Komplexitätsreduzierte neuronale Netze zur Offboard-Diagnostik in Fahrzeugsystemen / Tobias Carsten Müller

Müller, Tobias, Carsten

doi:10.24355/dbbs.084-201006301558-0

Published

Komplexitätsreduzierte neuronale Netze zur Offboard-Diagnostik in Fahrzeugsystemen / Tobias Carsten Müller

German
English

Neue innovative Diagnostikverfahren werden notwendig, um die stetig komplexer werdenden Fahrzeuge zukünftig noch warten zu können. Bereits seit einigen Jahren werden umfangreich Daten von Reparaturfällen aus den Servicewerkstätten aufgezeichnet, die bisher jedoch nicht automatisiert für Diagnostikverfahren genutzt werden. Gründe hierfür sind u.a. die Art und die mangelnde Qualität der zur Verfügung stehenden Daten, die eine große Herausforderung für ein Lernsystem darstellen. Im Rahmen eines Kooperationsprojektes mit der Volkswagen AG und der TU Braunschweig wurde ein Offboard-Diagnostik-Konzept entwickelt, welches in einem automatisierten Prozess aus aufgezeichneten Reparaturfällen lernt und das erlernte Wissen zur Unterstützung der Fehlersuche in den Servicewerkstätten zur Verfügung stellt. Hierfür werden neuronale Netze, kombiniert mit einem neuen Konstruktions- und Lernverfahren zur schrittweisen Erweiterung des Lösungsraumes verwendet. Zur Evaluierung wurde ein Prototyp implementiert der mit Daten aus einigen zehntausend realen Reparaturfällen trainiert wurde. Die Experimente haben gezeigt, dass ein solcher Ansatz bereits mit den zur Verfügung stehenden Daten gute Ergebnisse liefert.

As the complexity of current automobiles increases, new and innovative diagnostic methods for car maintenance and diagnostic inspection are greatly needed. For several years, data of repair cases are extensive recorded from the car repair shops, but so far not automatically used for diagnostics. The reasons for this include the nature and the poor quality of available data, which represent a major challenge for a learning system. In a cooperative project with Volkswagen AG and the Technische Universität Braunschweig a new Offboard diagnostic approach was developed, which learns from previous repair cases in order to assist future diagnostic inspections. For this purpose, neural networks, combined with a new design and learning techniques for the progressive expansion of the solution space used. For evaluation purposes, a prototype was implemented which was trained with data from tens of thousands of real repair cases. The experiments have shown that this approach is able to provide promising results even with the data that is already available today.