Methode zur Klassifizierung von Unfallszenarien mithilfe von FE-Gesamtfahrzeugsimulationen, Wavelettransformierten und kunstlichen neuronalen Netzen

Im Rahmen der Arbeit wird eine Methode zur Klassifizierung von Unfallszenarien entwickelt, wobei es sich bei den Unfallen um Pfahlkollisionen handelt. Die Klassifizierung eines Unfallszenarios erfolgt durch die Abschatzung der bevorstehenden Fahrzeuggeschwindigkeitsanderungen in Fahrzeuglangs- und Fahrzeugquerrichtung sowie der Positionsabschatzung des Pfahls. Zudem ist eine genaue Abschatzung der genannten Unfallparameter bereits 10 ms nach dem Pfahlaufprall moglich. Fr eine genaue Abschtzung der Unfallparameter werden Beschleunigungs- und Gierratensignale des Fahrzeugs bentigt, die mithilfe von FE-Gesamtfahrzeugsimulationen gewonnen werden. Sowohl die Beschleunigungs- als auch die Gierratensignale erfahren im Anschluss eine Wavelettransformation. Zudem wird der Betrag der Wavelettransformierten im Zeit- und im Frequenzbereich diskretisiert. Dies ist notwendig, um wesentliche Informationen in einer geeigneten Form aus den Signalen ziehen zu knnen, damit diese als Eingangsparameter fr knstliche neuronale Netze nutzbar sind. Mithilfe der knstlichen neuronalen Netze erfolgt die Abschtzung der wesentlichen bereits oben genannten Unfallparameter. Zudem knnen diese Unfallparameter nach einem erfolgreichen Training eines knstlichen neuronalen Netzes auch fr unbekannte Unfallszenarien bestimmt werden, wobei die ueren Grenzen der Trainingsmenge einzuhalten sind. Aufgrund der frhzeitigen Unfallparameterabschtzungen ist eine Anpassung der Auslsealgorithmen der Rckhaltesysteme mglich. Der bedarfsgerechte Einsatz von Rckhaltesystemen in einem Unfallszenario knnte dadurch zu einer erheblichen Verringerung der Verletzungsschwere fhren. Die Untersuchungen in dieser Arbeit beziehen sich ausschlielich auf Kollisionen mit einem Pfahlhindernis, welches sich frontal vor dem Fahrzeug befindet. Die erzielten Ergebnisse sind insbesondere bei der Abschtzung der Aufprallgeschwindigkeit in Fahrzeuglngsrichtung und der Pfahlpositionen sehr genau. Zudem besitzt die Methode ein sehr stabiles Verhalten bezglich Gewichtsnderungen am Fahrzeug im gesamten zulssigen Gewichtsbereich. Auch auf erhebliche Grennderungen des Pfahldurchmessers kann ein knstliches neuronales Netz durch ein entsprechendes Training angepasst werden, sodass auch in diesen Unfallszenarien genaue Abschtzungen mglich sind. Zuletzt wird in der Arbeit dargelegt, dass die guten Ergebnisse nicht auf Zuflligkeiten beruhen, sondern in den charakteristischen Eigenschaften der verwendeten Eingangsgren begrndet sind.