Im Rahmen einer Kooperation mit dem Startup COMPREDICT werden datengetriebene Methoden untersucht, um den Restwert von Gebrauchtwagenkomponenten objektiv zu bewerten. Im Rahmen dieser Arbeit soll eine auf Flottendaten und Betriebsfestigkeitsinformationen basierende Methode erweitert werden. Insbesondere sollen Aspekte wie Marktspezifitäten und Kundenakzeptanz betrachtet werden.

Motivation:

Predictive maintenance techniques are applied to help determine the condition of in-service equipment in order to estimate when maintenance should be performed. This approach promises cost savings over routine or time-based preventive maintenance, because tasks are performed only when warranted. Thus, it is regarded as condition-based maintenance carried out as suggested by estimations of the degradation state of an item. In the framework of this study, the Predictive maintenance techniques should be designed and applied in a Dual Clutch Transmission(DCT).

Am IMS werden Längsdynamikregelungen entwickelt, die eine teilautonome Fahrzeugbewegung ermöglichen sollen. Durch steigende Fahrzeugvernetzung und eine Selbstlernfähigkeit mit Maschinellem Lernen können intelligente Systeme entstehen, die Kriterien wie die Effizienz oder den Komfort des Fahrzeugs weiter steigern. Durch den Einsatz dieser neuen Methoden entstehen jedoch auch neue Anforderungen an die funktionale Sicherheit der Systeme im Kontext einer gewünschten technischen Resilienz. Im Rahmen dieses ARPs soll ein Überblick über sicherheitsbezogene Ansätze erarbeitet werden und ein eigenes Konzept für diesen Anwendungsfall abgeleitet werden.

Am Institut für mechatronische Systeme im Maschinenbau werden selbstlernende Regelungsalgorithmen für die Fahrzeuglängsdynamik entwickelt, die eine intelligente, teilautonome Fahrzeugbewegung ermöglichen sollen. Mit Hilfe eines Prädiktionsmodells für die Fahrzeuglängsdynamik können neben aktuellen Informationen auch zukünftige Informationen über einem Prädiktionshorizont für die vorausschauende Regelung genutzt werden. In Vorarbeiten ist ein Prädiktionsmodell auf Basis von Maschinellen Lernens entstanden. Das Modell wird dabei mit Daten trainiert, die in Verkehrssimulationen gewonnen werden. Im Rahmen dieser Arbeit soll dieses Modell weiterentwickelt werden, um die Vorhersagegenauigkeit zu erhöhen.