| Student: | Tim Geldof |
|---|
| Richting: | Master of Science in de industriële wetenschappen: informatica |
|---|
| Abstract: | BikeLabs International (BLI) is een spin-off van de Universiteit Gent. De belangrijkste diensten die BLI levert zijn benchmarking van fietsen, optimalisatie van fietsontwerp en certificatie voor commerciële lancering. Een belangrijk doel voor BLI is het ontwerpen van testen die verschillende omstandigheden omvatten die een fiets tijdens zijn dagelijks gebruik kan tegenkomen. Het BLI gebruikt een zelfontworpen meetfiets, uitgerust met een set krachtsensoren, om de krachten te bepalen die op verschillende onderdelen van de fiets inwerken. De huidige meetfiets die door het BLI wordt gebruikt, bevat een complexe, tijdrovende opstelling die niet efficiënt kan worden gereproduceerd. Met de gegevens, verzameld door deze fiets, is het mogelijk om de fietsdynamica in verschillende wegcondities te meten door middel van veldproeven. Tijdens dit onderzoek wordt de sensorset van de meetfiets uitgebreid met vier versnellingsmeters. Het doel van dit onderzoek is om op basis van de versnellingsmeters met behulp van machine learning de krachten te voorspellen waaraan een fiets wordt blootgesteld. Veldtesten worden uitgevoerd met de meetfiets om data te verzamelen. Vervolgens wordt een neuraal netwerk met lang kortetermijngeheugen gebouwd om de krachten die op een fiets werken te voorspellen op basis van de accelerometergegevens. Uit de resultaten blijkt dat het inderdaad mogelijk is deze krachten met behulp van de accelerometergegevens vrij nauwkeurig te voorspellen, maar dat er nog veel te ontdekken valt. |
|---|
| Abstract (Eng): | BikeLabs International (BLI) is a spin-off of Ghent University. The main services provided by BLI are benchmarking of bicycles, optimization of bicycle design and certification for commercial launch. A key goal for BLI is to design tests that encompass different conditions a bicycle may encounter during its daily use. BLI uses a self-designed measuring bike, equipped with a set of force sensors, to determine the forces acting on different parts of the bike. The current measuring bike used by BLI contains a complex, time-consuming setup that cannot be efficiently reproduced. With the data, collected by this bike, it is possible to measure bicycle dynamics in different road conditions through field tests. During this research, the sensor set of the measuring bicycle is extended with four accelerometers The goal of this research is to predict the forces that a bicycle is subjected to based on the accelerometers using machine learning. Field tests were performed with the measuring bicycle to collect data. A long short-term memory neural network is then built to predict the forces acting on the bicycle based on accelerometer data. The results show that it is in fact possible to predict these forces using the accelerometer data quite accurately, but that there is still much left to explore. |
|---|