DE102011008211B4 - Fahrzeugfehlerdiagnose- und Fahrzeugfehlerprognosesystem und Verfahren zur Fehlerdiagnose und Fehlerprognose - Google Patents
Fahrzeugfehlerdiagnose- und Fahrzeugfehlerprognosesystem und Verfahren zur Fehlerdiagnose und Fehlerprognose Download PDFInfo
- Publication number
- DE102011008211B4 DE102011008211B4 DE102011008211.5A DE102011008211A DE102011008211B4 DE 102011008211 B4 DE102011008211 B4 DE 102011008211B4 DE 102011008211 A DE102011008211 A DE 102011008211A DE 102011008211 B4 DE102011008211 B4 DE 102011008211B4
- Authority
- DE
- Germany
- Prior art keywords
- data sequences
- vehicles
- population
- vehicle
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/008—Reliability or availability analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2474—Sequence data queries, e.g. querying versioned data
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Mathematical Physics (AREA)
- Fuzzy Systems (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Traffic Control Systems (AREA)
- Vehicle Cleaning, Maintenance, Repair, Refitting, And Outriggers (AREA)
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 inUS 6 876 908 B2 ,US 2007 / 0 271 014 A1 US 6 415 395 B1 sowieUS 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 von1 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 Fehlerprognosesystem10 mit einem individuellen Fahrzeug12 , das mit einer flexiblen Bordrechenplattform (FCP)14 wie z. B. Onstar™ ausgestattet ist, dar. Eine Kommunikationsverbindung16 ist zwischen der FCP14 und einem Server18 über einen Mobilfunkmast20 (eine Alternative könnte auch über Satellit sein) hergestellt. Eine ähnliche Kommunikationsverbindung22 ist zwischen dem Server18 und einer Population von Fahrzeugen24 über den Mobilfunkmast20 hergestellt. Außerdem ist eine Verkaufsvertretungs-Kommunikationsverbindung26 vorgesehen, um eine Kommunikation zwischen dem Server18 und verschiedenen Verkaufsvertretungen28 über das ganze Land herzustellen. Über die Verkaufsvertretungs-Kommunikationsverbindung26 empfängt der Server18 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 Server18 , dem individuellen Fahrzeug12 und der Population von Fahrzeugen24 über den Mobilfunkmast20 lediglich beispielhaft ist und dass irgendeine geeignete Form von Kommunikation ohne Begrenzung verwendet werden kann, die ermöglicht, dass Informationen zwischen dem individuellen Fahrzeug12 , der Population von Fahrzeugen24 und dem Server18 übertragen werden. - Der Server
18 ist eine Rechenvorrichtung, die dazu konfiguriert ist, Echtzeitdaten von individuellen Fahrzeugen12 über die FCP14 zu empfangen. Obwohl in1 nicht speziell gezeigt, ist jedes der Fahrzeuge in der Population von Fahrzeugen24 auch mit einer flexiblen Bordrechenplattform (FCP) ausgestattet, die dazu konfiguriert ist, mit dem Server18 zu kommunizieren. Die Kommunikationsverbindungen16 ,22 erleichtern das periodische Hochladen/Herunterladen von Daten und Anwendungen26 zwischen dem Server18 und den Fahrzeugen12 ,24 . Die Anwendungen26 können ohne Begrenzung eine fortschrittliche Diagnose und eine Frühwarnprognose umfassen, die die trainierten Klassifikatoren umfassen. -
2 stellt einen beispielhaften bordexternen Analysealgorithmus30 zum Trainieren eines Klassifikators, um einen Komponentenausfall vorherzusagen, dar. In einer Ausführungsform ist der Algorithmus30 auf dem Server18 gespeichert, der DTCs, DTC-Sequenzen und Fahrzeugparameter aus der Population von Fahrzeugen24 in Schritt32 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 Schritt34 wendet der Algorithmus30 folglich eine Zeitdatengewinnungsanwendung an, um die Sammlung von Informationen von der Population von Fahrzeugen24 zu filtern, um Muster zu detektieren und die häufigsten Sequenzvorkommnisse zu bestimmen. In Schritt36 ruft der Algorithmus30 die durch die Verkaufsvertretungen gesammelten Reparaturdaten aus einer Datenbank (nicht dargestellt) im Server18 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 Schritt34 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 Schritt40 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 FM1 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 Analysealgorithmus50 dar, der dazu konfiguriert ist, den trainierten Klassifikator an sich entwickelnden DTC-Mustern, die durch die Bord-FCP14 erfasst werden, zu implementieren. Unter Verwendung einer Methode wird der Algorithmus50 innerhalb des Fahrzeugs auf einer flexiblen Bordrechenplattform implementiert, wie im nachstehenden Beispiel dargelegt. Ein Fachmann auf dem Gebiet versteht jedoch, dass der Algorithmus50 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 Server18 auf die Bord-FCP14 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 Schritt54 überwacht die Bord-FCP14 kontinuierlich Echtzeitdatensequenzen vom Steuernetz des Fahrzeugs, das in einem nicht begrenzenden Beispiel ein Steuerbereichsnetzbus (CAN-Bus) ist. In Schritt56 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 Schritt58 kann ein Frühwarnalarm an die Bord-FCP14 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-FCP14 und dem Server18 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 (4)
- 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.
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US12/686,963 | 2010-01-13 | ||
US12/686,963 US8676432B2 (en) | 2010-01-13 | 2010-01-13 | Fault prediction framework using temporal data mining |
Publications (2)
Publication Number | Publication Date |
---|---|
DE102011008211A1 DE102011008211A1 (de) | 2011-09-01 |
DE102011008211B4 true DE102011008211B4 (de) | 2018-05-03 |
Family
ID=44259172
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
DE102011008211.5A Active DE102011008211B4 (de) | 2010-01-13 | 2011-01-10 | Fahrzeugfehlerdiagnose- und Fahrzeugfehlerprognosesystem und Verfahren zur Fehlerdiagnose und Fehlerprognose |
Country Status (3)
Country | Link |
---|---|
US (1) | US8676432B2 (de) |
CN (2) | CN102129447A (de) |
DE (1) | DE102011008211B4 (de) |
Families Citing this family (69)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8095261B2 (en) * | 2009-03-05 | 2012-01-10 | GM Global Technology Operations LLC | Aggregated information fusion for enhanced diagnostics, prognostics and maintenance practices of vehicles |
JP5161829B2 (ja) * | 2009-04-06 | 2013-03-13 | 本田技研工業株式会社 | 故障再現を支援する診断装置および故障再現データの出力方法 |
US8676432B2 (en) * | 2010-01-13 | 2014-03-18 | GM Global Technology Operations LLC | Fault prediction framework using temporal data mining |
US8433472B2 (en) * | 2010-08-04 | 2013-04-30 | GM Global Technology Operations LLC | Event-driven data mining method for improving fault code settings and isolating faults |
KR101703163B1 (ko) * | 2011-03-22 | 2017-02-07 | 한국전자통신연구원 | 차량의 복합 고장을 예측하기 위한 장치 및 방법 |
US8560165B2 (en) | 2012-01-17 | 2013-10-15 | GM Global Technology Operations LLC | Co-operative on-board and off-board component and system diagnosis and prognosis |
DE102012202540A1 (de) * | 2012-02-20 | 2013-08-22 | Robert Bosch Gmbh | Diagnoseverfahren und Diagnosevorrichtung für eine Fahrzeugkomponente eines Fahrzeugs |
US8977423B2 (en) | 2012-05-23 | 2015-03-10 | Snap-On Incorporated | Methods and systems for providing vehicle repair information |
US9158834B2 (en) | 2013-01-21 | 2015-10-13 | Snap-On Incorporated | Methods and systems for mapping repair orders within a database |
CN104021264B (zh) * | 2013-02-28 | 2017-06-20 | 华为技术有限公司 | 一种缺陷预测方法及装置 |
DE102013107962B4 (de) * | 2013-07-25 | 2016-08-04 | Deutsches Zentrum für Luft- und Raumfahrt e.V. | Verfahren zur Überwachung von Komponenten eines Systems, kooperatives Fahrzeugfahrerassistenzsystem, Infrastruktureinrichtung sowie Computerprogramm |
US9336244B2 (en) | 2013-08-09 | 2016-05-10 | Snap-On Incorporated | Methods and systems for generating baselines regarding vehicle service request data |
US9477950B2 (en) | 2014-09-04 | 2016-10-25 | Snap-On Incorporated | Prognostics-based estimator |
US9672497B1 (en) | 2013-11-04 | 2017-06-06 | Snap-On Incorporated | Methods and systems for using natural language processing and machine-learning to produce vehicle-service content |
CN103795373B (zh) * | 2013-11-29 | 2016-07-06 | 电子科技大学中山学院 | 一种不完备系统故障诊断的生成粒子滤波器方法 |
DE102013225717B4 (de) | 2013-12-12 | 2018-07-26 | Robert Bosch Gmbh | Verfahren zur Modifikation einer On-Board-Diagnose eines Fahrzeugs |
US9201930B1 (en) | 2014-05-06 | 2015-12-01 | Snap-On Incorporated | Methods and systems for providing an auto-generated repair-hint to a vehicle repair tool |
CN104484678B (zh) * | 2015-01-07 | 2017-06-16 | 青岛理工大学 | 基于故障类型分类能力评价矩阵的多分类器融合故障诊断方法 |
US9639995B2 (en) | 2015-02-25 | 2017-05-02 | Snap-On Incorporated | Methods and systems for generating and outputting test drive scripts for vehicles |
US10216796B2 (en) | 2015-07-29 | 2019-02-26 | Snap-On Incorporated | Systems and methods for predictive augmentation of vehicle service procedures |
US10380557B2 (en) * | 2015-07-31 | 2019-08-13 | Snap-On Incorporated | Methods and systems for clustering of repair orders based on alternative repair indicators |
US9951704B2 (en) * | 2015-09-08 | 2018-04-24 | GM Global Technology Operations LLC | No start event monitoring |
US11144888B2 (en) | 2015-10-02 | 2021-10-12 | Snap-On Incorporated | Method and system for augmenting real-fix tips with additional content |
US11429936B2 (en) | 2015-10-02 | 2022-08-30 | Snap-On Incorporated | System and method for dynamically-changeable displayable pages with vehicle service information |
CN105446290A (zh) * | 2015-10-10 | 2016-03-30 | 广东乐善机械有限公司 | 一种基于物联网控制的吹瓶机远程维修服务系统及方法 |
CA2922108C (en) | 2015-10-15 | 2023-03-07 | Tata Consultancy Services Limited | Systems and methods for predictive reliability mining |
US9704141B2 (en) * | 2015-11-05 | 2017-07-11 | Snap-On Incorporated | Post-repair data comparison |
US9846860B2 (en) * | 2015-11-05 | 2017-12-19 | Snap-On Incorporated | Methods and systems for clustering of repair orders based on multiple repair indicators |
US9665994B1 (en) | 2015-11-11 | 2017-05-30 | Snap-On Incorporated | Methods and systems for providing a vehicle repair tip |
KR101786228B1 (ko) * | 2015-12-01 | 2017-10-18 | 현대자동차주식회사 | 차량 고장 진단방법 |
EP3179365A1 (de) | 2015-12-11 | 2017-06-14 | Tata Consultancy Services Limited | Systeme und verfahren zur erkennung von passendem inhalt in codedateien |
JP6423402B2 (ja) * | 2015-12-16 | 2018-11-14 | パナソニック インテレクチュアル プロパティ コーポレーション オブ アメリカPanasonic Intellectual Property Corporation of America | セキュリティ処理方法及びサーバ |
CN112437056B (zh) | 2015-12-16 | 2023-07-25 | 松下电器(美国)知识产权公司 | 安全处理方法以及服务器 |
US10102690B2 (en) * | 2016-03-04 | 2018-10-16 | Deere & Company | Non-starting engine remote diagnostic |
US10643158B2 (en) | 2016-04-01 | 2020-05-05 | Snap-On Incorporated | Technician timer |
CN106055439B (zh) * | 2016-05-27 | 2019-09-27 | 大连楼兰科技股份有限公司 | 基于维修决策树/词向量的故障远程诊断系统和方法 |
FR3052273B1 (fr) | 2016-06-02 | 2018-07-06 | Airbus | Prediction de pannes dans un aeronef |
US10068207B2 (en) * | 2016-06-17 | 2018-09-04 | Snap-On Incorporated | Systems and methods to generate repair orders using a taxonomy and an ontology |
US10692035B2 (en) * | 2016-07-26 | 2020-06-23 | Mitchell Repair Information Company, Llc | Methods and systems for tracking labor efficiency |
US9959792B2 (en) | 2016-09-29 | 2018-05-01 | GM Global Technology Operations LLC | System and method to place subjective messages on a vehicle |
WO2018069853A1 (en) * | 2016-10-12 | 2018-04-19 | Harman International Industries, Incorporated | Systems and methods for in-vehicle predictive failure detection |
US10186155B2 (en) * | 2016-12-22 | 2019-01-22 | Xevo Inc. | Method and system for providing interactive parking management via artificial intelligence analytic (AIA) services using cloud network |
CN106482943A (zh) * | 2016-12-28 | 2017-03-08 | 湖南坤宇网络科技有限公司 | 一种基于决策树系统的锅炉主汽阀关闭失灵预警方法 |
US11704590B2 (en) | 2017-03-24 | 2023-07-18 | Toyota Motor Engineering & Manufacturing North America, Inc. | Methods and systems for predicting failure of a power control unit of a vehicle |
CN107403480A (zh) * | 2017-06-15 | 2017-11-28 | 北汽福田汽车股份有限公司 | 一种车辆故障预警方法、系统及车辆 |
US10733548B2 (en) | 2017-06-16 | 2020-08-04 | Snap-On Incorporated | Technician assignment interface |
CN107368538A (zh) * | 2017-06-23 | 2017-11-21 | 芜湖恒天易开软件科技股份有限公司 | 用户行为数据采集系统 |
CN107273273A (zh) * | 2017-06-27 | 2017-10-20 | 郑州云海信息技术有限公司 | 一种分布式集群硬件故障预警方法及系统 |
KR20200064118A (ko) * | 2017-09-29 | 2020-06-05 | 위 프레딕트 리미티드 | 차량 수리 동작 예측 |
CN110059325B (zh) * | 2018-01-19 | 2024-05-03 | 罗伯特·博世有限公司 | 车辆故障预警系统及对应的车辆故障预警方法 |
CN109086187A (zh) * | 2018-07-26 | 2018-12-25 | 郑州云海信息技术有限公司 | 一种性能告警方法和装置 |
DE102018215636A1 (de) | 2018-09-13 | 2020-03-19 | Volkswagen Aktiengesellschaft | Verfahren, Computerprogramme und Vorrichtungen für eine Netzwerkkomponente und für ein Endgerät, Netzwerkkomponente, Endgerät, System |
US11232650B2 (en) | 2018-09-14 | 2022-01-25 | Conduent Business Services, Llc | Modelling operational conditions to predict life expectancy and faults of vehicle components in a fleet |
US11354320B2 (en) * | 2018-10-11 | 2022-06-07 | International Business Machines Corporation | Determining causes of events in data |
CN109460003A (zh) * | 2018-10-17 | 2019-03-12 | 南京凯奥思数据技术有限公司 | 车辆故障预测建模方法及系统 |
US11151808B2 (en) * | 2018-12-06 | 2021-10-19 | GM Global Technology Operations LLC | Vehicle fault root cause diagnosis |
DE102018132685A1 (de) | 2018-12-18 | 2020-06-18 | Bayerische Motoren Werke Aktiengesellschaft | Verfahren zum ferngesteuerten Handhaben eines Fehlerbefundes eines Fortbewegungsmittels, Fortbewegungsmittel, Backend-Server und System |
US11093315B2 (en) | 2019-03-22 | 2021-08-17 | Toyota Motor Engineering & Manufacturing North America, Inc. | Systems and methods for detecting a fault or a model mismatch |
US10922906B2 (en) * | 2019-03-28 | 2021-02-16 | GM Global Technology Operations LLC | Monitoring and diagnosing vehicle system problems using machine learning classifiers |
US10922164B2 (en) * | 2019-04-30 | 2021-02-16 | Accenture Global Solutions Limited | Fault analysis and prediction using empirical architecture analytics |
CN110222822B (zh) * | 2019-05-31 | 2021-04-09 | 北京工业大学 | 黑盒预测模型内部特征因果图的构建方法 |
US11150623B2 (en) | 2019-06-28 | 2021-10-19 | GM Global Technology Operations LLC | Data-driven approach for effective system change identification |
CN113127237A (zh) * | 2019-12-27 | 2021-07-16 | 北京金风慧能技术有限公司 | 风力发电机组的主故障识别方法和系统 |
KR102552699B1 (ko) * | 2020-11-30 | 2023-07-10 | 주식회사 인포카 | 차량 고장 여부를 예측하기 위한 인공 신경망 학습 방법, 차량 고장 여부 판단 방법, 및 이를 수행하는 컴퓨팅 시스템 |
CN113158415B (zh) * | 2021-02-23 | 2023-09-08 | 电子科技大学长三角研究院(衢州) | 一种基于误差分析的车辆轨迹相似度评估方法 |
CN114239734B (zh) * | 2021-12-21 | 2023-09-12 | 中国人民解放军63963部队 | 一种分布式车载健康管理系统 |
CN114091625B (zh) * | 2022-01-18 | 2022-04-29 | 岚图汽车科技有限公司 | 一种基于故障代码序列的车辆零件失效预测方法及系统 |
CN116757648B (zh) * | 2023-08-18 | 2023-11-03 | 天津市职业大学 | 基于人工智能的生产制造管理系统及方法 |
KR102697207B1 (ko) * | 2023-12-28 | 2024-08-21 | (주)가이온 | 출현패턴 기반의 장애진단 네트워크를 활용한 무인비행체 시스템 고장진단 기술 및 방법 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6415395B1 (en) | 1999-04-02 | 2002-07-02 | General Electric Company | Method and system for processing repair data and fault log data to facilitate diagnostics |
US6609051B2 (en) | 2001-09-10 | 2003-08-19 | Daimlerchrysler Ag | Method and system for condition monitoring of vehicles |
US6876908B2 (en) | 2001-09-28 | 2005-04-05 | Daimlerchrysler Ag | Method for creating a maintenance algorithm |
US20070271014A1 (en) | 1995-06-07 | 2007-11-22 | Automotive Technologies International, Inc. | Vehicle Diagnostic and Prognostic Methods and Systems |
US7558771B2 (en) | 2006-06-07 | 2009-07-07 | Gm Global Technology Operations, Inc. | System and method for selection of prediction tools |
Family Cites Families (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020007237A1 (en) * | 2000-06-14 | 2002-01-17 | Phung Tam A. | Method and system for the diagnosis of vehicles |
US20020173885A1 (en) * | 2001-03-13 | 2002-11-21 | Lowrey Larkin Hill | Internet-based system for monitoring vehicles |
KR100838804B1 (ko) * | 2000-09-21 | 2008-06-17 | 아메리칸 캘카어 인코포레이티드 | 차량을 효과적으로 그리고 안전하게 운전하는 기술 |
JP3834463B2 (ja) * | 2000-10-13 | 2006-10-18 | 株式会社日立製作所 | 車載故障警報通報システム |
US7526461B2 (en) * | 2004-11-17 | 2009-04-28 | Gm Global Technology Operations, Inc. | System and method for temporal data mining |
US7103509B2 (en) * | 2004-11-23 | 2006-09-05 | General Electric Company | System and method for predicting component failures in large systems |
CN1648960A (zh) | 2005-02-05 | 2005-08-03 | 华南理工大学 | 一种汽车轮胎气压在线监测装置及其在线监测方法 |
US20080059120A1 (en) * | 2006-08-30 | 2008-03-06 | Fei Xiao | Using fault history to predict replacement parts |
CN100468263C (zh) | 2007-09-05 | 2009-03-11 | 东北大学 | 连采机远程实时故障预测及诊断方法与装置 |
JP4453764B2 (ja) * | 2008-02-22 | 2010-04-21 | トヨタ自動車株式会社 | 車両診断装置、車両診断システム、診断方法 |
US9026304B2 (en) * | 2008-04-07 | 2015-05-05 | United Parcel Service Of America, Inc. | Vehicle maintenance systems and methods |
US20090271066A1 (en) * | 2008-04-23 | 2009-10-29 | Underdal Olav M | Diagnostic data mining |
US20100023203A1 (en) * | 2008-07-23 | 2010-01-28 | Oren Shibi | Diagnosis system and method for assisting a user |
US20100030418A1 (en) * | 2008-07-31 | 2010-02-04 | Gm Global Technology Operations, Inc. | Online health monitoring via multidimensional temporal data mining |
US8374745B2 (en) * | 2008-09-05 | 2013-02-12 | GM Global Technology Operations LLC | Telematics-enabled aggregated vehicle diagnosis and prognosis |
CN101382439B (zh) * | 2008-10-27 | 2010-12-29 | 哈尔滨工业大学 | 多参数自确认传感器的状态自确认方法 |
US8498776B2 (en) * | 2009-11-17 | 2013-07-30 | GM Global Technology Operations LLC | Fault diagnosis and prognosis using diagnostic trouble code markov chains |
US8473330B2 (en) * | 2009-12-10 | 2013-06-25 | GM Global Technology Operations LLC | Software-centric methodology for verification and validation of fault models |
US8676432B2 (en) * | 2010-01-13 | 2014-03-18 | GM Global Technology Operations LLC | Fault prediction framework using temporal data mining |
-
2010
- 2010-01-13 US US12/686,963 patent/US8676432B2/en active Active
-
2011
- 2011-01-10 DE DE102011008211.5A patent/DE102011008211B4/de active Active
- 2011-01-13 CN CN2011100065290A patent/CN102129447A/zh active Pending
- 2011-01-13 CN CN201610033138.0A patent/CN105677887A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070271014A1 (en) | 1995-06-07 | 2007-11-22 | Automotive Technologies International, Inc. | Vehicle Diagnostic and Prognostic Methods and Systems |
US6415395B1 (en) | 1999-04-02 | 2002-07-02 | General Electric Company | Method and system for processing repair data and fault log data to facilitate diagnostics |
US6609051B2 (en) | 2001-09-10 | 2003-08-19 | Daimlerchrysler Ag | Method and system for condition monitoring of vehicles |
US6876908B2 (en) | 2001-09-28 | 2005-04-05 | Daimlerchrysler Ag | Method for creating a maintenance algorithm |
US7558771B2 (en) | 2006-06-07 | 2009-07-07 | Gm Global Technology Operations, Inc. | System and method for selection of prediction tools |
Also Published As
Publication number | Publication date |
---|---|
CN102129447A (zh) | 2011-07-20 |
US8676432B2 (en) | 2014-03-18 |
US20110172874A1 (en) | 2011-07-14 |
CN105677887A (zh) | 2016-06-15 |
DE102011008211A1 (de) | 2011-09-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
DE102011008211B4 (de) | Fahrzeugfehlerdiagnose- und Fahrzeugfehlerprognosesystem und Verfahren zur Fehlerdiagnose und Fehlerprognose | |
DE102015214739B4 (de) | Verfahren zur Bestimmung einer Fehlerursache bei einem Fahrzeug und Server zum Durchführen der Bestimmung der Fehlerursache | |
DE102012102770B4 (de) | System und Verfahren zur Fehlereingrenzung und Fehlerabschwächung basierend auf einer Netzwerkmodellierung | |
DE10235525B4 (de) | Verfahren und System zur Überwachung des Zustands eines Fahrzeugs | |
DE102011108678B4 (de) | Ereignisgesteuertes Datamining-Verfahren zum Verbessern von Fehlercodeeinstellungen und zum Isolieren von Fehlern | |
US8374745B2 (en) | Telematics-enabled aggregated vehicle diagnosis and prognosis | |
EP2146262B1 (de) | Verfahren zum Bestimmen fehlerhafter Komponenten in einem System | |
DE102010051133A1 (de) | Fehlerdiagnose und -prognose unter Verwendung von Diagnosestörungscode-Markov-Ketten | |
DE112009000439T5 (de) | Fahrzeuginformationsaufzeichnungsvorrichtung, Fahrzeuginformationskommunikationssystem und Fahrzeuginformationskommunikationsverfahren | |
DE102010052998A1 (de) | Software-zentrierte Methodik für die Überprüfung und Bestätigung von Fehlermodellen | |
DE102019115356B4 (de) | Verfahren zur fahrzeugfehler-grundursachendiagnose | |
DE102013200249A1 (de) | Zusammenwirkende fahrzeuginterne und fahzeugexterne Komponenten- und Systemdiagnose und -prognose | |
EP1751637A1 (de) | Wissensbasiertes diagnosesystem für ein komplexes technisches system mit zwei getrennten wissensbasen zur verarbeitung technischer systemdaten und zur verarbeitung von kundenbeanstandungen | |
EP3610277B1 (de) | System und verfahren zum bestimmen eines zustands einer fahrzeugbatterie | |
DE102018103683A1 (de) | Verfahren und vorrichtung zur statistischen analyse von fahrzeugelementausfall | |
DE102021114087A1 (de) | Selektive Meldesysteme für Funktionszustandsinformationen, die integrierte Diagnosemodelle enthalten, die Informationen über die geringst- und höchstmögliche Ursache bereitstellen | |
DE102017219473A1 (de) | Verfahren zum vorausschauenden Erkennen eines Ausfalls einer Komponente eines Fahrzeugs, computerlesbares Medium, System, und Fahrzeug umfassend das System | |
WO2007022849A2 (de) | Verfahren zur identifikation komplexer diagnosesituationen im kundendienst | |
DE102020128497A1 (de) | Computerimplementiertes Verfahren und System zur dialogunterstützten Ferndiagnose eines Defekts an einem technischen Bauteil und/oder System eines Fahrzeugs und Trainingsverfahren | |
DE102019112492A1 (de) | Vorhersage über restnutzungsdauer eines fahrzeugs | |
DE102010005742A1 (de) | Integriertes Diagnose- und Prognosesystem als Teil der Unternehmenswertschöpfungskette | |
DE102020124194A1 (de) | Verfahren zur vorverarbeitung von fehlersignalen sowie computerprogrammprodukt | |
EP2175334A2 (de) | Verfahren zur Steigerung der Effizienz von Fahrzeugen bzw. Fahrzeugsystemen mit und ohne Waffensysteme | |
DE10315344B4 (de) | Verfahren und Vorrichtung zur Erkennung fehlerhafter Komponenten in Fahrzeugen | |
DE102020123721A1 (de) | Zustandsbestimmungsverfahren für eine Fahrzeugkomponente, Schaltung, Kraftfahrzeug |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
R016 | Response to examination communication | ||
R016 | Response to examination communication | ||
R018 | Grant decision by examination section/examining division | ||
R020 | Patent grant now final | ||
R079 | Amendment of ipc main class |
Free format text: PREVIOUS MAIN CLASS: G06F0017300000 Ipc: G06F0016000000 |