Finite-Elemente- Simulationen eines Gesamtfahrzeugs in einem vertretbaren Zeitansatz gewonnen werden. Nach einem erfolgreichen Training besitzt das künstliche neuronale Netz die Fähigkeit, unbekannte Unfallszenarien zu klassifizieren. Dabei ist jedoch zu berücksichtigen, dass das unbekannte Unfallszenario den trainierten Unfallszenarien ähnlich sein muss. Zur Ähnlichkeit gehören neben der Art des Hindernisses insbesondere die äußeren Grenzen des betrachteten Geschwindigkeits- und Hindernispositionsbereichs. Aufgrund der Klassifizierung des Unfallszenarios zu einem sehr frühen Unfallzeitpunkt sind Informationen vorhanden, die eine bedarfsgerechte Auslösung der Rückhaltesysteme ermöglichen. Mit den dargelegten Ergebnissen liefert die in dieser Arbeit entwickelte Methode einen neuen Ansatz und kann dadurch deutlich zu anderen Arbeiten abgegrenzt werden, wie beispielsweise das Nutzen des Körperschalls zur Klassifizierung. Da in der vorgestellten Methode den künstlichen neuronalen Netzen das Hauptaugenmerk gewidmet wurde und mit diesen letztlich auch die Klassifizierung vollzogen worden ist, ist ohne weiteres ein paralleler Einsatz beider Methoden möglich. Zudem kann mit den gewonnenen Erkenntnissen die Entscheidung der Auslösung irreversibler Rückhaltesysteme unterstützt und verbessert werden. Des Weiteren können solche Informationen in der Praxis zur Übertragung an den Rettungsdienst genutzt werden, um somit bereits während der Fahrt des Rettungspersonals zur Unfallstelle Vorbereitungen treffen zu können.
Methode zur Klassifizierung von Unfallszenarien mithilfe von FE-Gesamtfahrzeugsimulationen, Wavelettransformierten und künstlichen neuronalen Netzen
2012
177 Seiten, Bilder, Tabellen, 116 Quellen
Theses
German
Kraftfahrzeug , Verkehrsunfall , Klassifikation , Rückhaltesicherheitsvorrichtung , Airbag-Auslösesteuerung , Sensorik , Beschleunigungssensor , Gierbewegung , Aufprallgeschwindigkeit , Ortsbestimmung , Hinderniserkennung , Signalanalyse , neuronales Netzwerk , Wavelet-Transformation , Finite-Elemente-Simulation
Wertorientiertes Risikocontrolling mit Künstlichen Neuronalen Netzen
IuD Bahn | 2003
|Anwendung von künstlichen neuronalen Netzen im Wasserbau
HENRY – Federal Waterways Engineering and Research Institute (BAW) | 2020
|