Andere Kunden interessierten sich auch für
![ANWENDUNG VON KÜNSTLICHEN NEURONALEN NETZEN:]( "ANWENDUNG VON KÜNSTLICHEN NEURONALEN NETZEN:")
ANWENDUNG VON KÜNSTLICHEN NEURONALEN NETZEN:39,90 €![Fehlererkennung eines Getriebes mit einem künstlichen neuronalen Netzwerk (ANN)]( "Fehlererkennung eines Getriebes mit einem künstlichen neuronalen Netzwerk (ANN)")
Fehlererkennung eines Getriebes mit einem künstlichen neuronalen Netzwerk (ANN)39,90 €![PPS mit Neuronalen Netzen]( "PPS mit Neuronalen Netzen")
PPS mit Neuronalen Netzen44,99 €![Implementierung eines künstlichen neuronalen Netzes in Bearbeitung und Fertigung]( "Implementierung eines künstlichen neuronalen Netzes in Bearbeitung und Fertigung")
Implementierung eines künstlichen neuronalen Netzes in Bearbeitung und Fertigung39,90 €![Finite-Elemente-Methode]( "Finite-Elemente-Methode")
Finite-Elemente-Methode44,99 €![Implementierung einer Methode zur automatischen 3D-FEM Modellerstellung und Festigkeitsrechnung für Vollhartmetall-Spiralbohrer: Unter Verwendung von nicht kommerzieller Matlab-Software]( "Implementierung einer Methode zur automatischen 3D-FEM Modellerstellung und Festigkeitsrechnung für Vollhartmetall-Spiralbohrer: Unter Verwendung von nicht kommerzieller Matlab-Software")
Implementierung einer Methode zur automatischen 3D-FEM Modellerstellung und Festigkeitsrechnung für Vollhartmetall-Spiralbohrer: Unter Verwendung von nicht kommerzieller Matlab-Software38,00 €![Methode zur Reifegradsteigerung mittels Fehlerkategorisierung von Diagnoseinformationen in der Fahrzeugentwicklung]( "Methode zur Reifegradsteigerung mittels Fehlerkategorisierung von Diagnoseinformationen in der Fahrzeugentwicklung")
Methode zur Reifegradsteigerung mittels Fehlerkategorisierung von Diagnoseinformationen in der Fahrzeugentwicklung49,99 €
Im Rahmen der Arbeit wird eine Methode zur Klassifizierung von Unfallszenarien entwickelt, wobei es sich bei den Unfällen um Pfahlkollisionen handelt. Die Klassifizierung eines Unfallszenarios erfolgt durch die Abschätzung der bevorstehenden Fahrzeuggeschwindigkeitsänderungen in Fahrzeuglängs- und Fahrzeugquerrichtung sowie der Positionsabschätzung des Pfahls. Zudem ist eine genaue Abschätzung der genannten Unfallparameter bereits 10 ms nach dem Pfahlaufprall möglich.
Für eine genaue Abschätzung der Unfallparameter werden Beschleunigungs- und Gierratensignale des Fahrzeugs benötigt, die mithilfe von FE-Gesamtfahrzeugsimulationen gewonnen werden. Sowohl die Beschleunigungs- als auch die Gierratensignale erfahren im Anschluss eine Wavelettransformation. Zudem wird der Betrag der Wavelettransformierten im Zeit- und im Frequenzbereich diskretisiert. Dies ist notwendig, um wesentliche Informationen in einer geeigneten Form aus den Signalen ziehen zu können, damit diese als Eingangsparameter für künstliche neuronale Netze nutzbar sind. Mithilfe der künstlichen neuronalen Netze erfolgt die Abschätzung der wesentlichen bereits oben genannten Unfallparameter. Zudem können diese Unfallparameter nach einem erfolgreichen Training eines künstlichen neuronalen Netzes auch für unbekannte Unfallszenarien bestimmt werden, wobei die äußeren Grenzen der Trainingsmenge einzuhalten sind.
Aufgrund der frühzeitigen Unfallparameterabschätzungen ist eine Anpassung der Auslösealgorithmen der Rückhaltesysteme möglich. Der bedarfsgerechte Einsatz von Rückhaltesystemen in einem Unfallszenario könnte dadurch zu einer erheblichen Verringerung der Verletzungsschwere führen.
Die Untersuchungen in dieser Arbeit beziehen sich ausschließlich auf Kollisionen mit einem Pfahlhindernis, welches sich frontal vor dem Fahrzeug befindet. Die erzielten Ergebnisse sind insbesondere bei der Abschätzung der Aufprallgeschwindigkeit in Fahrzeuglängsrichtung und der Pfahlpositionen sehr genau. Zudem besitzt die Methode ein sehr stabiles Verhalten bezüglich Gewichtsänderungen am Fahrzeug im gesamten zulässigen Gewichtsbereich. Auch auf erhebliche Größenänderungen des Pfahldurchmessers kann ein künstliches neuronales Netz durch ein entsprechendes Training angepasst werden, sodass auch in diesen Unfallszenarien genaue Abschätzungen möglich sind. Zuletzt wird in der Arbeit dargelegt, dass die guten Ergebnisse nicht auf Zufälligkeiten beruhen, sondern in den charakteristischen Eigenschaften der verwendeten Eingangsgrößen begründet sind.
Für eine genaue Abschätzung der Unfallparameter werden Beschleunigungs- und Gierratensignale des Fahrzeugs benötigt, die mithilfe von FE-Gesamtfahrzeugsimulationen gewonnen werden. Sowohl die Beschleunigungs- als auch die Gierratensignale erfahren im Anschluss eine Wavelettransformation. Zudem wird der Betrag der Wavelettransformierten im Zeit- und im Frequenzbereich diskretisiert. Dies ist notwendig, um wesentliche Informationen in einer geeigneten Form aus den Signalen ziehen zu können, damit diese als Eingangsparameter für künstliche neuronale Netze nutzbar sind. Mithilfe der künstlichen neuronalen Netze erfolgt die Abschätzung der wesentlichen bereits oben genannten Unfallparameter. Zudem können diese Unfallparameter nach einem erfolgreichen Training eines künstlichen neuronalen Netzes auch für unbekannte Unfallszenarien bestimmt werden, wobei die äußeren Grenzen der Trainingsmenge einzuhalten sind.
Aufgrund der frühzeitigen Unfallparameterabschätzungen ist eine Anpassung der Auslösealgorithmen der Rückhaltesysteme möglich. Der bedarfsgerechte Einsatz von Rückhaltesystemen in einem Unfallszenario könnte dadurch zu einer erheblichen Verringerung der Verletzungsschwere führen.
Die Untersuchungen in dieser Arbeit beziehen sich ausschließlich auf Kollisionen mit einem Pfahlhindernis, welches sich frontal vor dem Fahrzeug befindet. Die erzielten Ergebnisse sind insbesondere bei der Abschätzung der Aufprallgeschwindigkeit in Fahrzeuglängsrichtung und der Pfahlpositionen sehr genau. Zudem besitzt die Methode ein sehr stabiles Verhalten bezüglich Gewichtsänderungen am Fahrzeug im gesamten zulässigen Gewichtsbereich. Auch auf erhebliche Größenänderungen des Pfahldurchmessers kann ein künstliches neuronales Netz durch ein entsprechendes Training angepasst werden, sodass auch in diesen Unfallszenarien genaue Abschätzungen möglich sind. Zuletzt wird in der Arbeit dargelegt, dass die guten Ergebnisse nicht auf Zufälligkeiten beruhen, sondern in den charakteristischen Eigenschaften der verwendeten Eingangsgrößen begründet sind.