Vinzenz Wratschko

• Diese Masterarbeit beschäftigt sich mit der thermischen Absicherung eines Fahrzeuges durch die Vorhersage der Temperaturen an verschiedenen Sensoren mittels Time-Series Forecasting Modellen. Ziel war es, die Zuverlässigkeit und Sicherheit des Fahrzeugs durch präzise Temperaturvorhersagen zu verbessern, um kritische Überhitzungen zu vermeiden. Für die Analyse wurden mehrere Time Series Forecasting Modelle evaluiert, darunter Vector Autoregression (VAR),Extreme Gradient Boosting(XGBoost), Long Short-Term Memory (LSTM), Gated Recurrent Unit (GRU), Convolutional Neural Network (CNN),Temporal Convolutional Networks (TCN)und Transformer Modelle. Die Modelle wurden anhand historischer Datensätze von Sensortemperaturen trainiert, die aus realen Fahrbedingungen gesammelt wurden. Jedes Modell wurde auf seine Vorhersagegenauigkeit und Leistungsfähigkeit untersucht, um das effektivste Werkzeug zur Vorhersage zukünftiger Temperaturwerte zu identifizieren. Die Evaluation der Modelle basierte auf mehreren Leistungsindikatoren wie dem Mean Absolute Percentage Error (MAPE), und dem Root Mean Squared Error (RMSE). Das GRU-Modell stellte sich als das überlegene heraus, da es die komplexen nichtlinearen Muster und die Zeitabhängigkeiten der Temperaturdaten am effektivsten modellierte. Dank seiner tiefen Lernarchitektur und der Fähigkeit, Langzeitabhängigkeiten in den Daten zu erkennen, konnte das GRU-Modell präzisere Vorhersagen als die anderen untersuchten Modelle liefern. Diese Ergebnisse unterstreichen das Potenzial von GRU-Netzwerken für die präzise Vorhersage von Sensor-Temperaturen in thermischen Managementanwendungen von Fahrzeugen und bieten Ansätze für weitere Forschungen in diesem Bereich.
• This master's thesis deals with the thermal protection of a vehicle by predicting the temperatures at various sensors using time-series forecasting models. The aim was to improve the reliability and safety of the vehicle through precise temperature predictions in order to avoid critical overheating.Several time series forecasting models were evaluated for the analysis, including Vector Autoregression (VAR),Extreme Gradient Boosting(XGBoost), Long Short-Term Memory (LSTM), Gated Recurrent Unit (GRU), Convolutional Neural Network (CNN),Temporal Convolutional Networks (TCN)and Transformer models. The models were trained using historical data sets of sensor temperatures collected from real-world driving conditions. Each model was analyzed for predictive accuracy and performance to identify the most effective tool for predicting future temperature values. The evaluation of the models was based on several performance indicators such as theMean Absolute Percentage Error (MAPE),the Root Mean Squared Error (RMSE). The GRU model turned out to be the superior one as it modeled the complex nonlinear patterns and time dependencies of the temperature data most effectively. Thanks to its deep learning architecture and ability to recognize long-term dependencies in the data, the GRU model was able to provide more accurate predictions than the other models investigated. These results highlight the potential of GRU networks for accurate prediction of sensor temperatures in vehicle thermal management applications and provide avenues for further research in this area.