DE102022208653A1 - Verfahren und Vorrichtung zum Ermitteln, ob in einer Fahrzeugflotte eine Anomalie vorliegt, mittels Wissensgraphen - Google Patents
Verfahren und Vorrichtung zum Ermitteln, ob in einer Fahrzeugflotte eine Anomalie vorliegt, mittels Wissensgraphen Download PDFInfo
- Publication number
- DE102022208653A1 DE102022208653A1 DE102022208653.8A DE102022208653A DE102022208653A1 DE 102022208653 A1 DE102022208653 A1 DE 102022208653A1 DE 102022208653 A DE102022208653 A DE 102022208653A DE 102022208653 A1 DE102022208653 A1 DE 102022208653A1
- Authority
- DE
- Germany
- Prior art keywords
- error
- anomaly
- predeterminable
- data
- vehicles
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 16
- 230000002123 temporal effect Effects 0.000 claims abstract 3
- 238000001514 detection method Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 3
- 230000006399 behavior Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000012356 Product development Methods 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C5/00—Registering or indicating the working of vehicles
- G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
- G07C5/0808—Diagnosing performance data
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C5/00—Registering or indicating the working of vehicles
- G07C5/008—Registering or indicating the working of vehicles communicating information to a remotely located station
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C5/00—Registering or indicating the working of vehicles
- G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
- G07C5/0841—Registering performance data
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Vehicle Cleaning, Maintenance, Repair, Refitting, And Outriggers (AREA)
Abstract
Computer-implementiertes Verfahren zum Erkennen, ob in einer Fahrzeugflotte umfassend eine Mehrzahl von Fahrzeugen (1) eine Anomalie vorliegt, oder nicht, wobei Daten, die auftretende Fehlerbilder innerhalb der jeweiligen Fahrzeuge (1) charakterisieren, in einem Wissensgraph (40) gespeichert werden, und abhängig von einem zeitlichen Zuwachs des Auftretens solcher Fehlerbilder entschieden wird, ob eine Anomalie vorliegt.
Description
- Die Erfindung betrifft ein Verfahren und eine Vorrichtung zum Erkennen, ob in einer Fahrzeugflotte eine Anomalie vorliegt, ein Computerprogramm ein maschinenlesbares Speichermedium.
- Stand der Technik
- Eine typische Herausforderung in der Automobilindustrie ist das Überwachen der Qualität im Feld, d.h. während des Betriebs Kraftfahrzeuge. Es ist möglich, dass die Kraftfahrzeuge sogenannte „diagnostic trouble codes“ (diagnostische Fehlerkennzeichen, kurz: „DTC“) und interne Fehlercodes, zur Selbstüberwachung der Funktionen in einem oder mehreren der Steuergeräte im Kraftfahrzeug erzeugen und bereitstellen. Es ist ferner möglich, diese DTC und/oder internen Fehlercodes z.B. mit einem Werkstattdiagnosegerät auszulesen und händisch zu analysieren. Dies ist sehr aufwändig.
- Vorteile der Erfindung
- Das Verfahren mit den Merkmalen des unabhängigen Anspruch 1 hat demgegenüber den Vorteil, dass es ein Verfahren bereitstellt, dass automatisiert steigende Qualitätsvorfälle in einer Fahrzeugflotte ermittelt.
- Weitere Aspekte der Erfindung sind Gegenstand der nebengeordneten Ansprüche. Vorteilhafte Weiterbildungen sind Gegenstand der abhängigen Ansprüche.
- Offenbarung der Erfindung
- Nachfolgend werden Ausführungsformen der Erfindung unter Bezugnahme auf die beiliegenden Zeichnungen näher erläutert. In den Zeichnungen zeigen:
-
1 schematisch ein Steuergerät in einem Kraftfahrzeug; -
2 schematisch einen Aufbau des Anomalieerkennungssystems; -
3 in einem Flussdiagramm einen Ablauf eines Anomalieerkennungsverfahrens. - Beschreibung der Ausführungsbeispiele
-
1 zeigt ein Steuergerät (1000) eines Kraftfahrzeugs (1), beispielsweise ein Bremsen-, ein Motor- oder ein Zonensteuergerät. Das Steuergerät (1000) führt an seiner Funktionalität Selbsttests durch und ermittelt hierzu diagnostische Fehlerkennzeichen (DTC), die in einem dedizierten Speicherbereich im Steuergerät (1000) gespeichert werden. - Des Weiteren ermittelt das Steuergerät (1000) interne Fehlercodes (IntFailCode), die ebenfalls in einem dedizierten Speicherbereich im Steuergerät (1000) gespeichert werden. Sowohl diagnostische Fehlerkennzeichen (DTC) als auch interne Fehlercodes (IntFailCode) können nicht nur das Verhalten des Steuergeräts (1000) charakterisieren, sondern das Verhalten eines Gesamtsystems des Fahrzeugs (1), das vom Steuergerät (1000) angesteuert wird, also beispielsweise das Bremssystem oder das Motorsystem.
- Ferner können beim Auftreten vorgebbarer Systemzustände Fehlerbytes (FB) in einem weiteren dedizierten Speicherbereich des Steuergeräts (1000) gespeichert werden.
- Eine Kombination der Zahlen (DTC, FB, IntFailCode) wird im Folgenden auch als „Fehler-Triplett“ bezeichnet.
- Ebenfalls im Steuergerät (1000) hinterlegt sein kann eine Versionsinformation (Ver), die charakterisiert, welche Version einer Software auf dem Steuergerät (1000) hinterlegt ist.
- Diagnostische Fehlerkennzeichen (DTC) und/oder interne Fehlercodes (IntFailCode) und/oder Fehlerbytes (FB) und/oder Versionsinformation (Ver) können an ein Anomalieerkennungssystem (2) (vgl.
2 ) übermittelt werden. Dies kann beispielsweise geschehen, indem diese Informationen über eine Diagnoseschnittstelle ausgelesen werden, oder indem sie direkt über eine vorzugsweise drahtlose Verbindung übertragen werden. -
2 illustriert in einer Ausführungsform, wie die Daten im Anomalieerkennungssystem (2) aggregiert werden. Die Daten werden in Datenquellen (10, 20, 30, 35) zur Verfügung gestellt. In einer ersten Datenquelle (10) werden Daten betreffend die Designphase des Produktes bereitgestellt. In einer zweiten Datenquelle (20) werden interne Fehlercodes (IntFailCode) bereitgestellt. In einer dritten Datenquelle (30) werden weitere Felddaten, beispielsweise diagnostische Fehlerkennzeichen (DTC) und/oder Fehlerbytes (FB) bereitgestellt. In einer vierten Datenquelle (35) werden Daten aus Werkstattdiagnosen bereitgestellt. Die Daten aus all diesen Datenquellen werden in einem Wissensgraphen (40) integriert. Über eine Schnittstelle (50) kann ein Diagnosemodul (60) auf die in den Wissensgraphen (40) integrierten Daten aus den Datenquellen (10, 20, 30, 35) zugreifen. Durch die Verwendung des Wissensgraphen (40) ist die Datenintegration besonders vorteilhaft, ermöglicht eine semantische Beschreibung von Fehlerbildern, das Zusammenführen von Daten aus Datenquellen (10, 20, 30, 35) aus verschiedenen Stellen der Wertschöpfungskette und eine Beschreibung komplexer Zusammenhänge zwischen diagnostischen Fehlerkennzeichen (DTC), Fehlerbytes (FB) und/oder Internen Fehlercodes (IntFailCode) und eine Bewertung der Kritikalität beziehungsweise Kritikalitätsgrenzwerten. - Optional umfasst das Anomalieerkennungssystem (2) ein Notifizierungssystem, welches etwaige vom Anomalieerkennungsystem (2) erkannte Anomalien an vorab definierte Personen oder Personengruppen (also z.B. Fahrzeugflottenbetreiber, Qualitätsverantwortliche, ...) automatisiert weiterleitet. Insbesondere kann diese Weiterleitung an Telekommunikationsgeräte, die diesen Personen oder Personengruppen zugeordnet sind, erfolgen, also beispielsweise per SMS oder E-Mail.
-
3 illustriert einen Ablauf eines Verfahrens zur Anomalieerkennung im Anomalieerkennungssystem (2). - Zunächst (100) werden alle notwendigen Daten im Wissensgraphen (40) bereitgestellt. dieser umfassen bevorzugt folgende Daten:
- • Daten, die das Fahrzeug (1) charakterisieren, insbesondere eine Bezeichnung der Fahrzeugplattform und/oder des Fahrzeugmodells und/oder ein Fahrzeugmodelljahr und/oder eine Bezeichnung des Steuergeräts (1000) und/oder eine Fahrzeugidentifikationsnummer (VIN) und/oder eine anonymisierte Fahrzeugidentifikationsnummer (VAN) und/oder eine Seriennummer des Steuergeräts (1000) und/oder eine Softwareversion des Steuergeräts (1000);
- • Daten, die den Betrieb des Fahrzeugs (1) charakterisieren, insbesondere interne Fehlercodes (IntFailCode) und/oder diagnostische Fehlerkennzeichen (DTC) und/oder Fehlerbytes (FB) und/oder Daten, die Auftretenszeitpunkte etwaiger diagnostizierter Fehler charakterisieren, und/oder eine Laufleistung des Fahrzeugs (1);
- • Daten, die Fehlerbilder charakterisieren, insbesondere Kritikailitätsbewertungen etwaiger Fehlerbilder und/oder eine Einschätzung der relativen Kritikalität von Fehlerbildern relativ zu Kritikalitäsgrenzwerten (derartige Daten können typischerweise während einer Produktentwicklungsphase z.B. des Steuergeräts (1000) entstehen;
- Anschließend werden die Daten optional auf ihre Qualität, ihre Vollständigkeit und abnormale Werte überprüft (110). Diese können beispielsweise eine fehlende Beschreibung interner Fehlercodes (IntFailCode), eine fehlende Softwareversionsangabe und eine fehlende Seriennummer des Steuergeräts umfassen.
- Derartige etwaige fehlende Werte können durch vorgebbare Standardwerte aufgefüllt werden. Ebenso ist es möglich, dass Daten fehlen, die einen Auftretenszeitpunkt etwaiger diagnostizierter Fehler charakterisieren. Für derartige Daten kann vorgesehen sein, dass sie durch eine vorgebbare Proxyvariable ersetzt werden, Beispielsweise durch einen Zeitpunkt einer Diagnose in einer Werkstatt.
- Dann werden die Daten zu etwaigen Fehlerbildern zeitlich gruppiert aufgespalten (120), entsprechend ihrem zugeordneten Zeitpunkt. Beispielsweise ist es möglich, die Daten sind 3 Gruppen aufzuspalten: eine erste Gruppe für den aktuellen Monat, eine zweite Gruppe für den vorhergehenden Monat, und eine dritte Gruppe für den wiederum vorhergehenden Monat.
- Dann werden die Daten innerhalb jeder der zeitlichen Gruppen entlang einer Ein- oder Mehrzahl weiterer Dimensionen zusammengefasst, d.h. entsprechend einer Übereinstimmung entsprechend vorgebbarer Kriterien. Diese können insbesondere beinhalten:
- • gleiches Fehlertriplett
- • Typ des Steuergeräts (1000), z.B. „Motorsteuergerät“ oder „Bremsensteuergerät“
- • Softwareversion des Steuergeräts (1000)
- • Fahrzeugmodell
- • Fahrzeugmodelljahr
- • Fahrzeugplattform.
- Für jede der so definierten Gruppen werden die im Wissensgraphen (40) hinterlegten Fehlereinträge zu einer eine Fehlerverbreitung in der Fahrzeugflotte charakterisierende Zahl aggregiert. Hierzu wird insbesondere gezählt, an wie vielen Tagen in wie vielen Steuergeräten Fehler aufgetreten sind. Dies bedeutet, dass ein Fehler, der am gleichen Tag in Steuergeräten gleichen Typs (die verbaut sind in einer Mehrzahl Fahrzeuge) auftritt, nur einmalig gezählt wird, und das mehrfache gleichartige Fehler im gleichen Steuergerät am gleichen Tag ebenfalls nur einmalig gezählt werden, während ein wiederholtes Auftreten von Fehlern an verschiedenen Tagen für jeden Tag einmalig gezählt wird.
- Dann wird je Gruppe ein Wachstumsratenindex W ermittelt (140), der entlang der in Schritt (120) aufgeteilten zeitlichen Gruppen eine Veränderung der jeweiligen die Fehlerverteilung charakterisierenden Zahl charakterisiert. Werden die Daten wie beschrieben in drei monatliche Gruppen eingeteilt, und die Zahl der wie beschrieben gezählten Fehler mit F0 für den aktuellen Monat und F-1 und F-2 für den vorhergehenden bzw. vorvorhergehenden Monat bezeichnet ist es möglich, den Wachstumsratenindex gemäß der Formel
- Abhängig von einer Kritikalität der Fehlerbilder und abhängig vom ermittelten Wachstumsratenindex, beispielsweise abhängig davon, ob der Wachstumsratenindex einen jeweils vorgebbaren Grenzwert für die jeweilige Gruppe überschreitet, kann dann entschieden werden (150), ob für die jeweilige Gruppe auf eine Anomalie in der Fahrzeugflotte entschieden wird, oder nicht.
Claims (11)
- Computer-implementiertes Verfahren zum Erkennen, ob in einer Fahrzeugflotte umfassend eine Mehrzahl von Fahrzeugen (1) eine Anomalie vorliegt, oder nicht, wobei Daten, die auftretende Fehlerbilder innerhalb der jeweiligen Fahrzeuge (1) charakterisieren, in einem Wissensgraph (40) gespeichert werden, und abhängig von einem zeitlichen Zuwachs des Auftretens solcher Fehlerbilder entschieden wird, ob eine Anomalie vorliegt.
- Verfahren nach
Anspruch 1 , wobei die Daten, die auftretende Fehlerbilder charakterisieren, Fehlercodes (IntFailCode) und/oder diagnostische Fehlerkennzeichen (DTC) und/oder Fehlerbytes (FB) umfassen. - Verfahren nach
Anspruch 2 , wobei die Daten, die auftretende Fehlerbilder charakterisieren, ein Triplett aus Fehlercodes (IntFailCode) und diagnostischen Fehlerkennzeichen (DTC) und Fehlerbytes (FB) umfassen. - Verfahren nach einem der vorherigen Ansprüche, wobei der zeitliche Zuwachs des Auftretens durch einen Wachstumsratenindex (W) gegeben ist.
- Verfahren nach einem der vorherigen Ansprüche, wobei eine Häufigkeit des Auftretens durch eine Anzahl vorgebbarer Zeitdauern, insbesondere eines Tages, einer Woche oder eines Monats, charakterisiert wird, an denen innerhalb der Fahrzeugflotte vorgebbare Fehlerbilder auftreten.
- Verfahren nach einem der vorherigen Ansprüche, wobei zur Entscheidung, ob eine Anomalie vorliegt, eine Häufigkeit des Auftretens von Fehlerbildern in einer vorgebbaren Teilmenge der Fahrzeuge der Fahrzeugflotte herangezogen wird.
- Verfahren nach
Anspruch 6 , wobei anhand vorgebbarer Kriterien entschieden wird, welche Fahrzeuge der Fahrzeugflotte zu der vorgebbaren Teilmenge gehören, wobei die Kriterien Daten, die das Fahrzeug charakterisieren umfassen. - Computerprogramm, das eingerichtet ist, das Verfahren nach einem der
Ansprüche 1 bis7 auszuführen. - Maschinenlesbares Speichermedium (151), auf dem das Computerprogramm nach
Anspruch 8 gespeichert ist. - Anomalieerkennungssystem (2) umfassend einen Wissensgraphen (40), das eingerichtet ist, das Verfahren nach einem der
Ansprüche 1 bis7 auszuführen. - Anomalieerkennungssystem (2) ferner umfassen ein Benachrichtigungssystem, welches eingerichtet ist, eine Nachricht über die identifizierte Anomalie abhängig von den Fahrzeugen (1), für die die Anomalie identifiziert wurde, an eine vorgebbare Ein- oder Mehrzahl von Telekommunikationsgeräten weiterzuleiten.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102022208653.8A DE102022208653A1 (de) | 2022-08-22 | 2022-08-22 | Verfahren und Vorrichtung zum Ermitteln, ob in einer Fahrzeugflotte eine Anomalie vorliegt, mittels Wissensgraphen |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102022208653.8A DE102022208653A1 (de) | 2022-08-22 | 2022-08-22 | Verfahren und Vorrichtung zum Ermitteln, ob in einer Fahrzeugflotte eine Anomalie vorliegt, mittels Wissensgraphen |
Publications (1)
Publication Number | Publication Date |
---|---|
DE102022208653A1 true DE102022208653A1 (de) | 2024-02-22 |
Family
ID=89808918
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
DE102022208653.8A Pending DE102022208653A1 (de) | 2022-08-22 | 2022-08-22 | Verfahren und Vorrichtung zum Ermitteln, ob in einer Fahrzeugflotte eine Anomalie vorliegt, mittels Wissensgraphen |
Country Status (1)
Country | Link |
---|---|
DE (1) | DE102022208653A1 (de) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE10148214A1 (de) | 2001-09-28 | 2003-04-24 | Daimler Chrysler Ag | Verfahren zur Bereitstellung eines Wartungsalgorithmus |
DE102012223393A1 (de) | 2011-12-19 | 2013-06-20 | GM Global Technology Operations LLC (n. d. Gesetzen des Staates Delaware) | Verfahren und System für die Grundursachenanalyse und Qualitätsüberwachung von Fehlern auf Systemebene |
US20160019567A1 (en) | 2014-07-15 | 2016-01-21 | Tata Consultancy Services Limited | Warranty cost estimation based on computing a projected number of failures of products |
US20160035150A1 (en) | 2014-07-30 | 2016-02-04 | Verizon Patent And Licensing Inc. | Analysis of vehicle data to predict component failure |
DE112017005163T5 (de) | 2016-10-12 | 2019-07-25 | Harman International Industries, Incorporated | Systeme und verfahren zur vorausschauenden ausfalldetektion in fahrzeugen |
-
2022
- 2022-08-22 DE DE102022208653.8A patent/DE102022208653A1/de active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE10148214A1 (de) | 2001-09-28 | 2003-04-24 | Daimler Chrysler Ag | Verfahren zur Bereitstellung eines Wartungsalgorithmus |
DE102012223393A1 (de) | 2011-12-19 | 2013-06-20 | GM Global Technology Operations LLC (n. d. Gesetzen des Staates Delaware) | Verfahren und System für die Grundursachenanalyse und Qualitätsüberwachung von Fehlern auf Systemebene |
US20160019567A1 (en) | 2014-07-15 | 2016-01-21 | Tata Consultancy Services Limited | Warranty cost estimation based on computing a projected number of failures of products |
US20160035150A1 (en) | 2014-07-30 | 2016-02-04 | Verizon Patent And Licensing Inc. | Analysis of vehicle data to predict component failure |
DE112017005163T5 (de) | 2016-10-12 | 2019-07-25 | Harman International Industries, Incorporated | Systeme und verfahren zur vorausschauenden ausfalldetektion in fahrzeugen |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
DE102011108678B4 (de) | Ereignisgesteuertes Datamining-Verfahren zum Verbessern von Fehlercodeeinstellungen und zum Isolieren von Fehlern | |
DE102011008211B4 (de) | Fahrzeugfehlerdiagnose- und Fahrzeugfehlerprognosesystem und Verfahren zur Fehlerdiagnose und Fehlerprognose | |
DE102008015352B4 (de) | Verfahren zum Aufzeichnen von Daten und Datenaufzeichnungssystem | |
DE102017222616A1 (de) | Verfahren zum automatisierten Erstellen von Regeln für eine regelbasierte Anomalieerkennung in einem Datenstrom | |
DE112009000439T5 (de) | Fahrzeuginformationsaufzeichnungsvorrichtung, Fahrzeuginformationskommunikationssystem und Fahrzeuginformationskommunikationsverfahren | |
DE102012220338A1 (de) | Reparaturunterstützungssystem für eine Fahrzeugwartung | |
DE102010052855A1 (de) | Detektieren von Abweichungen bei Feldausfalldaten | |
DE102011117803A1 (de) | Verfahren für die Wartungsdiagnose- und Wartungsprozedurverbesserung | |
DE102013200249A1 (de) | Zusammenwirkende fahrzeuginterne und fahzeugexterne Komponenten- und Systemdiagnose und -prognose | |
DE102008049754A1 (de) | Verfahren und Vorrichtung zur Verschleißdiagnose eines Kraftfahrzeugs | |
DE102019115356B4 (de) | Verfahren zur fahrzeugfehler-grundursachendiagnose | |
DE112015004142T5 (de) | System und Verfahren zur Vorhersage des Ausfalls von Maschinenkomponenten | |
EP3736758A1 (de) | Verfahren zur schadenserfassung bei einem kraftfahrzeug | |
DE102014219407A1 (de) | Diagnoseverfahren und Erhebungsverfahren für Fahrzeuge | |
DE102015214157A1 (de) | Verfahren, System und von einem Computer lesbares Aufzeichnungsmedium für das Steuern eines abnormalen Zustands des Fahrzeugs | |
WO2007022849A2 (de) | Verfahren zur identifikation komplexer diagnosesituationen im kundendienst | |
DE102010040550A1 (de) | Kraftfahrzeug-Prüfgerät und Verfahren zur Identifikation von Kraftfahrzeugen | |
DE102018132658A1 (de) | Verfahren zur rechnergestützten Auswertung einer Messung einer elektrischen Größe in einem Hochvolt-Bordnetz eines vorgegebenen elektrisch angetriebenen Kraftfahrzeugs | |
EP3460727A1 (de) | Verfahren zur untersuchung eines funktionsverhaltens eines technischen systems und auswerteeinheit | |
DE102022208653A1 (de) | Verfahren und Vorrichtung zum Ermitteln, ob in einer Fahrzeugflotte eine Anomalie vorliegt, mittels Wissensgraphen | |
DE102019112492A1 (de) | Vorhersage über restnutzungsdauer eines fahrzeugs | |
DE102021124389A1 (de) | System und verfahren zum kontrollieren einer fahrzeugqualität | |
DE202022104765U1 (de) | Assistent für Wirtschaftsgutinspektion | |
DE102021208147A1 (de) | Robustheitsquotient für fahrzeugdiagnose und -überwachung | |
DE102020128497A1 (de) | Computerimplementiertes Verfahren und System zur dialogunterstützten Ferndiagnose eines Defekts an einem technischen Bauteil und/oder System eines Fahrzeugs und Trainingsverfahren |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
R163 | Identified publications notified |