Welcome to our book review site go-pdf.online!
You may have to Search all our reviewed books and magazines, click the sign up button below to create a free account.
Enhanced Machine Learning and Data Mining Methods for Analysing Large Hybrid Electric Vehicle Fleets based on Load Spectrum Data
Philipp Bergmeir works on the development and enhancement of data mining and machine learning methods with the aim of analysing automatically huge amounts of load spectrum data that are recorded for large hybrid electric vehicle fleets. In particular, he presents new approaches for uncovering and describing stress and usage patterns that are related to failures of selected components of the hybrid power-train.
Method for High-Efficiency Data Compression and Transmission of Vehicle Measurement Data Through Mobile Internet
Lorenz Georg Görne presents a method (PrOComp) for optimal usage of the transmission path between the vehicle and the data backend. The compression ratio of vehicle measurement data could be improved from roughly a factor of ten in conventional methods, to up to 27. The method allows vehicle measurement data to be transmitted optimally in terms of data volume via the mobile internet and via traditional transmission routes. Through the PrOComp method, real-time data analysis over the mobile internet is feasible, as well as the collection of big data in the field. This enables key features like predictive maintenance, reactive event evaluation (for example crash events) or fast generation of AI training data. Through the usage of standardized interfaces and data formats, PrOComp can be adapted to the needs of many industry branches that feature field data collection.
Untersuchungen zur kraftstoffoptimalen Betriebsweise von Parallelhybridfahrzeugen und darauf basierende Auslegung regelbasierter Betriebsstrategien
Daniel Görke befasst sich mit der wirkungsgradoptimalen Lastpunktverschiebung und den Betriebsbereichen einer effizienten elektrischen Fahrt von Parallelhybridfahrzeugen. Die Untersuchungen führen den Autor zu Zusammenhängen, anhand derer sich die Lastpunktverschiebung und die Grenze der elektrischen Fahrt im kraftstoffoptimalen Fall beschreiben lassen. Mit den hergeleiteten Zusammenhängen können regelbasierte Betriebsstrategien so ausgelegt werden, dass die Entscheidungen stets optimal hinsichtlich des Gesamtkraftstoffverbrauchs getroffen werden. Hierdurch werden mit dem vorgestellten Ansatz zur Auslegung regelbasierter Betriebsstrategien Ergebnisse erzielt, die bisher nur mit optimierungsbasierten Betriebsstrategien möglich waren.
Methodik zur proaktiven Integration von Data Analytics in die Serienfertigung
Im Rahmen dieser Arbeit wurde eine Methodik zur proaktiven Integration von Data Analytics in die Serienfertigung entwickelt. Diese Methodik gewährleistet ein Vorgehen, das die Identifikation und Priorisierung einer nutzenbringenden Auswahl an Data Analytics Anwendungsfällen während der frühen Phase der Entwicklung des Fertigungssystems ermöglicht und deren skalierbare Umsetzung bis zur Serienreife mit Hilfe einer geeigneten IT-Architektur unterstützt.
Generierung von Prüfzyklen aus Flottendaten mittels bestärkenden Lernens
André Ebel wertet Flottendaten eines batterieelektrischen Fahrzeuges hinsichtlich Fehlerbedingungen aus und generiert daraus unter Verwendung einer Gesamtfahrzeugsimulationsumgebung repräsentative Prüfzyklen zur zeitlichen Rekonstruktion der Fehlerbedingungen. Anhand der Flottendatenauswertung mit Methoden des Maschinellen Lernens identifiziert der Autor das schädigende Nutzungsverhalten fehlerhafter Fahrzeuge. Zur Generierung von kundennahen Prüfzyklen setzt er das tiefe Q-Lernen ein, ein Verfahren des bestärkenden Lernens. Die Kombination der Flottendatenauswertung mit der Prüfzyklengenerierung trägt zur zielgerichteten und realitätsnahen Erprobung von Antriebssträngen bei.
Neural Information Processing
The two-volume set CCIS 1142 and 1143 constitutes thoroughly refereed contributions presented at the 26th International Conference on Neural Information Processing, ICONIP 2019, held in Sydney, Australia, in December 2019. For ICONIP 2019 a total of 345 papers was carefully reviewed and selected for publication out of 645 submissions. The 168 papers included in this volume set were organized in topical sections as follows: adversarial networks and learning; convolutional neural networks; deep neural networks; embeddings and feature fusion; human centred computing; human centred computing and medicine; human centred computing for emotion; hybrid models; image processing by neural techniques; learning from incomplete data; model compression and optimization; neural network applications; neural network models; semantic and graph based approaches; social network computing; spiking neuron and related models; text computing using neural techniques; time-series and related models; and unsupervised neural models.
