Zugl.: Darmstadt, Techn. University, Diss.

Bachelor-Arbeit Univ. St. Gallen, 2006.

Master-Arbeit Univ. St. Gallen, 2006.

Zugl.: Paderborn, Univ., Diss., 2006

In practical laboratory classes students traditionally receive data by reading from a measurement device (ruler, clock, voltmeter, etc.) or digitally as files in exchange formats such as CSV (comma separated value). In many cases these data have to be processed later using non-linear regression, here referred to as curve fitting. Therefore, analog data first have to be digitalised and imported to a data analysis and visualisation program, which is often commercial and requires installation. In this paper we present an alternative concept fusing open-source community tools into a single page web application facilitating data acquisition, visualisation, analysis via non-linear regression and further post processing usable for error calculations. We demonstrate the e-learning potential of this web application accessible at curvefit.tu-chemnitz.de in the context of acquired data as typically obtained in physical laboratory classes from undergraduate studies. A prototype workflow for the topic 'specific electric resistance determination' is presented along with a technical description of the basic web technology used behind. Restrictions, such as limited portability or cumbersome ways to share results electronically between student and supervisor as occurring in traditional software applications are overcome by enabling export via URL. The discussion is complemented by thorough comparison of curve fitting web applications with focus on their capability to be adaptable to user-specific models (equations) as faced by (undergraduate) students in the context of their education in laboratory classes in natural and life sciences, such as physics, biology and chemistry.

In practical laboratory classes students traditionally receive data by reading from a measurement device (ruler, clock, voltmeter, etc.) or digitally as files in exchange formats such as CSV (comma separated value). In many cases these data have to be processed later using non-linear regression, here referred to as curve fitting. Therefore, analog data first have to be digitalised and imported to a data analysis and visualisation program, which is often commercial and requires installation. In this paper we present an alternative concept fusing open-source community tools into a single page web application facilitating data acquisition, visualisation, analysis via non-linear regression and further post processing usable for error calculations. We demonstrate the e-learning potential of this web application accessible at curvefit.tu-chemnitz.de in the context of acquired data as typically obtained in physical laboratory classes from undergraduate studies. A prototype workflow for the topic 'specific electric resistance determination' is presented along with a technical description of the basic web technology used behind. Restrictions, such as limited portability or cumbersome ways to share results electronically between student and supervisor as occurring in traditional software applications are overcome by enabling export via URL. The discussion is complemented by thorough comparison of curve fitting web applications with focus on their capability to be adaptable to user-specific models (equations) as faced by (undergraduate) students in the context of their education in laboratory classes in natural and life sciences, such as physics, biology and chemistry.

Das Interesse an einem wachsenden Radverkehrsaufkommen steigt immer weiter an. Verschiedene Konzepte und politische Unterstützungen fördern dabei die Stärkung des Radverkehrs, so auch die Landeshauptstadt Dresden. Neben dem Ausbau und einem erweiterten Angebot ist die Verkehrssicherung der Fahrradfahrer ein wichtiges und entwicklungsfähiges Themenfeld, um vermehrt Menschen einen Anreiz zu geben das Fahrrad vor anderen motorisierten Verkehrsmitteln zu bevorzugen. Dabei ist das Ziel dieser Arbeit einen Überblick über die Entwicklung der Fahrradunfälle im Stadtgebiet Dresden von 2008 bis 2016 zu geben und ausschlaggebende Einflussvariablen zu analysieren. Als Datengrundlage für die deskriptiven Analysen der Entwicklungen verschiedener Unfallvariablen dienen die polizeilich erfassten Daten aus der elektronischen Unfalltypensteckkarte EUSka. Neben den verschiedenen Erkenntnissen der Entwicklungen analysierter Variablen, wie zum Beispiel die Unfallkategorie, Unfallgegner oder Hauptverursacher, zeigen die Daten einen leichten Anstieg der Radverkehrsunfälle über den Betrachtungszeitraum in Dresden. Mit Hilfe einer linearen multiplen Regressionsanalyse wird der ansteigende Trend unter Verwendung weiterer Variablen in zwei Modellen auf einen Zusammenhang geprüft. Interessant dabei ist, dass die untersuchten wetterabhängigen Einflussfaktoren, wie die Sonnenscheinstunden oder die Sommer- und Frühlingsmonate, die Radverkehrsunfälle am stärksten beeinflussen. Zusammen mit der fortlaufenden Trendkomponente stellt das Modell die Realität gut dar. Darüber hinaus kann die Regressionsfunktion bei guter Schätzung dazu beitragen, die Radverkehrsunfälle für zukünftige Jahre zu prognostizieren. Trotz einer erfolgreichen Modellschätzung werden die Radverkehrsunfälle in einem grafischen Vergleich mit den Ergebnissen der Dauerzählstellen des Radverkehrs in Dresden und ausgewählten Erhebungsdaten der ‚SrV - Mobilität in Städten‘ diskutiert und verglichen. Zusätzlich zu den ermittelten Ergebnissen werden vorhandene Auswertungen aus der Literatur herangezogen und mit der Entwicklung in Dresden in Verbindung gebracht.:Abbildungsverzeichnis VII Tabellenverzeichnis X Abkürzungsverzeichnis XIII Symbolverzeichnis XV 1 Einleitung 1 2 Deskriptive Analyse von Fahrradunfällen in Dresden 3 2.1 Gesamtunfallgeschehen 4 2.2 Unfallkategorie 5 2.3 Verunglückte 9 2.4 Verunglückte Fahrradfahrer nach Altersgruppen 11 2.5 Verunglückte nach Verkehrsbeteiligung 14 2.6 Beteiligte/ Unfallgegner 16 2.7 Hauptverursacher 18 2.8 Unfallursachen 20 2.9 Unfalltyp 24 2.10 Zusammenfassung 26 3 Regressionsanalyse 27 3.1 Modellformulierung 27 3.2 Schätzung der Regressionsfunktion 29 3.3 Prüfung der Regressionsfunktion 33 3.4 Prüfung der Regressionskoeffizienten 37 3.5 Prüfung der Modellprämissen 38 3.6 Erstellung einer Prognose 42 3.7 Zusammenfassung und Ausblick 43 4 Radverkehrsaufkommen in Dresden 45 4.1 Automatische Dauerzählstellen für den Radverkehr 45 4.2 Modal Split und spezifische Verkehrsleistung für den Radverkehr 48 4.3 Zusammenführung der Erkenntnisse über das Radverkehrsaufkommen mit den Fahrradunfällen in Dresden 50 5 Zusammenfassung und Ausblick 53 Literaturverzeichnis XVII Anhang XXI

Spanende Werkzeugmaschinen erfahren während ihres Betriebes signifikante interne Wärmeeinträge, u.a. durch die Verlustleistung der Antriebe, Reibung der Lager und Führungen und den Bearbeitungsprozess. Gleichzeitig sind sie aber auch wechselnden externen Umgebungseinflüssen ausgesetzt. Diese Vielzahl an thermischen Einflüssen erzeugt transiente Temperaturfelder in der Werkzeugmaschine, die variable Deformationen in der Maschinenstruktur verursachen. Die Auswirkung dieser Deformationen auf den Tool-Center-Point verringert die Positioniergenauigkeit und wirkt sich letztendlich negativ auf die Werkstückqualität aus. Diese Verformungen werden im hier entwickelten Verfahren, der kennfeldbasierten Korrektur, durch hochdimensionale Kennfelder mit Hilfe von Live-Sensordaten vorhergesagt und online in der Maschinensteuerung durch berechnete Offsets korrigiert. Wenngleich das prinzipielle Vorgehen anderen verwandten Korrekturverfahren, wie der Regressionsanalyse, ähnelt, müssen für die effiziente Nutzung von Kennfeldern als Modellierungstool verschiedene Aspekte der Korrektur neu untersucht bzw. vertieft werden. Am Ende erfolgt eine Implementierung und Validierung des Verfahrens an zwei ausgewählten Demonstratoren.:Inhaltsverzeichnis Abbildungsverzeichnis Tabellenverzeichnis Abkürzungsverzeichnis Symbolverzeichnis 1 Einleitung 1.1 Motivation 1.2 Überblick über die Inhalte der Arbeit 2 Stand der Technik 2.1 Maßnahmen zur Reduktion thermo-elastischer Effekte 2.1.1 Korrekturverfahren 2.1.2 Kompensationsstrategien 2.2 Kennfeldberechnung mit Smoothed Grid Regression 2.2.1 Kernfunktionsansatz 2.2.2 SGR im 2D mit bilinearer Interpolation 2.2.3 SGR in n Dimensionen mit n-linearer Interpolation 2.2.4 Kennfeldberechnung 2.2.5 Glättungsbedingungen 2.2.6 Daten- versus Glättungsfehler 2.2.7 Lösung des linearen Gleichungssystems 3 Einordnung in den Stand der Technik 4 Kennfeldbasierte Korrektur Thermo-elastischer Verformungen 4.1 Idee der kennfeldbasierten Korrektur 4.2 Trainingsdaten zum Anlernen der Korrekturkennfelder 4.3 Erstellung der kennfeldbasierten Korrektur 4.3.1 Wahl der Kernfunktionen 4.3.2 Wahl der Glättungsbedingungen 4.3.3 Wahl der Daten- und Glättungsgewichte 4.4 Anwendungsbeispiel und Ableitung von Anpassungsbedarfen 5 Numerische Berechnung hochdimensionaler Kennfelder 5.1 Numerische Handhabung großer SGR-Modelle 5.2 Effiziente Kennfeldberechnung durch Mehrgitterverfahren 5.3 Einbettung von Glättungsbedingungen höherer Ordnung 5.3.1 Motivation und eine Beispielfunktion 5.3.2 Finite-Elemente-Ansatz für Glättung höherer Ordnung 5.3.3 Test und Vergleich der Berechnungsvarianten 5.3.4 Neue Kombinationsmethode für lineare Extrapolation 5.4 Erprobung und Vergleich von Mehrgitterlösern 6 Optimierung der Kennfeldgitter 6.1 Kennfeldgitter 6.2 Wichtige Gitterstrukturen 6.2.1 Äquidistante Gitter 6.2.2 Gitter mit variablen Achsintervallen 6.2.3 Transformierte Gitter 6.2.4 Gitter mit Substrukturen 6.2.5 Dünne Gitter (sparse grids) 6.2.6 Vergleich der Arten von Kennfeldgittern 7 Optimale Sensorplatzierung und Auswahl der Kennfeldeingänge 7.1 Typen von Eingangsvariablen und deren Eignung zur Korrektur 7.2 Eignung von Temperaturgradienten in Kennfeldern 7.3 Methoden der Variablenauswahl 7.3.1 Sensitivitätsanalyse 7.3.2 Hauptkomponenten-Analyse (PCA) 7.3.3 Sequentielle Heuristik 7.3.4 Stabilitätsanalyse 7.3.5 Vergleich und experimentelle Validierung der Verfahren 8 Implementierung und Validierung der kennfeldbasierten Korrektur 8.1 Korrekturwertaufschaltung in einer Maschinensteuerung 8.2 Erprobung und Validierung der Korrektur 8.2.1 MiniHex 8.2.2 DMU 80 eVo 8.3 Korrektur unter Produktionsbedingungen 8.4 Plausibilitätsüberprüfung 9 Bewertung und Erweiterungen zur kennfeldbasierten Korrektur 9.1 Vor- und Nachteile der kennfeldbasierten Korrektur 9.2 Aufwandsabschätzung und exemplarische Bewertung 9.2.1 Aufwandsabschätzung der kennfeldbasierten Korrektur 9.2.2 Bewertung an ausgewählten Beispielen 9.3 Kombination mit anderen Korrektur- und Kompensationsstrategien 9.4 Aktualisierung von Kennfeldern 9.5 Übertragbarkeit der Ergebnisse 10 Zusammenfassung 11 Ausblick A Anhang A.1 Datensätze A.1.1 Stab-Simulation A.1.2 Vermessung Auerbach ACW630 A.1.3 Simulation Maschinenständer ACW630 A.1.4 Vermessung MiniHex A.1.5 Simulation Maschinenständer mit bewegter Wärmequelle A.1.6 Vermessung 3-Achs-Bearbeitungszentrum Aachen A.1.7 Simulation DMU 80 eVo A.2 Biographie des Autors

A core topic of the German transport industry is currently the imminent shortage of drivers in freight and passenger traffic. This result to the mismatch between the retiring and advancing professional drivers. First, the present study provides an overview of the key conditions as the challenges by demographic change and the economic importance of the transport sector. Likewise, the working conditions and training are discussed. By structural features and the high cost pressure, the industry shows incapable even to provide enough qualified junior staff. The analysis is based on recognized time-series data of traffic volume and engaged professional drivers from the past 16 years. To account for the interaction of these parameters, they are expressed by a specially created indicator. The data obtained are evaluated using appropriate statistical methods. The subsequent prognosis it possible to estimate from existing official traffic prognosis the prospective driver\'s demand. / Ein Kernthema der deutschen Transportwirtschaft ist zurzeit der drohende Fahrermangel im Güter- und Personenverkehr. Dieser resultiert aus dem Missverhältnis zwischen den ausscheidenden und nachrückenden Berufskraftfahrern. Die vorliegende Arbeit bietet zunächst einen Überblick über die entscheidenden Rahmenbedingungen wie den Herausforderungen durch den demografischen Wandel und der wirtschaftlichen Bedeutung des Transportsektors. Ebenso werden auch die Arbeitsbedingungen und Ausbildungsmaßnahmen diskutiert. Durch strukturelle Merkmale und den hohen Kostendruck zeigt sich die Branche selbst kaum in der Lage, selbst für ausreichend qualifizierte Nachwuchskräfte zu sorgen. Die Analyse stützt sich auf anerkannte Zeitreihendaten der Verkehrsleistung und der beschäftigten Berufskraftfahrer aus den letzten 15 Jahren. Um die Wechselwirkungen dieser Parameter zu berücksichtigen, werden diese durch einen eigens kreierten Indikator ausgedrückt. Die gewonnenen Daten werden mit geeigneten statistischen Methoden ausgewertet. Die anschließende Prognose ermöglicht es, aus bestehenden amtlichen Verkehrsprognosen den voraussichtlichen Fahrerbedarf abzuschätzen.

Es ist wohlbekannt, dass der Kleinste-Quadrate-Schätzer im Falle vorhandener Multikollinearität eine große Varianz besitzt. Eine Möglichkeit dieses Problem zu umgehen, besteht in der Verwendung von verzerrten Schätzern, z.B den Ridge-Schätzer. In dieser Arbeit wird ein neues Schätzverfahren vorgestellt, dass auf Addition einer kleinen Konstanten omega auf die Regressoren beruht. Der dadurch erzeugte Schätzer wird in Abhängigkeit von omega beschrieben und es wird gezeigt, dass dessen Mean Squared Error kleiner ist als der des Kleinste-Quadrate-Schätzers im Falle von stark korrelierten Regressoren. / It is well known, that the least squares estimator performs poorly in the presence of multicollinearity. One way to overcome this problem is using biased estimators, e.g. ridge regression estimators. In this study an estimation procedure is proposed based on adding a small quantity omega on some or each regressor. The resulting biased estimator is described in dependence of omega and furthermore it is shown that its mean squared error is smaller than the one corresponding to the least squares estimator in the case of highly correlated regressors.