Wahrscheinlichkeitsbasierte Fahrzeugdiagnose mit individueller Prüfstrategie
Die Arbeit beschreibt ein System, das durch Anwendung von Verfahren aus dem Bereich der künstlichen Intelligenz bestehende Diagnosesysteme erweitern kann. Das System kann mit Hilfe von Informationen über die im Fahrzeug verbauten Systeme selbstständig von vorhandenen Fehlersymptomen auf mögliche Fehlerursachen schließen. Zur Ermittlung der Fehlerkandidaten kommt ein wahrscheinlichkeitsbasiertes Verfahren auf Basis von Bayes-Netzen zum Einsatz. Um Gewissheit über die Fehlerursache zu bekommen, werden Prüfanweisungen generiert und ausgegeben. Das System ist so ausgelegt, dass die Fehlerursache mit minimalem Prüfaufwand gefunden wird. Es wird gezeigt, wie das Diagnosesystem fahrzeugindividuelle Besonderheiten berücksichtigen kann und dadurch in der Lage ist, exaktere Diagnosen und präzisere Prüfanweisungen ausgeben zu können, als dies heute möglich ist.
This thesis describes a system that enhances present diagnostic systems by applying methods from the field of artificial intelligence. With information about the specific installed components this system is able to infer from existing fault symptoms to possible fault causes. For identifying failure candidates a probability based method utilizing Bayesian Networks is applied. Inspection instructions are then generated and displayed to help localizing the fault cause. The system is designed in that way, that the fault cause can be found with minimal testing efforts. It also shows that the diagnostic system is able to determine more exact diagnoses and more precise inspection instructions than present systems, taking vehicle individual characteristics into account.
Preview
Cite
Access Statistic
Rights
Use and reproduction:
All rights reserved