Generierung von Prüfzyklen aus Flottendaten mittels bestärkenden Lernens

Andr? Ebel wertet Flottendaten eines batterieelektrischen Fahrzeuges hinsichtlich Fehlerbedingungen aus und generiert daraus unter Verwendung einer Gesamtfahrzeugsimulationsumgebung repr?sentative Pr?fzyklen zur zeitlichen Rekonstruktion der Fehlerbedingungen. Anhand der Flottendatenauswertung mit Methoden des Maschinellen Lernens identifiziert der Autor das sch?digende Nutzungsverhalten fehlerhafter Fahrzeuge. Zur Generierung von kundennahen Pr?fzyklen setzt er das tiefe Q-Lernen ein, ein Verfahren des best?rkenden Lernens. Die Kombination der Flottendatenauswertung mit der Pr?fzyklengenerierung tr?gt zur zielgerichteten und realit?tsnahen Erprobung von Antriebsstr?ngen bei.