Entwicklung eines Machine-Learning-basierten Herstelleragenten zur Bewertung batterieelektrischer Fahrzeugtechnologien

Kurzfassung

Die vorliegende Masterarbeit beschäftigt sich mit der Entwicklung eines Machine-Learning-basierten Bewertungsalgorithmus zur Beurteilung der Markttauglichkeit und Realisierbarkeit batterieelektrischer Fahrzeugtechnologien. Ziel der Arbeit ist es, die Markteintrittswahrscheinlichkeit zukünftiger Fahrzeugkonzepte unter Berücksichtigung technischer und wirtschaftlicher Faktoren zu prognostizieren. Dazu werden historische Fahrzeugmodelle analysiert, die als Datengrundlage für die entwickelten Modelle dienen. In der Analyse werden verschiedene Fahrzeugparameter wie Batteriekapazität, Reichweite, Leergewicht und Kosten berücksichtigt. Die Fahrzeugtechnologien und deren wichtigste Leistungs- und Kostenparameter werden anhand einer umfassenden Literaturrecherche identifiziert und kategorisiert und in einer Technologiedatenbank zusammengetragen, die als Grundlage für eine automatisierte Auslegung und Dimensionierung zukünftig möglicher Fahrzeugkonzepte genutzt wird. Das Technologieportfolio umfasst dabei aktuelle und zukünftige Technologien und setzt den Fokus auf die Traktionsbatterie aufgrund des großen Einflusses auf die Gesamtkosten und die technischen Eigenschaften eines Fahrzeugs. Ein Regressionsmodell wird entwickelt, um die zeitliche Entwicklung der Leistungsfaktoren zu modellieren. Diese Erkenntnisse werden genutzt, um die Machine-Learning-basierten Modelle zu trainieren, die die Markttauglichkeit spezifischer Fahrzeugkonzepte bewerten. Diese Modelle werden validiert, indem sie mit aktuellen und angekündigten Fahrzeugmodellen sowie mit den aktuellen Herstellerstrategien verglichen werden. Die Ergebnisse zeigen, dass bestimmte technische Merkmale, insbesondere die Reichweite und der Kostenfaktor, signifikante Indikatoren für die prognostizierte Markteintrittswahrscheinlichkeit und die Zuordnung der Herstellergruppe neuer Fahrzeugkonzepte sind. Diese Arbeit leistet somit einen wichtigen Beitrag zur technisch-ökonomischen Bewertung zukünftiger Fahrzeugtechnologien und zeigt auf, wie maschinelles Lernen zur Optimierung der Fahrzeugentwicklung eingesetzt werden kann.