André Ebel wertet Flottendaten eines batterieelektrischen Fahrzeuges hinsichtlich Fehlerbedingungen aus und generiert daraus unter Verwendung einer Gesamtfahrzeugsimulationsumgebung repräsentative Prüfzyklen zur zeitlichen Rekonstruktion der Fehlerbedingungen. Anhand der Flottendatenauswertung mit Methoden des Maschinellen Lernens identifiziert der Autor das schädigende Nutzungsverhalten fehlerhafter Fahrzeuge. Zur Generierung von kundennahen Prüfzyklen setzt er das tiefe Q-Lernen ein, ein Verfahren des bestärkenden Lernens. Die Kombination der Flottendatenauswertung mit der Prüfzyklengenerierung trägt zur zielgerichteten und realitätsnahen Erprobung von Antriebssträngen bei.