Zusammenfassung
Während neue generative Methoden (z. B. ChatGPT) der künstlichen Intelligenz (KI) seit Beginn 2023 der breiten Bevölkerung zugänglich und bekannt sind, steckt das datenbasierte oder gar datenzentrierte Ingenieurwesen größtenteils noch in den Kinderschuhen. Dieser Übersichtsartikel beleuchtet einige KI-Ansätze für die Anwendung während der Entwicklung und des Betriebs von (Kfz-) Reibungsbremsen. Die steigenden gesetzlichen Anforderungen an Partikel-Emissionen, die fortschreitende Elektrifizierung sowie grundlegend neue Fahrzeug- und Betriebskonzepte stellen die Entwicklung von Reibungsbremsen vor neue Herausforderungen. An dieser Stelle können datenbasierte Methoden, neue Entscheidungsprozesse und generell der Einsatz von Künstlicher Intelligenz in Zukunft bedeutende Potenziale entfalten. Dieser Beitrag widmet sich einigen vielversprechenden Anwendungen von KI-Methoden im Umfeld der Bremsenentwicklung, beleuchtet die Anforderungen an die Datenhaltung und gibt einen Ausblick auf die Bedeutung von KI-Methoden im Kontext von Trends in der Automobilbranche. Da erfolgreiche (und vor allem öffentlich zugängliche) Nutzungsszenarien selten sind, erhebt dieser Übersichtsbeitrag keinen Anspruch auf Vollständigkeit hinsichtlich der heutigen Nutzung von KI-Methoden in der Radbremsenentwicklung.
This is a preview of subscription content, log in via an institution to check access.
Access this chapter
Tax calculation will be finalised at checkout
Purchases are for personal use only
Similar content being viewed by others
Literatur
Hornik, K. et al.: Multilayer Feedforward Networks are Universal Approximators. Neural Networks 2, 359–366 (1989)
Stender, M. et al.: Deep Learning for Brake Squeal: Brake Noise Detection, Characterization and Prediction. Mechanical Systems and Signal Processing 149 (2021)
von Wagner, U. et al.: Minimal Models for Disk Brake Squeal. Journal of Sound and Vibration 302, 527–539 (2007)
Massi, F. et al.: Brake Squeal: Linear and Nonlinear Numerical Approaches. Mechanical Systems and Signal Processing 21, 2374–2393 (2007)
Sinou, J.: Transient non-linear dynamic analysis of automotive disc brake squeal – On the need to consider both stability and non-linear analysis. Mechanics Research Communications 37, 96–105 (2010)
Geier, C. et al.: Machine learning-based state maps for complex dynamical systems: applications to friction-excited brake system vibrations. Nonlinear Dynamics (2023)
Vater, K.: Towards neural network-based numerical friction models. Proceedings in Applied Mathematics and Mechanics 22 (2023)
Steffan, J. et al.: Prediction of Brake Pad Wear Using Various Machine Learning Algorithms. Recent Trends in Design, Materials and Manufacturing, 529–543 (2022)
Alamelu Manghai, T. et al.: Vibration based real time brake health monitoring system – A machine learning approach. IOP Conference Series: Materials Science and Engineering 624 (2019)
Dynamics Group (Hamburg University of Technology) Homepage, https://cgi.tu-harburg.de/~dynwww/cgi-bin/research/projects/pi-cube-ai-based-emission-reduction-of-electric-vehicle-braking-systems
Author information
Authors and Affiliations
Corresponding author
Editor information
Editors and Affiliations
Rights and permissions
Copyright information
© 2023 Der/die Autor(en), exklusiv lizenziert an Springer-Verlag GmbH, DE, ein Teil von Springer Nature
About this paper
Cite this paper
Stender, M. (2023). Künstliche Intelligenz für Reibungsbremsen: Anwendungen und Potenziale. In: Mayer, R. (eds) XL. Internationales μ-Symposium 2023 Bremsen-Fachtagung. IµSBC 2023. Proceedings. Springer Vieweg, Berlin, Heidelberg. https://doi.org/10.1007/978-3-662-68167-1_6
Download citation
DOI: https://doi.org/10.1007/978-3-662-68167-1_6
Published:
Publisher Name: Springer Vieweg, Berlin, Heidelberg
Print ISBN: 978-3-662-68166-4
Online ISBN: 978-3-662-68167-1
eBook Packages: Computer Science and Engineering (German Language)