Open Access

Optimierung der Schnittstelle von Verkleidung Stoßfänger hinten zum Seitenrahmen

Das Ziel der vorliegenden Masterarbeit war es, ein „Proof of Concept“ für eine sichere IoT-Gerätebasis zu entwickeln. Des Weiteren sollten Aussagen über die Sicherheitsanforderungen der Zertifizierung von PSA Certified getroffen werden, da diese Zertifizierung als Grundlage für die Gerätebasis definiert wurde. Dafür wurden die „PlatformSecurityArchitecture“ und das „PlatformSecurityModel“ untersucht. Mithilfe dieser Dokumente wurde eine Anforderungsanalyse erstellt, um die Spezifikation der Gerätebasis zu definieren. Anschließend wurde eine Risikoanalyse erstellt, welche die Gefahren für das Zielsystem analysiert. Aus den Gefahren wurden durchführbare Attacken abgeleitet und an einem virtuellem Testsystem durchgeführt. Dabei wurden die Sicherheitslücken des Testsystems aufgezeigt und für diese entsprechende Gegenmaßnahmen definiert. Das Ergebnis der Untersuchung zeigt, dass die definierten Sicherheitsanforderungen aus der PSA-Zertifizierung ein grundlegendes Sicherheitskonzept für Systeme bieten.

Diese Arbeit untersuchte, inwieweit Deep-Learning-basierte Knowledge-Tracing-Modelle (KT-Modelle) dazu geeignet sind, das Kompetenzniveau von Lernenden im Umgang mit der Data Query Language zu erfassen und auf dieser Grundlage die Komplexität von DQL-Aufgaben dynamisch anzupassen. Ziel war es, herauszufinden, ob Interaktionsdaten, die bei der Bearbeitung von DQL-Aufgaben entstehen, als Trainingsbasis für KT-Modelle dienen können und ob diese Modelle geeignet sind, individualisierte Aufgaben mit optimalem Lerneffekt zu erzeugen. Zunächst wurde die Struktur der DQL als Teil von SQL dargestellt und ein Modell entwickelt, das die Komplexität von DQL-Aufgaben über die Häufigkeit und Art der verwendeten Syntaxelemente beschreibt. Das Kompetenzniveau eines Lernenden und die Komplexität einer DQL-Aufgabe wurden für jedes einzelne Syntaxelement separat als Teilkompetenz betrachtet. Die Zone of Proximal Development (ZPD) bildet den theoretischen Rahmen zur Bestimmung des Aufgabenbereichs, in dem ein Lerneffekt durch angemessene Herausforderung erzielt wird. Zur Evaluation wurde eine Simulation entworfen, in der Lernende einer synthetischen Lernerpopulation Aufgaben bearbeiten. Die Aufgabenkomplexität wurde zufällig innerhalb einer „geschätzten“ ZPD gewählt. Die in der Simulation entstehenden Daten wurden in einem Datensatz in einem Format des ASSISTments-Datensatzes gespeichert, um sie für existierende KT-Modelle nutzbar zu machen. Im Anschluss wurden drei Deep-Learning-KT-Modelle – Deep Knowledge Tracing (DKT), Dynamic Key-Value Memory Network (DKVMN) und Attentive Knowledge Tracing (AKT) – sowohl mit dem simulierten als auch mit dem ASSISTments-Datensatz trainiert. Die Vorhersagegenauigkeit wurde anhand der AUC (Area Under the Curve) gemessen. AKT erzielte in beiden Szenarien die höchsten AUC-Werte, während DKT und DKVMN konsistent niedrigere Werte lieferten. Alle getesteten Modelle übertrafen jedoch das Niveau zufällig ausgewählter Aufgabenkomplexitäten. Die Anwendung des trainierten DKT-Modells in der Simulation zeigt, dass die Vorhersagen von KT-Modellen über das Kompetenzniveau eines Lernenden genutzt werden können, um Aufgaben mit geeigneter Komplexität zu generieren. Diese erzeugen im Durchschnitt einen höheren Lerneffekt als zufällig gewählte Aufgaben. Die Differenz ist jedoch moderat, was auf die eingeschränkte Prognosekraft des DKT-Modells hinweist. Zudem wird deutlich, dass die Qualität der erzeugten Aufgaben wesentlich davon abhängt, wie präzise sich kontinuierlich vorhergesagte Werte für das Kompetenzniveau in konkrete Syntaxelementhäufigkeiten übertragen lassen. Insgesamt zeigt die Arbeit, dass Deep-Learning-KT-Modelle grundsätzlich geeignet sind, das Kompetenzniveau von Lernenden im Umgang mit DQL zu erfassen und Aufgaben adaptiv anzupassen. Voraussetzung für den praktischen Einsatz ist jedoch eine sorgfältige Parametrisierung der Modelle sowie eine systematische Transformation der prognostizierten Werte für das Kompetenzniveau in realisierbare Aufgabenformate.

Both the ability to suppress disturbances and the simplicity of plant modeling within the active disturbance rejection control (ADRC) approach are enabled by its observer and largely dependent on its sufficiently fast tuning. This, however, may require high observer gain values, which increase the controller’s susceptibility to measurement noise. To reduce the noise sensitivity without requiring any change to the controller structure, this article transfers the results of a continuous-time method called half-gain tuning to the discrete-time domain. Applied only to ADRC’s observer, the closed-loop dynamics will remain almost unaffected. Explicit tuning equations for the discrete-time observer gains are derived. A detailed examination performed analytically, in simulation, and in experiment reveals how much of the theoretical noise reduction promised by the continuous-time method can still be achieved in the discrete-time domain. In summary, an observer tuning method is presented that delivers a substantial reduction in noise sensitivity in practically relevant scenarios and can be applied minimally invasively to existing ADRC control loops.

This research presents a comparative analysis of the Transport System Bögl Cargo 2-car and Passenger vehicles to evaluate their movement behavior on a test alignment. The study focuses on how the differences in swept path, articulation and dynamic response influence the existing TSB alignment design standards and guidelines. A test alignment and simplified models of TSB Vehicles was developed by using Autodesk Civil 3D and Vehicle Tracking add on. The test alignment is incorporating design limits derived from existing TSB alignment design standards and guidelines. Simulation scenarios were performed under different speed conditions to assess vehicle movement patterns on whole test alignment. The results demonstrate that the Cargo 2-car vehicle exhibits wider swept paths and greater lateral offset due to its articulated design. This is suggesting the need to revisit clearance profile criteria for cargo operation. A cost-benefit analysis comparing TSB and conventional tram system further highlights long term economic and environmental advantages of TSB system. The findings support evidence-based recommendations for alignment design improvements and strategic implementation of maglev transport systems in urban-industrial corridors.