Bitte wählen Sie ihr Lieferland und ihre Kundengruppe
Die Arbeit befasst sich mit der Prädiktion energetisch relevanter Größen (z.B. Fahrzeuggeschwindigkeit, Antriebsleistung) im Kraftfahrzeug entlang der vorausliegenden Fahrstrecke. Anstelle der Verwendung einer digitalen Karte wird hier ein System vorgestellt, welches die gewünschte Größe während der Fahrt ständig erfasst und somit nach mehreren Erfahrungen den Verlauf der Größe entlang der Strecke erlernt. Auf Basis dieses gelernten Wissens wird beim erneu ten Befahren eine stochastisch optimale Prädiktion der Größe erstellt. Da die Prädiktion verschiedenen Unsicherheiten unterliegt, wird außerdem ein Gütemaß berechnet, das die Verlässlichkeit der Prädiktion quantifiziert. Ferner besitzt das System Mechanismen zur Erkennung und Behandlung veralteten Wissens. Zwei mögliche Anwendungen werden näher betrachtet: Durch Lernen des Energieverbrauchs entlang der Strecke kann eine Reichweitenprädiktion realisiert werden. Das Gütemaß gibt dabei den Schwankungsbereich einer konkreten Prädiktion an. Ferner ermöglicht die Prädiktion der Geschwindigkeit und der Antriebskraft eine verbrauchsoptimierte vorausschauende Betriebsstrategie für Hybridfahrzeuge. Zur Bewertung und Überprüfung der vorgestellten Methoden wurden Monte-Carlo-Simulationen basierend auf repräsentativen Messfahrtenstudien durchgeführt.
This thesis deals with the prediction of energetically relevant physical quantities (e.g., vehicle speed, propulsion power) m a motor vehicle along the route ahead. Instead of using a digital map, a system is presented here which measures the desired quantity all along the way and thus learns the progression of the quantity along the route after several trips. Based on this acquired knowledge, a stochastically optimal prediction of the quantity is generated for the coming trip. As the prediction is subject to several uncertainties, additionally a quality measure is computed which quantifies the reliability of the prediction. Moreover, the system is able to identify and deal with out-dated knowledge. Two possible applications arc examined: By learning the energy consumption along the route the remaining range of a vehicle can be predicted, and the quality measure indicates the possible variation in the predicted range. Furthermore, the prediction of vehicle speed and propulsion force allows the realization of a consumption-optimized predictive operational strategy for hybrid vehicles. The proposed methods have been evaluated and assessed by using Monte Carlo simulations based on representative real-world driving cycle measurements.