Im Rahmen der Arbeit wird eine Methode zur Klassifizierung von Unfallszenarien entwickelt
wobei es sich bei den Unfällen um Pfahlkollisionen handelt. Die Klassifizierung eines
Unfallszenarios erfolgt durch die Abschätzung der bevorstehenden
Fahrzeuggeschwindigkeitsänderungen in Fahrzeuglängs- und Fahrzeugquerrichtung sowie der
Positionsabschätzung des Pfahls. Zudem ist eine genaue Abschätzung der genannten
Unfallparameter bereits 10 ms nach dem Pfahlaufprall möglich. Für eine genaue Abschätzung der
Unfallparameter werden Beschleunigungs- und Gierratensignale des Fahrzeugs benötigt 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
können damit diese als Eingangsparameter für künstliche neuronale Netze nutzbar sind. Mithilfe
der künstlichen neuronalen Netze erfolgt die Abschätzung der wesentlichen bereits oben
genannten Unfallparameter. Zudem können diese Unfallparameter nach einem erfolgreichen Training
eines künstlichen neuronalen Netzes auch für unbekannte Unfallszenarien bestimmt werden wobei
die äußeren Grenzen der Trainingsmenge einzuhalten sind. Aufgrund der frühzeitigen
Unfallparameterabschätzungen ist eine Anpassung der Auslösealgorithmen der Rückhaltesysteme
möglich. Der bedarfsgerechte Einsatz von Rückhaltesystemen in einem Unfallszenario könnte
dadurch zu einer erheblichen Verringerung der Verletzungsschwere führen. Die Untersuchungen in
dieser Arbeit beziehen sich ausschließlich auf Kollisionen mit einem Pfahlhindernis welches
sich frontal vor dem Fahrzeug befindet. Die erzielten Ergebnisse sind insbesondere bei der
Abschätzung der Aufprallgeschwindigkeit in Fahrzeuglängsrichtung und der Pfahlpositionen sehr
genau. Zudem besitzt die Methode ein sehr stabiles Verhalten bezüglich Gewichtsänderungen am
Fahrzeug im gesamten zulässigen Gewichtsbereich. Auch auf erhebliche Größenänderungen des
Pfahldurchmessers kann ein künstliches neuronales Netz durch ein entsprechendes Training
angepasst werden sodass auch in diesen Unfallszenarien genaue Abschätzungen möglich sind.
Zuletzt wird in der Arbeit dargelegt dass die guten Ergebnisse nicht auf Zufälligkeiten
beruhen sondern in den charakteristischen Eigenschaften der verwendeten Eingangsgrößen
begründet sind.
