Transfer learning voor end-of-line testen en monitoren in voertuigvloten.

Het doctoraatsproject zal nieuwe methodologieën onderzoeken voor het beoordelen van de prestaties en het gebruik van voertuigen in een voertuigvloot gedurende de productlevenscyclus. Een specifieke toepassing van belang is end-of-line kwaliteitscontrole testen van voertuigen, gebaseerd op NVH (Noise, Vibration and Harshness, d.i. geluid, trillingen en schrilheid) metingen. Machine learning en deep learning-technieken hebben het potentieel om automatisch en objectief de status van het voertuig te beoordelen op basis van dergelijke metingen. Deze technieken zijn echter afhankelijk van de beschikbaarheid van een voldoende grote trainingsdataset, wat onhaalbaar kan zijn in de industriële praktijk. Om dit probleem van dataschaarste op te lossen, zullen transfer-leerstrategieën worden onderzocht.