Identifying customer usage profiles of two-wheeled vehicles
| dc.contributor.author | Gorges, Christian | |
| dc.contributor.grantor | Technische Universität Berlin | en |
| dc.contributor.referee | Liebich, Robert | |
| dc.contributor.referee | Schramm, Dieter | |
| dc.date.accepted | 2018-11-19 | |
| dc.date.accessioned | 2018-12-20T13:45:12Z | |
| dc.date.available | 2018-12-20T13:45:12Z | |
| dc.date.issued | 2018 | |
| dc.description.abstract | This cumulative PhD thesis shows the development of methods for identifying customer usage profiles of two-wheeled vehicles utilising the vehicle’s onboard sensors. It comprises three papers that have been published to relevant journals. At present, regarding the automotive industry, customer usage profiles are mostly unknown in durability engineering and the vehicle development process. The detailed knowledge about this crowd-sourced data would improve vehicle design targets and enable a virtual load acquisition. Therefore, it is desirable to identify customer usage and customer loads for every vehicle. The first paper presents a model-based customer load acquisition system that calculates the occurring wheel forces. Therefore, the current road slope and the vehicle mass are estimated using a Kalman filter. The resulting wheel forces are subsequently counted with the rainflow method. The validation was achieved by the comparison of measurements with wheel-load transducers. The second publication presents a three-part road classification system: first, a curve estimator was developed for identifying and classifying road curves; second, the road slope was utilised for counting the hilliness of a given road; and third, a modular road profile estimator was developed for classifying the road roughness according to ISO 8608. The approach uses the vehicle’s transfer functions to estimate the road excitation from the resultant vehicle motions. The third publication experimentally validates the road roughness classification method by comparing the results to laser- scanned road profiles. The comparison shows that even rough roads are detected correctly within a short time span. In addition, an impact detection strategy was developed using a supervised machine learning approach. A study of the six most popular classification algorithms was achieved for detecting mild and severe special events. The combination of the road roughness classification method and the impact detection strategy enables a holistic field-data acquisition of customer usage profiles. The methods presented are discussed in the context of the digital transformation and the increasing value of data. | en |
| dc.description.abstract | Die vorliegende kumulative Dissertation zeigt die Entwicklung von Methoden zur Identifizierung der Kundennutzungsprofile von Motorrädern unter Nutzung der vorhandenen Onboard-Signale der serienmäßig verbauten Sensorik. Die Arbeit besteht aus drei Veröffentlichungen, welche in einschlägigen Fachzeitschriften veröffentlicht wurden. In der Betriebsfestigkeit und im Produktentstehungsprozess sind Kundennutzungsprofile weitgehend unbekannt bzw. nicht aufgezeichnet. Eine detaillierte Betrachtung dieser Felddaten würde die Lastannahmen validieren und die Fahrzeugentwicklung verbessern. Es ist daher erstrebenswert, Kundennutzungsprofile von allen Fahrzeugen zu erfassen und für die Entwicklung einzusetzen. Die erste Publikation stellt eine modellbasierte Radkraftberechnung vor. Dafür wurde die aktuelle Steigung der Fahrbahn und die Gesamtmasse des Fahrzeugs mit Hilfe eines Kalman-Filters geschätzt. Die berechneten Radkräfte werden mittels der Rainflow-Zählung klassiert. Eine Validierung wurde mit Hilfe von Radmessnaben durchgeführt. Die zweite Veröffentlichung beschreibt eine dreiteilige Streckenprofil-Klassierung. Zuerst wurde ein Klassierungsverfahren für die Kurvigkeit einer Strecke entwickelt. Anschließend wurde die Steigung der Fahrbahn zur Klassierung der Hügeligkeit verwendet. Abschließend wurde ein modulares System zur Klassierung der Streckenrauheit nach ISO 8608 entwickelt. Die vorgestellte Methode verwendet die Übertragungsfunktionen des Fahrzeugs, um mit Hilfe der resultierenden Bewegungen auf die Unebenheiten der Strecke zu schließen. Die dritte Publikation zeigt die experimentelle Validierung der Klassierung der Streckenrauheit durch den Vergleich mit ausgesuchten, laservermessenen Streckenprofilen. Zusätzlich wurde ein Machine Learning Ansatz verwendet, um milde und schädliche Sonderereignisse zu detektieren. Die Kombination aus Rauheitsklassierung und Detektion von Sonderereignissen, wie z.B. Hindernisüberfahrt, ermöglicht eine ganzheitliche Erfassung von Kundennutzungsprofilen. Die vorgestellten Methoden wurden abschließend in den Kontext der digitalen Transformation und der steigenden Bedeutung von Daten gesetzt. | de |
| dc.identifier.uri | https://depositonce.tu-berlin.de/handle/11303/8545 | |
| dc.identifier.uri | http://dx.doi.org/10.14279/depositonce-7679 | |
| dc.language.iso | en | en |
| dc.relation.haspart | 10.14279/depositonce-8143 | |
| dc.relation.haspart | 10.14279/depositonce-8144 | |
| dc.relation.haspart | 10.14279/depositonce-8145 | |
| dc.rights.uri | http://rightsstatements.org/vocab/InC/1.0/ | en |
| dc.subject.ddc | 620 Ingenieurwissenschaften und zugeordnete Tätigkeiten | de |
| dc.subject.other | customer usage profiles | en |
| dc.subject.other | road classification | en |
| dc.subject.other | road profile estimation | en |
| dc.subject.other | ISO 8608 | en |
| dc.subject.other | motorcycle dynamics | en |
| dc.subject.other | Kundennutzungsprofile | de |
| dc.subject.other | Streckenklassierung | de |
| dc.subject.other | Streckenrauheitbestimmung | de |
| dc.subject.other | Motorraddynamik | de |
| dc.title | Identifying customer usage profiles of two-wheeled vehicles | en |
| dc.title.translated | Identifizierung von Kundennutzungsprofilen von Motorrädern | de |
| dc.type | Doctoral Thesis | en |
| dc.type.version | acceptedVersion | en |
| tub.accessrights.dnb | domain | en |
| tub.affiliation | Fak. 5 Verkehrs- und Maschinensysteme::Inst. Maschinenkonstruktion und Systemtechnik | de |
| tub.affiliation.faculty | Fak. 5 Verkehrs- und Maschinensysteme | de |
| tub.affiliation.institute | Inst. Maschinenkonstruktion und Systemtechnik | de |
| tub.publisher.universityorinstitution | Technische Universität Berlin | en |