Eine große Herausforderung beim autonomen Fahren ist die Übertragung der Verantwortung für die Zustandsüberwachung vom Fahrer auf ein Computersystem. Weil Fahrwerkskomponenten maßgeblich die Fahrzeugstabilität beeinflussen, ist deren Überwachung und die Diagnose etwaiger Defekte wichtig und Voraussetzung für die höchsten Automationsstufen. Die hohe Datenverfügbarkeit in modernen Autos sowie aktuelle Trends im Bereich des maschinellen Lernens ermöglichen eine datenbasierte Fehlererkennung von Fahrwerkskomponenten. Anstatt in fehleranfälliger, manueller Arbeit aus den Daten Merkmale für die Fehlererkennung zu extrahieren, kann diese Aufgabe durch Convolutional Neural Networks (CNN) übernommen werden. Diese Arbeit untersucht daher den Einsatz sowie Einflussfaktoren von CNN zur automatisierten Diagnose von Fahrwerkskomponenten am Beispiel von Schwingungsdämpfern. Es wird gezeigt, dass CNN für die Aufgabe geeignet sind und bessere Ergebnisse erreichen als ein System mit manuell extrahierten Merkmalen.     «

Eine große Herausforderung beim autonomen Fahren ist die Übertragung der Verantwortung für die Zustandsüberwachung vom Fahrer auf ein Computersystem. Weil Fahrwerkskomponenten maßgeblich die Fahrzeugstabilität beeinflussen, ist deren Überwachung und die Diagnose etwaiger Defekte wichtig und Voraussetzung für die höchsten Automationsstufen. Die hohe Datenverfügbarkeit in modernen Autos sowie aktuelle Trends im Bereich des maschinellen Lernens ermöglichen eine datenbasierte Fehlererkennung von Fah...     »

Autonomous Driving evolves from future vision to reality. One major challenge is transitioning the driver’s responsibility for condition monitoring to an automated system which keeps track of the system’s health. Chassis components have a huge impact on the vehicle’s stability. Therefore, monitoring and diagnosing any defects is a prerequisite for automation levels 4 to 5. We observe increased data availability in modern vehicles as well as advances in the field of machine learning. Many data-driven fault detection and isolation (FDI) systems use machine learning algorithms with hand-crafted features. Instead, Convolutional Neural Networks (CNN) can replace the cumbersome and error-prone process of feature engineering. This thesis investigates the general applicability and influencing factors of CNN for the automated diagnosis of chassis components, i.e. dampers. It is shown that CNN can replace feature engineering with their feature learning capabilities. Additionally, the proposed approach shows improved fault classification results.     «

Autonomous Driving evolves from future vision to reality. One major challenge is transitioning the driver’s responsibility for condition monitoring to an automated system which keeps track of the system’s health. Chassis components have a huge impact on the vehicle’s stability. Therefore, monitoring and diagnosing any defects is a prerequisite for automation levels 4 to 5. We observe increased data availability in modern vehicles as well as advances in the field of machine learning. Many data-dr...     »