Automatische Modellierung von Fehlerfällen aus heterogenen Datenquellen als Grundlage für prädiktive Wartung im Automobil

Richter, Felix

doi:10.24355/dbbs.084-202101221331-0

Published

Automatische Modellierung von Fehlerfällen aus heterogenen Datenquellen als Grundlage für prädiktive Wartung im Automobil

German
English

Zur Behebung von Fehlern des Fahrzeugs in der Werkstatt ist es notwendig alle Informationen zu der aufgetretenen Fehlersituation, so früh wie möglich, vorliegen zu haben. Wenn der Kunde mit einem vorliegenden Fehler die Werkstatt besucht, werden aktuell die Fehlereinträge aller Fahrzeugsysteme ausgelesen und zur Fehlerbehebung verwendet. Zusätzlich nutzt die Werkstatt aktuelle Messwerte der Fahrzeugsysteme und die verbale Fehlerbeschreibung des Kunden als Indikatoren für die Fehlerursache. Aktuell nicht betrachtet wird das Fahrzeugverhalten vor dem Auftreten eines Fehlverhaltens.

In dieser Arbeit wird das Fahrzeugverhalten genutzt, um nicht normale Situationen anhand der Sensorwerte des Fahrzeugs zu detektieren. Hierfür wird für eine Fehlersituation modelliert, durch welche Ausprägungen des Fahrzeugverhaltens der Fehler identifizierbar ist. Diese Modellaussage kann nicht in jeder Fehlersituation alleinig zur Identifikation der Fehlerursache verwendet werden. Bei Symptomen in unterschiedlichen Teilsystemen des Fahrzeugs, die denselben Fehler zur Folge haben, müssen alle aufgetretenen Symptome gemeinsam betrachtet werden. Das konzeptionelle Datenmodell des Fahrzeuglebenslaufs wird dazu verwendet, um alle Symptome integriert zu betrachten. In diesem Datenmodell werden Abweichungen des Fahrzeugverhaltens, genauso wie beispielsweise Fehlerspeichereinträge, als ein Symptom angesehen und gemeinsam mit allen weiteren Symptomen betrachtet. Damit bewertet werden kann, ob in einem Fahrzeug ein Fehler vorliegt, sind die Fehlermodelle kontinuierlich auf die Fahrzeuglebensläufe anzuwenden. Somit hat diese Arbeit zum Ziel zu modellieren, welche Symptome vor einer bereits gelösten Fehlersituation aufgetreten sind. Dieses Modell kann anschließend zur Bewertung künftiger Fahrzeuglebensläufe verwendet werden.

Zur bestmöglichen Vorbereitung eines Werkstattbesuches müssen alle vorhandenen Fehlermodelle zu einem Fahrzeug regelmäßig auf die Fahrzeuglebensläufe angewandt werden. Jede Bewertung der aktuellen Symptome resultiert in der Aussage, ob ein Fehler vorliegt oder nicht. Dabei können auch mehrere Fehlermodelle eine Indikation für einen vorliegenden Fehler geben. Diese Information kann mit der Terminanfrage an die jeweilige Werkstatt kommuniziert werden, um die Reparatur vorzubereiten und dadurch einen schnelleren Werkstattdurchlauf zu ermöglichen.

To solve a failure situation in the workshop, all needed information has to be available as soon as possible. Currently the existing failure codes of all vehicle systems are detected if a customer visits the workshop with a given failure situation. They are used, together with current sensor reads and a verbal failure description of the customer, to identify the root cause of the failure situation. The vehicle behavior before the occurrence of the failure is currently not used.

This work utilizes the vehicle behavior to identify irregular situations based on the vehicles sensor data. The characteristics of the vehicle behavior leading to a failure situation are modeled. If symptoms occur in different subsystems of the vehicle, but lead to the same failure situation, all symptoms have to be analyzed together. To combine all symptoms of a vehicle, the data model of the vehicle’s history is built. This data model integrates deviations of the vehicle behavior with other symptoms, like failure codes. These vehicle histories are analyzed on a regular basis in order to determine the existence of a failure. The goal of this work is to model which symptoms occur before a solved failure situation, to use this model to identify failure situations in upcoming vehicle histories.

For the best preparation of the repair session, all trained failure models have to be applied to the vehicle history on a regular basis. Each evaluation of the current set of symptoms leads to a decision on the occurrence of a failure. At the same time multiple failure models can indicate the presence of a failure. This information can be communicated together with the appointment request to the workshop. The workshop visit then is prepared based on the output of the failure models.