Neuronale Modelle zur Offboard-Diagnostik in komplexen Fahrzeugsystemen

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.