Die Gesamtfahrzeugerprobung ist für die Absicherung der Dauerhaltbarkeit und Langzeitstabilität des Gesamtfahrzeuges aus Kundensicht verantwortlich. Die Bewertung des Erprobungsfortschrittes ist heutzutage überwiegend jedoch laufleistungsbasiert. Eine realitätsnahe Überwachung der erreichten Lastkollektive oder die Umstellung auf eine lastdatenbasierte Fortschrittsbewertung ist damit in den meisten Fällen nicht möglich. Gründe hierfür sind z.B. die Unscharfe von aus fahrzeuginternen Steuergerätesignalen berechneten Lastkollektiven oder die unzureichende Dauerhaltbarkeit von zusätzlich im Fahrzeug verbauten analogen Messstellen. Der in diesem Beitrag vorgestellte Überwachungsansatz basierend auf künstlichen neuronalen Netzen ermöglicht eine realitätsnahe Ermittlung von Antriebsstranglastkollektiven innerhalb der Gesamtfahrzeugerprobung. Zuerst wird das Grundprinzip dieses Ansatzes erläutert. Anschließend folgen eine Beschreibung der Datenerfassung und Aufbereitung sowie eine Erläuterung des iterativen Trainingsprozesses. Anhand von Langzeitmessungen auf weiteren Strecken wird die erreichbare Genauigkeit des Überwachungsansatzes aufgezeigt und diskutiert.

Full-scope vehicle testing ensures the long-term durability and stability of the entire vehicle from a customer's perspective. Nowadays, testing progress is usually assessed based on mileage. Realistically monitoring actual load spectra or switching to a load data-based testing process is not possible in most cases. The reasons for this include the significant uncertainty of load spectra, which can be calculated from internal vehicle ECU signals, and the insufficient durability of additionally installed analog measuring points. The monitoring approach presented in this paper, which is based on artificial neural networks, allows for a realistic determination of the transmission load spectra as part of fullscope vehicle testing. To this end, the basic principle of a load data-based monitoring approach will first be described. This is then followed by data measurement and preparation as well as iterative training. Different test track measurements are also used to demonstrate and discuss the accuracy that can be achieved with this monitoring approach.