Promotion von Daniel Baumann mit "magna cum laude" ausgezeichnet!

Fünf Männer in Anzügen vor einer Ausstellung in einem Museum.
Firmenmeeting mit Diskussionsteilnehmern.
Flachbett-Scanner mit Dokumenten und medizinischen Modellen.

Daniel Baumann hat am 10. November 2026 seine Promotion erfolgreich abgeschlossen. Die Dissertation mit dem Titel „Rekonfiguration lernender cloudbasierter Fahrzeugfunktionen am Beispiel der Klimatisierung von Stadtbussen“ wurde mit der Bewertung Magna cum laude ausgezeichnet. Die Promotion wurde von Prof. Dr.-Ing. Eric Sax betreut. Korreferent war Prof. Dr.-Ing. Clemens Gühmann von der Technischen Universität Berlin.

Mit seiner Forschungsarbeit leistet Daniel Baumann einen wichtigen Beitrag zur Entwicklung intelligenter, datengetriebener Fahrzeugfunktionen. Im Mittelpunkt seiner wissenschaftlichen Tätigkeit stehen die Digitalisierung und Vernetzung von Fahrzeugen, cloudbasierte Systeme, datengetriebene Methoden sowie Verfahren des maschinellen Lernens zur Optimierung komplexer technischer Systeme.

Zusammenfassung der Dissertation

Die zunehmende Elektrifizierung und Digitalisierung von Fahrzeugen verlagert den Innovationsschwerpunkt von der Hardware zur Software. Im Zuge dieser Entwicklung gewinnen cloudbasierte Fahrzeugfunktionen an Bedeutung, da sie eine zentrale Aggregation und Verarbeitung von Flottendaten ermöglichen.

In dieser Dissertation wird ein Konzept zur Rekonfiguration lernender cloudbasierter Fahrzeugfunktionen im Betrieb entwickelt, das sich am Cross Industry Standard Process for Data Mining (CRISP-DM) orientiert. Fahrzeuge werden initial mit einer generellen datengetriebenen Funktion ausgeliefert, deren Funktionalität während des Betriebs durch die kontinuierliche Auswertung von Flottendaten kontextabhängig rekonfiguriert wird.

Ein prototypisch umgesetzter Anwendungsfall adressiert die Temperatursollwertvorgabe des Heizungs-, Lüftungs- und Klimatisierungssystems (HLK-System) von Stadtbussen, da diese Funktion ein hohes Energieeinsparpotenzial bei moderaten zeitlichen Anforderungen aufweist. Die Optimierung des Temperatursollwerts basiert auf prädizierten Störgrößen, wobei Solarstrahlung und Außentemperatur aus Wetterprognosen stammen und Fahrzeuggeschwindigkeit, Türstatus sowie Fahrgastzahl datengetrieben vorhergesagt werden.

Für diese Prädiktion wird zur Abbildung heterogener Betriebsbedingungen eine Mixture-of-Experts-Architektur (MoE-Architektur) eingesetzt, bei der kontextspezifische Expertenmodelle aus Flottendaten abgeleitet werden. Im Gegensatz zu klassischen MoE-Ansätzen mit statischer Modellstruktur sieht das Konzept eine flexible, datengetrieben ermittelte Anzahl von Experten vor. Eine Gating-Funktion steuert die kontextabhängige Auswahl der Experten, während die Rekonfiguration auf Basis neu verfügbarer Flottendaten erfolgt und eine adaptive Anpassung an veränderte Kontextbedingungen ermöglicht.

Die Evaluation basiert auf dem Zurich-Transit-Bus-Datensatz (ZTBus-Datensatz) aus dem Züricher Linienbetrieb einer Stadtbusflotte über einen Zeitraum von 3,7 Jahren und umfasst 1409 Umläufe. Sie zeigt, dass die cloudbasierte Temperatursollwertvorgabe unter Einsatz einer MoE-Architektur den Energieverbrauch des HLK-Systems gegenüber der statischen Sollwertvorgabe nach der Kennlinie des Verbands Deutscher Verkehrsunternehmen (VDV) um 11,58 % reduziert. Davon entfallen 1,46 Prozentpunkte auf den kontextsensitiven MoE-Ansatz gegenüber einem generellen Modell. Gleichzeitig verringert sich die Zeit der Verletzungen des Behaglichkeitskennfelds nach VDV-Schrift 236 um den Faktor 3,8. Die Übertragbarkeit des Ansatzes wird durch eine Einsparung von 6,34 % an einem zweiten Standort in Hamburg mit 733 Umläufen bestätigt.

Die Dissertation von Daniel Baumann zeigt damit, dass eine kontextabhängig rekonfigurierbare, cloudbasierte Fahrzeugfunktion eine geeignete Grundlage für die energieeffiziente und adaptive Realisierung datengetriebener Funktionen im Fahrzeugbetrieb darstellt.

Das ITIV gratuliert Daniel Baumann herzlich zu diesem erfolgreichen Abschluss und der Auszeichnung seiner Dissertation mit der Note Magna cum laude.