DE102011008211B4

DE102011008211B4 - Fahrzeugfehlerdiagnose- und Fahrzeugfehlerprognosesystem und Verfahren zur Fehlerdiagnose und Fehlerprognose

Info

Publication number: DE102011008211B4
Application number: DE102011008211.5A
Authority: DE
Inventors: Debprakash Patnaik; Pulak Bandyopadhyay; Steven W. Holland; Kootaala P. Unnikrishnan; George Paul Montgomery jun.
Original assignee: GM Global Technology Operations LLC
Current assignee: GM Global Technology Operations LLC
Priority date: 2010-01-13
Filing date: 2011-01-10
Publication date: 2018-05-03
Anticipated expiration: 2031-01-11
Also published as: US20110172874A1; DE102011008211A1; CN102129447A; CN105677887A; US8676432B2

Abstract

Fahrzeugfehlerdiagnose- und Fahrzeugfehlerprognosesystem (10), das umfasst:eine Rechenplattform (14), die innerhalb eines Fahrzeugs (12) angeordnet ist, dadurch gekennzeichnet, dass die Rechenplattform (14) dazu konfiguriert ist, periodisch einen Fehlerklassifikator von einem entfernten Server (18) zu empfangen, wobei die Rechenplattform (14) konkret computerausführbare Befehle enthält zum:Auswerten von aktuellen Datensequenzen, die von einem Fahrzeugsteuernetz empfangen werden und sequenzierte Diagnosefehlercodes, zeitgestempelte Diagnosefehlercodes und Fahrzeugparameter umfassen; undAnwenden des Klassifikators auf die Datensequenzen, wobei der Klassifikator dazu konfiguriert ist, festzustellen, ob die Datensequenzen ein Muster definieren, das einem speziellen Fehler zugeordnet ist,Ausgeben einer Warnmeldung, wenn festgestellt wird, dass die Datensequenzen ein Muster definieren, das einem speziellen Fehler zugeordnet ist,wobei der Klassifikator trainiert ist auf der Grundlage eines Vergleichs von Datensequenzen, die aus einer ersten Population von Fahrzeugen gewonnen werden, mit Reparaturdaten, die aus einer zweiten Population von Fahrzeugen gewonnen werden, wobei auf die Datensequenzen, die aus der ersten Population von Fahrzeugen gewonnen werden, eine Zeitdatengewinnungsanwendung angewendet wird, die das Identifizieren von häufigen Datensequenzen umfasst;wobei die Datensequenzen, die aus der ersten Population von Fahrzeugen gewonnen werden, mit den Reparaturdaten, die aus der zweiten Population von Fahrzeugen gewonnen werden, miteinander verglichen werden, um Muster in den Datensequenzen zu identifizieren, die mit einem speziellen Ausfallmodus kausal in Beziehung stehen, wobei jedem identifizierten Muster ein Unterstützungs- und Vertrauensmaß in Form einer Wahrscheinlichkeit zugewiesen wird.

Description

HINTERGRUND
Gebiet der Erfindung
Diese Erfindung bezieht sich im Allgemeinen auf Fehlerdiagnose- und Fehlerprognosesysteme und insbesondere auf ein Fehlerdiagnose- und Fehlerprognosesystem und -verfahren unter Verwendung von Zeitdatengewinnung.
Erörterung des Standes der Technik
Diagnose- und Prognosetechniken zum Überwachen des Funktionszustandes eines Fahrzeugs können helfen, das Auftreten eines Problems vorherzusagen, um Präventivmaßnahmen zu ergreifen, bevor ein signifikanter Vorfall eintritt. Diese Techniken werden wichtiger, wenn ein Komponenten- oder Systemausfall kritische Auswirkungen haben kann, wie z. B. den Verlust von Fahrzeugfunktionen. Ferner können Hersteller die Kundenunzufriedenheit, die durch Ausfälle oder Verschlechterungen der Fahrzeugleistung verursacht wird, minimieren.
Herkömmlich wird die Fehlerdiagnose bordextern durch einen Techniker durchgeführt, der einen Computer oder ein anderes Diagnosewerkzeug mit dem elektrischen Bus des Fahrzeugs verbindet, der mit einer der elektronischen Steuereinheiten (ECUs) des Fahrzeugs verbunden ist. Sobald er verbunden ist, werden Diagnosefehlercodes (DTCs) aus der ECU gewonnen und verwendet, um bei der Feststellung zu helfen, was den Ausfall verursacht hat. In jüngerer Zeit wurden Fahrzeuge mit einer Borddiagnose ausgestattet, die dazu konfiguriert ist, einen Fahrzeugfahrer oder Techniker mit Diagnoseinformationen zu versehen, ohne manuell mit dem elektrischen Bus des Fahrzeugs verbunden sein zu müssen. Diese Diagnoseinformationen sind jedoch, ob sie bordextern oder bordintern empfangen werden, auf Schnappschussdaten, die durch die DTCs geliefert werden, und ausgewählte Betriebsparameter begrenzt. Obwohl DTC-Diagnosedaten helfen können, die Ursache eines existierenden Fehlers zu bestimmen, waren DTCs nicht dazu ausgelegt, eine frühe Warnung vor einem Komponenten- oder Systemausfall zu schaffen.
Eine bordexterne Auswertung von Diagnoseinformationen ist beispielsweise in der US 6 609 051 B2 beschrieben, wobei Diagnoseinformationen einer Vielzahl von Fahrzeugen drahtlos an einen Server übertragen werden, um von dem Server ausgewertet zu werden. Ähnliche Diagnosefunktionen sind in US 6 876 908 B2 , US 2007 / 0 271 014 A1 , US 6 415 395 B1 sowie US 7 558 771 B2 offenbart.
Was daher erforderlich ist, ist ein verbessertes Diagnose- und Prognosesystem und -verfahren, die dazu konfiguriert sind, eine frühe Warnung an einen Techniker oder Fahrzeugfahrer zu liefern, dass eine Komponente oder ein System wahrscheinlich in einem gewissen spezifizierten Zeitrahmen ausfällt.
Es ist eine der Erfindung zugrunde liegende Aufgabe, ein effizientes sowie zuverlässiges System mit einem entsprechenden Verfahren anzugeben, welches eine frühzeitige Erkennung oder eine aussagekräftige Vorhersage des Ausfalls von Fahrzeugkomponenten ermöglicht.
Diese Aufgabe wird durch die Gegenstände der unabhängigen Ansprüche gelöst.
Ein Fahrzeugfehlerdiagnose- und -prognosesystem umfasst ein Fahrzeugsteuernetz und eine Rechenplattform innerhalb eines Fahrzeugs, die dazu konfiguriert ist, einen Fehlerklassifikator von einem entfernten Server zu empfangen, wobei die Rechenplattform konkret computerausführbare Befehle zum Auswerten von Datensequenzen enthält, die von dem Fahrzeugsteuernetz empfangen werden, und den Klassifikator auf die Datensequenzen anwendet, wobei der Klassifikator dazu konfiguriert ist, festzustellen, ob die Datensequenzen ein Muster definieren, das einem speziellen Fehler zugeordnet ist.
Zusätzliche Merkmale werden aus der folgenden Beschreibung und den beigefügten Ansprüchen in Verbindung mit den begleitenden Zeichnungen ersichtlich.
Figurenliste

1 stellt ein beispielhaftes Fehlerdiagnose- und Fehlerprognosesystem gemäß einer Ausführungsform dar; und
2 ist ein Ablaufplan, der ein Verfahren zur Fehlervorhersage gemäß dem System von 1 darstellt.

AUSFÜHRLICHE BESCHREIBUNG DER AUSFÜHRUNGSFORMEN
Die folgende Erörterung der Ausführungsformen eines Systems und Verfahrens, die sich auf die Fehlerdiagnose und Fehlerprognose unter Verwendung von Zeitdatengewinnung von Diagnosefehlercodes (DTCs) und ausgewählten Betriebsparametern richten, ist dem Wesen nach lediglich beispielhaft und soll die Erfindung oder ihre Anwendungen oder Verwendungen keineswegs begrenzen.
Das System und Verfahren verwenden eine verbesserte Fahrzeugdiagnosegrundstruktur, die dazu konfiguriert ist, eine Frühwarnfehlervorhersage für Fahrzeugkomponenten zu schaffen. Das System umfasst eine mehrstufige Grundstruktur, die dazu konfiguriert ist, eine bordexterne und bordinterne Analyse von sowohl Echtzeitdaten von einem speziellen Fahrzeug als auch historischen Daten von einer Sammlung von ähnlichen Fahrzeugen durchzuführen. Die bordexterne Analyse umfasst eine Zeitdatengewinnung von zeitgestempelten oder sequenzierten Diagnosefehlercodes (DTC), um DTC-Sequenzen von einer Population von ähnlichen Fahrzeugen im großen Maßstab zu identifizieren. DTCs, die aktiv geworden sind, sind im Allgemeinen das Ergebnis einer Softwareprogrammierung, die dazu konfiguriert ist, nach bestimmten Problemen in einem Fahrzeug zu suchen und Flags in Form von Diagnosecodes auszugeben, wenn ein spezielles Problem auftritt. Somit folgt, dass eine DTC-Sequenz eine Sequenz von aufeinander folgenden Flags ist, die innerhalb eines speziellen Zeitrahmens auftreten. In einer Ausführungsform werden die DTCs zeitgestempelt, um die Festlegungszeit oder Auslösezeit des Ereignisses aufzuzeichnen, das hier erörterte Verfahren kann jedoch unter Verwendung von DTCs implementiert werden, die lediglich sequenziert sind.
Wie vorstehend dargelegt, sind DTCs diskrete markierte Ereignisse, die durch eine „0“ (d. h. AUS) oder eine „1“ (d. h. EIN) dargestellt werden. Im Gegensatz dazu sind Fahrzeugbetriebsparameter, wie z. B. Druck, Temperatur und Spannung, um einige zu nennen, Werte, die durch ein Bordsystem des Fahrzeugs aufgezeichnet werden. In einer alternativen Ausführungsform kann die verbesserte Fahrzeugdiagnosegrundstruktur unter Verwendung von nur Fahrzeugparametern implementiert werden oder kann unter Verwendung einer Kombination von Fahrzeugparametern und DTCs implementiert werden. Nachstehend können Fahrzeugparameter und DTCs gemeinsam als Fahrzeugdaten oder Datensequenzen bezeichnet werden.
Die bordexterne Analyse umfasst auch die Verwendung von historischen Daten wie z. B. Verkaufsvertretungsreparaturdaten, um Korrelationen zwischen den Datensequenzen und anschließenden Fehlern aufzuzeichnen. Diese Korrelationen werden verwendet, um einen Klassifikator zu erzeugen, der periodisch in das Bordsystem aller derartigen Fahrzeuge heruntergeladen wird. Das Bordsystem ist dazu konfiguriert, in Verbindung mit dem Klassifikator zu arbeiten, um Echtzeitdatensequenzen nachzuführen und Alarme oder Warnungen auf der Basis der bordinternen Analyse zu erzeugen.
1 stellt ein beispielhaftes Fehlerdiagnose- und Fehlerprognosesystem 10 mit einem individuellen Fahrzeug 12, das mit einer flexiblen Bordrechenplattform (FCP) 14 wie z. B. Onstar™ ausgestattet ist, dar. Eine Kommunikationsverbindung 16 ist zwischen der FCP 14 und einem Server 18 über einen Mobilfunkmast 20 (eine Alternative könnte auch über Satellit sein) hergestellt. Eine ähnliche Kommunikationsverbindung 22 ist zwischen dem Server 18 und einer Population von Fahrzeugen 24 über den Mobilfunkmast 20 hergestellt. Außerdem ist eine Verkaufsvertretungs-Kommunikationsverbindung 26 vorgesehen, um eine Kommunikation zwischen dem Server 18 und verschiedenen Verkaufsvertretungen 28 über das ganze Land herzustellen. Über die Verkaufsvertretungs-Kommunikationsverbindung 26 empfängt der Server 18 Reparaturdaten für jedes Fahrzeug, das eine Verkaufsvertretungs-Kundendienstabteilung besucht hat, über die Lebensdauer jedes Fahrzeugs. Wie nachstehend ausführlich erörtert, schaffen diese historischen Reparaturdaten eine Fülle von Informationen, die verwendet werden, um Verbindungen zwischen den DTC-Sequenzen und Fahrzeugfehlern herzustellen, um bevorstehende Komponentenausfälle vorherzusagen. Ein Fachmann auf dem Gebiet versteht, dass die Kommunikation zwischen dem Server 18, dem individuellen Fahrzeug 12 und der Population von Fahrzeugen 24 über den Mobilfunkmast 20 lediglich beispielhaft ist und dass irgendeine geeignete Form von Kommunikation ohne Begrenzung verwendet werden kann, die ermöglicht, dass Informationen zwischen dem individuellen Fahrzeug 12, der Population von Fahrzeugen 24 und dem Server 18 übertragen werden.
Der Server 18 ist eine Rechenvorrichtung, die dazu konfiguriert ist, Echtzeitdaten von individuellen Fahrzeugen 12 über die FCP 14 zu empfangen. Obwohl in 1 nicht speziell gezeigt, ist jedes der Fahrzeuge in der Population von Fahrzeugen 24 auch mit einer flexiblen Bordrechenplattform (FCP) ausgestattet, die dazu konfiguriert ist, mit dem Server 18 zu kommunizieren. Die Kommunikationsverbindungen 16, 22 erleichtern das periodische Hochladen/Herunterladen von Daten und Anwendungen 26 zwischen dem Server 18 und den Fahrzeugen 12, 24. Die Anwendungen 26 können ohne Begrenzung eine fortschrittliche Diagnose und eine Frühwarnprognose umfassen, die die trainierten Klassifikatoren umfassen.
2 stellt einen beispielhaften bordexternen Analysealgorithmus 30 zum Trainieren eines Klassifikators, um einen Komponentenausfall vorherzusagen, dar. In einer Ausführungsform ist der Algorithmus 30 auf dem Server 18 gespeichert, der DTCs, DTC-Sequenzen und Fahrzeugparameter aus der Population von Fahrzeugen 24 in Schritt 32 gewinnt. Es ist zu beachten, dass das Erfassen von DTC-Vorkommnissen und Parametern von jedem Fahrzeug im Betrieb sich auf eine außerordentlich große Menge von Daten beläuft. In Schritt 34 wendet der Algorithmus 30 folglich eine Zeitdatengewinnungsanwendung an, um die Sammlung von Informationen von der Population von Fahrzeugen 24 zu filtern, um Muster zu detektieren und die häufigsten Sequenzvorkommnisse zu bestimmen. In Schritt 36 ruft der Algorithmus 30 die durch die Verkaufsvertretungen gesammelten Reparaturdaten aus einer Datenbank (nicht dargestellt) im Server 18 ab. Die Reparaturdaten umfassen Fahrzeugreparaturinformationen, wie z. B. Fahrzeugmarke und -modell, Datum und Häufigkeit der Reparatur, ausgelöste DTCs mit zugehörigen Betriebsparametern und Arbeitscodes (d. h. Ausfallmodi), die speziellen DTC-Mustern zugeordnet sind.
Ein Zuordnungsalgorithmus wird in Schritt 38 auf die Sammlung von Daten angewendet, die den häufigsten DTC und Parametersequenzvorkommnisse von der Zeitdatengewinnungsanwendung von Schritt 34 und die Reparaturdaten, die von den Verkaufsvertretungen gesammelt werden, umfassen. Der Zuordnungsalgorithmus vergleicht die Sequenzvorkommnisse mit den Reparaturdaten und identifiziert Muster in der Sammlung von Daten, die mit anschließenden Fahrzeugausfallmodi kausal in Beziehung stehen. In Schritt 40 wird ein Gruppierungsalgorithmus auf die identifizierten Muster und Ausfallmodi angewendet und weist jedem Muster ein Unterstützungs- und/oder Vertrauensmaß zu. Dies wird durch Gruppierung der Datensequenzen gemäß einem speziellen Ausfallmodus durchgeführt. Der Gruppierungsprozess kann das Zuweisen einer Wahrscheinlichkeit zu jeder Sequenz- und Ausfallmoduskombination umfassen. Eine Sequenz, die aus DTC₁, DTC₂ und DTC₃ besteht, kann beispielsweise mit dem Ausfallmodus (FM) 1 kausal in Beziehung stehen und daher diesem zugewiesen werden. Der Gruppierungsalgorithmus kann dann feststellen, dass eine Wahrscheinlichkeit von neunzig Prozent besteht, dass die spezielle Datensequenz, die durch DTC₁, DTC₂ und DTC₃ definiert ist, mit FM 1 in Beziehung steht. In einem nicht begrenzenden Beispiel ist der Gruppierungsalgorithmus ein Abstandsmaßalgorithmus; ein Fachmann auf dem Gebiet versteht jedoch, dass eine beliebige geeignete Gruppierungstechnik verwendet werden kann.
In Schritt 42 wird ein Fehlervorhersageklassifikator trainiert, um die jeder Gruppierung zugeordneten Ausfallmodi zu lernen. Mit anderen Worten, der Klassifikator wird trainiert, um die Datensequenzen zu identifizieren, die zu speziellen Ausfallmodi (d. h. Fehlern) führen. Der Klassifikator kann beispielsweise eine Unterstützungsvektormaschine (SVM), ein Entscheidungsbaum (DT) oder ein neuronales Netz (NN) sein. Diese Klassifikatoren können allein oder in Kombination verwendet werden. Der vorstehend angeführte bordexterne Analysealgorithmus zum Trainieren eines Klassifikators kann nach der Produktion periodisch aktualisiert werden, um neue Gruppierungen und Ausfallmodi zu implementieren, die zum Zeitpunkt der Herstellung unvorhersehbar waren.
3 stellt einen beispielhaften Analysealgorithmus 50 dar, der dazu konfiguriert ist, den trainierten Klassifikator an sich entwickelnden DTC-Mustern, die durch die Bord-FCP 14 erfasst werden, zu implementieren. Unter Verwendung einer Methode wird der Algorithmus 50 innerhalb des Fahrzeugs auf einer flexiblen Bordrechenplattform implementiert, wie im nachstehenden Beispiel dargelegt. Ein Fachmann auf dem Gebiet versteht jedoch, dass der Algorithmus 50 auch außerhalb des Fahrzeugs unter Verwendung eines bordexternen Analysators an einem Kundendienstort oder an einem anderen entfernten Ort implementiert werden kann.
Unter Verwendung einer Bordimplementierung wird folglich der trainierte Klassifikator in Schritt 52 vom Server 18 auf die Bord-FCP 14 eines Fahrzeugs heruntergeladen. Diese Herunterladevorgänge können auf Anforderung geschehen oder können automatisch auf einer wiederkehrenden Basis stattfinden. In einigen Fällen können diese Herunterladevorgänge vielmehr einfach Parameteraktualisierungen an einem existierenden Klassifikator als ein vollständig neuer Klassifikator sein. In Schritt 54 überwacht die Bord-FCP 14 kontinuierlich Echtzeitdatensequenzen vom Steuernetz des Fahrzeugs, das in einem nicht begrenzenden Beispiel ein Steuerbereichsnetzbus (CAN-Bus) ist. In Schritt 56 wird der Fehlerklassifikator eingeführt und an den sich entwickelnden Datensequenzen ausgeführt, um festzustellen, ob die sich entwickelnden Datensequenzen einem bekannten Fehler zugeordnet sind. Mit anderen Worten, der Klassifikator vergleicht eine DTC-Zeichenkette mit den gelernten Parametern und identifiziert ähnliche Muster, die zu einem speziellen Fehler führen können. In Schritt 58 kann ein Frühwarnalarm an die Bord-FCP 14 und schließlich an den Fahrzeugfahrer ausgegeben werden, wenn die Datenzeichenkette einen identifizierten Fehler im Klassifikator angibt. Als Alternative kann der Alarm zu einem Techniker oder einem anderen Diagnosewerkzeug übertragen werden.
Das System 10 mit der Bord-FCP 14 und dem Server 18 kann an einer oder mehreren geeigneten Rechenvorrichtungen implementiert werden, die im Allgemeinen Softwareanwendungen umfassen, die konkret als Satz von computerausführbaren Befehlen auf einem computerlesbaren Medium innerhalb der Rechenvorrichtung enthalten sind. Die Rechenvorrichtung kann irgendeine von einer Anzahl von Rechenvorrichtungen sein, wie z. B. ein Personalcomputer, ein Prozessor, eine in der Hand gehaltene Rechenvorrichtung usw.
Rechenvorrichtungen umfassen im Allgemeinen jeweils Befehle, die von einer oder mehreren Vorrichtungen wie z. B. den vorstehend aufgelisteten ausführbar sind. Computerausführbare Befehle können von Computerprogrammen kompiliert oder interpretiert werden, die unter Verwendung einer Vielfalt von Programmiersprachen und/oder -technologien erstellt werden, einschließlich ohne Begrenzung und entweder allein oder in Kombination Java™, C, C++, Visual Basic, Java Script, Perl usw. Im Allgemeinen empfängt ein Prozessor (z. B. ein Mikroprozessor) Befehle, z. B. von einem Speicher, einem computerlesbaren Medium usw., und führt diese Befehle aus, wodurch ein oder mehrere Prozesse durchgeführt werden, einschließlich eines oder mehrerer der hier beschriebenen Prozesse. Solche Befehle und andere Daten können unter Verwendung einer Vielfalt von bekannten computerlesbaren Medien gespeichert und übertragen werden.
Computerlesbare Medien umfassen irgendein Medium, das an der Bereitstellung von Daten (z. B. Befehlen) teilnimmt, die von einer Rechenvorrichtung wie z. B. einem Computer gelesen werden können. Ein solches Medium kann viele Formen annehmen, einschließlich nicht flüchtiger Medien, flüchtiger Medien und Übertragungsdaten, ohne jedoch darauf begrenzt zu sein. Nicht flüchtige Medien umfassen beispielsweise optische oder magnetische Platten und einen anderen permanenten Speicher. Flüchtige Medien umfassen einen dynamischen Direktzugriffsspeicher (DRAM), der typischerweise einen Hauptspeicher bildet. Übliche Formen von computerlesbaren Medien umfassen irgendein Medium, von dem ein Computer lesen kann.

Claims

Fahrzeugfehlerdiagnose- und Fahrzeugfehlerprognosesystem (10), das umfasst: eine Rechenplattform (14), die innerhalb eines Fahrzeugs (12) angeordnet ist, dadurch gekennzeichnet, dass die Rechenplattform (14) dazu konfiguriert ist, periodisch einen Fehlerklassifikator von einem entfernten Server (18) zu empfangen, wobei die Rechenplattform (14) konkret computerausführbare Befehle enthält zum: Auswerten von aktuellen Datensequenzen, die von einem Fahrzeugsteuernetz empfangen werden und sequenzierte Diagnosefehlercodes, zeitgestempelte Diagnosefehlercodes und Fahrzeugparameter umfassen; und Anwenden des Klassifikators auf die Datensequenzen, wobei der Klassifikator dazu konfiguriert ist, festzustellen, ob die Datensequenzen ein Muster definieren, das einem speziellen Fehler zugeordnet ist, Ausgeben einer Warnmeldung, wenn festgestellt wird, dass die Datensequenzen ein Muster definieren, das einem speziellen Fehler zugeordnet ist, wobei der Klassifikator trainiert ist auf der Grundlage eines Vergleichs von Datensequenzen, die aus einer ersten Population von Fahrzeugen gewonnen werden, mit Reparaturdaten, die aus einer zweiten Population von Fahrzeugen gewonnen werden, wobei auf die Datensequenzen, die aus der ersten Population von Fahrzeugen gewonnen werden, eine Zeitdatengewinnungsanwendung angewendet wird, die das Identifizieren von häufigen Datensequenzen umfasst; wobei die Datensequenzen, die aus der ersten Population von Fahrzeugen gewonnen werden, mit den Reparaturdaten, die aus der zweiten Population von Fahrzeugen gewonnen werden, miteinander verglichen werden, um Muster in den Datensequenzen zu identifizieren, die mit einem speziellen Ausfallmodus kausal in Beziehung stehen, wobei jedem identifizierten Muster ein Unterstützungs- und Vertrauensmaß in Form einer Wahrscheinlichkeit zugewiesen wird.
System (10) nach Anspruch 1, wobei der Klassifikator trainiert ist, um mehrere Datensequenzgruppierungen einem speziellen Ausfallmodus zuzuordnen.
Verfahren zur Fehlerdiagnose und Fehlerprognose, das umfasst: Gewinnen von Datensequenzen aus einer ersten Population von Fahrzeugen; Anwenden einer Zeitdatengewinnungsanwendung, die das Identifizieren von häufigen Datensequenzen umfasst, auf die Datensequenzen, die aus der ersten Population von Fahrzeugen gewonnen werden, um Muster in den Datensequenzen zu detektieren; Abrufen von Reparaturdaten in Bezug auf eine zweite Population von Fahrzeugen; Vergleichen der Datensequenzen mit den Reparaturdaten, um Muster in den Datensequenzen zu identifizieren, die mit einem speziellen Ausfallmodus kausal in Beziehung stehen; Zuweisen eines Unterstützungs- und Vertrauensmaßes in Form einer Wahrscheinlichkeit zu jedem identifizierten Muster; wobei die Fahrzeuge der ersten Population jeweils eine Rechenplattform (14) innerhalb des jeweiligen Fahrzeugs (12) umfassen, die dazu konfiguriert ist, einen Fehlerklassifikator periodisch von einem entfernten Server (18) zu empfangen, wobei die Rechenplattform (14) konkret computerausführbare Befehle enthält zum: Auswerten von aktuellen Datensequenzen, die von einem Fahrzeugsteuernetz empfangen werden und sequenzierte Diagnosefehlercodes, zeitgestempelte Diagnosefehlercodes und Fahrzeugparameter umfassen; und Anwenden des Klassifikators auf die Datensequenzen, wobei der Klassifikator dazu konfiguriert ist, festzustellen, ob die Datensequenzen ein Muster definieren, das einem speziellen Fehler zugeordnet ist; Ausgeben einer Warnmeldung, wenn festgestellt wird, dass die die Datensequenzen ein Muster definieren, das einem speziellen Fehler zugeordnet ist.
Verfahren nach Anspruch 3, wobei die erste Population von Fahrzeugen zur zweiten Population von Fahrzeugen ähnlich ist.