Uncertainty Quantification in Vehicle Velocity Simulations

Um zuverlässige Automobilkomponenten ressourceneffizient zu gestalten, ist es unerlässlich, die während des Betriebs zu erwartenden Belastungen zu kennen. In den frühen Entwicklungsphasen ist eine virtuelle Lastgenerierung notwendig, um diese Belastungen effizient und realistisch abzuleiten. Da viele dieser Belastungen von den gefahrenen Geschwindigkeiten des Fahrzeugs abhängen, ist die Bestimmung charakteristischer Geschwindigkeitsprofile für verschiedene Fahrzeugtypen und Fahrweisen wesentlich für die zuverlässigkeitsbasierte Konstruktion in der Automobilindustrie.

... mehr
Diese Arbeit stellt neue Methoden zur Simulation von Geschwindigkeitsprofilen vor und wendet Methoden der Uncertainty Quantification (UQ) an, um Unsicherheiten in den simulierten Geschwindigkeiten in Bezug auf die Komponentenlasten zu berücksichtigen. Geschwindigkeitsmessungen von verschiedenen Fahrzeugen und Fahrern auf mehreren Routen werden analysiert und die statistischen Eigenschaften von Geschwindigkeitsfluktuationen untersucht. Es wird gezeigt, dass diese Fluktuationen durch einen stochastischen Prozess beschrieben werden können, der an die gemessenen Eigenschaften angepasst ist. Zusätzlich wird Floating Car Data (FCD) analysiert, um den Einfluss des Verkehrs auf Autobahnen zu modellieren, wobei zeitliche und örtliche Abhängigkeiten des Verkehrs berücksichtigt werden, um Staus realistisch zu beschreiben.

Die Verbesserungen in der Geschwindigkeitssimulation führen zu einem stochastischen Modellierungsansatz, der in der Lage ist, charakteristische Geschwindigkeitsprofile für verschiedene Straßentypen, Fahrer und Fahrzeuge zu simulieren. Die abgeleiteten Geschwindigkeiten und Lasten unterliegen verschiedenen Unsicherheiten. Um dies zu adressieren, wird ein Bayessches UQ Framework vorgestellt, das Eingabeparameter als Zufallsvariablen modelliert und so den Umgang mit Unsicherheiten ermöglicht. Generalized Lambda Models (GLaMs) werden angewendet, um stochastische Surrogatmodelle für die Geschwindigkeitssimulation zu erstellen, die eine globale Sensitivitätsanalyse und Bayessche Parameterinferenz ermöglichen, um gültige Beschreibungen von Geschwindigkeits- und Lastunsicherheiten zu erhalten.

To design reliable automotive components in a resource-efficient manner, it is essential to understand the loads expected during operation. During the early stages of development, virtual load generation is necessary to derive these loads efficiently and realistically. Since many of these loads depend on the driven velocities of the vehicle, determining characteristic velocity profiles for different vehicle types and driving behaviors is essential for reliability-based design in the automotive industry.

This work presents new methods for simulating velocity profiles and applies Uncertainty Quantification (UQ) methods to account for uncertainties in simulated velocities with respect to the component loads. ... mehrWe analyze velocity measurements from various vehicles and drivers on multiple routes, investigating the statistical properties of velocity fluctuations. We demonstrate that these fluctuations can be described by a stochastic process tailored to the measured properties. Additionally, we analyze Floating car data (FCD) to model traffic influences on motorways, considering time and location dependencies of traffic to describe congestion realistically.

The improvements in velocity simulation lead to a comprehensive stochastic modeling approach, capable of simulating characteristic velocity profiles for diverse road types, drivers, and vehicles. The derived velocities and loads are subject to various uncertainties. To address this, we propose a Bayesian UQ framework that models input parameters as random variables, enabling the handling of uncertainties. We apply Generalized Lambda Models (GLaMs) to create stochastic surrogate models for the velocity simulation, enabling global sensitivity analysis and Bayesian parameter inference to provide valid descriptions of velocity and load uncertainties.