Neural Models for Offboard-Diagnostics in complex Automotive Systems

Zunehmend vernetzte Fahrzeugfunktionen, steigende Variantenvielfalt und kürzere Entwicklungszyklen führen dazu, dass etablierte Expertenbasierte Verfahren an ihre Grenzen stoßen. Die Folge sind höhere Kosten durch längere Fehlersuchzeiten, unnötig getauschte Teile und überforderte Kundendienstmitarbeiter. In dieser Arbeit wird ein Offboard-Diagnostik-System entwickelt, welches zuerst in einem automatisierten Prozess aus aufgezeichneten Reparaturfällen Diagnostik-Modelle erlernt. In den Servicewerkstätten erzeugen die Modelle auf Basis von Fahrzeuginformationen und Fehlersymptomen Hypothesen über schadhafte Komponenten und sinnvolle Reparaturmaßnahmen. Das Ergebnis der Reparatur wird wiederum aufgezeichnet, wodurch ein iterativer Feedback- und Lösungsprozess zur automatischen kontinuierlichen Verbesserung der Modelle entsteht. Zur Modellbildung werden zunächst deskriptive und inferenzielle statistische Diagnostik-Modelle analysiert, die jedoch aufgrund der Art und Qualität der Daten unzureichend sind. Als Lösung wird zunächst das inferenzielle statistische Modell in ein einschichtiges neuronales Netz überführt, welches dann mit einer neuen Konstruktions- und Trainingsmethode um verdeckte Neuronen und Verbindungen derart erweitert wird, dass nur diejenigen Abhängigkeiten abgebildet werden können, die erforderlich sind. Die spezielle Struktur des Netzes ermöglicht weiterhin eine Interpretation der Verbindungsgewichte und Neuronen und wirkt damit dem typischen Black-Box-Charakter neuronaler Netze entgegen. Als Vergleich wird ein Standard-MLP-Netz herangezogen. Die resultierenden Diagnostik-Modelle werden einer ausführlichen Evaluierung bestehend aus einer Konzeptbewertung, einer Evaluierung mit realen Falldaten und einem Prototypen zur Praxiserprobung am Fahrzeug unterzogen. Die Ergebnisse zeigen, dass trotz der mangelnden Qualität und Anzahl der im Projekt zur Verfügung stehenden Reparaturfalldaten sehr gute Ergebnisse erzielt werden.Well-established, expert-based diagnostics systems become more and more inadequate to cope with the steadily growing networked functions, increasing variability, and shortened development cycles of automotive systems. This leads to higher costs due to longer error identification times, an increasing number of erroneously replaced parts and high demands on customer service representatives. In this Work a system for Offboard Diagnostics was developed, that is able to automatically learn diagnostics models from previously recorded repair cases data. Considering error symptoms and vehicle data of a defective vehicle in a car repair shop, these models return hypotheses about defective components and appropriate repair actions. The repair results are recorded in turn, thus yielding an iterative solution process for automatically improving the models. First, we analyze descriptive and inference-based statistical diagnostics models. The inference-based model is transferred into a single layer neural network. In contrast to inference-based statistical model, neural networks are able to model conditional dependencies as their complexity is adjustable in a flexible way. In the first step, a new construction and training technique is used to add hidden neurons and connections to the network. Thereby, only dependencies are modeled which are either necessary or exist in the real data. In addition, our approach allows an interpretation of connection weights and neurons, thus reducing the black-box nature of neural networks. A comparison to standard multilayer networks is given. The resulting diagnostics models are evaluated in three ways: by evaluation of the concept, by an evaluation of the performance using real repair case data and by the implementation of a prototype for practical application to a vehicle. In spite of the low quality data available in this project, the performance of our complexity-enhanced neural model developed significantly exceeds expectations