WO2019201514A1 - Diagnosesystem und verfahren zum verarbeiten von daten eines kraftfahrzeugs - Google Patents

Diagnosesystem und verfahren zum verarbeiten von daten eines kraftfahrzeugs Download PDF

Info

Publication number
WO2019201514A1
WO2019201514A1 PCT/EP2019/056173 EP2019056173W WO2019201514A1 WO 2019201514 A1 WO2019201514 A1 WO 2019201514A1 EP 2019056173 W EP2019056173 W EP 2019056173W WO 2019201514 A1 WO2019201514 A1 WO 2019201514A1
Authority
WO
WIPO (PCT)
Prior art keywords
information
diagnostic
motor vehicle
vehicle
diagnostic system
Prior art date
Application number
PCT/EP2019/056173
Other languages
English (en)
French (fr)
Inventor
Jörg SEIDEL
Sven ZEITLER
Original Assignee
Ms Motorservice International Gmbh
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Ms Motorservice International Gmbh filed Critical Ms Motorservice International Gmbh
Priority to EP19712915.8A priority Critical patent/EP3781922A1/de
Priority to CN201980025410.2A priority patent/CN111971545A/zh
Priority to CA3095590A priority patent/CA3095590A1/en
Priority to RU2020135295A priority patent/RU2755354C1/ru
Priority to US17/045,251 priority patent/US20210366207A1/en
Priority to AU2019254105A priority patent/AU2019254105A1/en
Priority to BR112020020904-0A priority patent/BR112020020904A2/pt
Publication of WO2019201514A1 publication Critical patent/WO2019201514A1/de

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M13/00—Testing of machine parts
    • G01M13/02—Gearings; Transmission mechanisms
    • G01M13/022—Power-transmitting couplings or clutches
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M17/00—Testing of vehicles
    • 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
    • G07C5/006—Indicating maintenance
    • 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
    • G07C5/085—Registering performance data using electronic data carriers
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/005—Testing of electric installations on transport means
    • G01R31/006—Testing of electric installations on transport means on road vehicles, e.g. automobiles or trucks
    • G01R31/007—Testing of electric installations on transport means on road vehicles, e.g. automobiles or trucks using microprocessors or computers

Definitions

  • the disclosure relates to a diagnostic system for processing data of a motor vehicle.
  • the disclosure further relates to a method of operating such a diagnostic system.
  • Diagnostic system is formed, information about a
  • the diagnostic system has at least one expert system which is configured to transmit the information via a
  • Information about an observation of a technician, or a measured value, in particular voltage, current, capacitance, inductance of a component is determined.
  • the diagnostic system has at least one AI subsystem
  • Information about an observation of a technician, or a measured value, in particular voltage, current, capacitance, inductance of a component is determined. This allows the flexibility of the operation of the system and the
  • the diagnostic system is formed, data of the
  • the diagnostic system is designed
  • the vehicle information having at least one of the following: the vehicle identifying vehicle identification number, FIN (VIN, vehicle I dentification number), an operation of at least one component of the motor vehicle characterizing operating data, one or more an error at least one component of the motor vehicle characterizing error codes.
  • the diagnostic system is formed, the
  • This diagnostic system is self-learning.
  • Response information in particular a diagnostic instruction, a diagnosis result, or to determine, depending on the vehicle information and send it to a data processing V or therapies a repair recommendation. This allows interaction with a technician or the motor vehicle itself.
  • the diagnostic system is designed to, the
  • the diagnostic system is designed to retrieve component and / or vehicle-specific information and / or other information from a database, in particular an external database. This advantageously eliminates the need for all to diagnose a variety of different vehicle types
  • the relevant information at least
  • Particularly preferred may be a storage in a database of the diagnostic system, for example in
  • At least one database in particular for
  • the diagnostic system is designed to characterize a course of a repair of the motor vehicle
  • Diagnosej ungel with information about the at least one Associate component by the at least one operating parameter is compared in a comparison with at least one reference value to determine depending on the result of the comparison, either a diagnostic instruction or to determine a diagnostic result or a repair recommendation. This allows an efficient allocation of the components and the vehicle information to
  • At least one computing device of the diagnostic system is designed to transmit the information about the
  • Diagnosis result or the repair recommendation depending on the information about the at least one operating parameter by an artificial neural network in particular in a greedy layer-wise pretraining method self-learning system, in particular with many layers between an input layer and an output layer of the neural network to determine.
  • This is a particularly efficient learning diagnostic system.
  • at least one computing device of the diagnostic system is designed to transmit the information about the
  • Further preferred embodiments relate to a method for processing data of a motor vehicle in a diagnostic system, wherein diagnostic data for
  • the diagnostic data linking information about at least one operating parameter of the motor vehicle with information about the at least one component, wherein Information about a probability of occurrence of a fault in the motor vehicle depending on the
  • Diagnostic data is evaluated depending on the information about the at least one operating parameter. This allows for efficient diagnosis of, for example, errors that occur during operation of the motor vehicle.
  • an expert system evaluates the diagnostic data by the
  • Information about an observation of a technician, or a measured value, in particular voltage, current, capacitance, inductance of a component is determined.
  • useful knowledge can be processed and efficiently processed for an efficient diagnosis of errors and evaluation of, for example, operating parameters of a motor vehicle
  • the diagnostic system much more efficiently perform a diagnosis, especially from his own operation or during this maintained operation
  • This interface is widely used in the market and allows efficient access to a variety of vehicles from different manufacturers.
  • vehicle information of the motor vehicle is received, wherein the vehicle information is at least one of
  • the motor vehicle comprising the following elements: the motor vehicle
  • Vehicle information is advantageously a relatively low bandwidth required.
  • vehicle information is used to carry out a component and / or vehicle-specific diagnosis, and / or a database with the corresponding
  • response information in particular a
  • Diagnostic instruction a diagnostic result or a
  • Vehicle information is determined and sent to a
  • Data processing V is sent orcardi. This allows interaction with a technician who interacts with the motor vehicle to be repaired.
  • Algorithms of artificial intelligence as a function of vehicle information is determined. This enables a particularly efficient diagnosis.
  • component and / or vehicle-specific information and / or other information is retrieved from a database, in particular an external database. This advantageously eliminates the need to all for one Diagnose information required by a variety of different vehicle types in the diagnostic system
  • component and / or vehicle-specific information and / or error codes are stored in a database of the diagnostic system.
  • a database of the diagnostic system Particularly preferably, a
  • a diagnosis response that includes a course of a
  • Repair of the motor vehicle is characterized, at least temporarily stored, and in particular the
  • the diagnostic data the information about the at least one operating parameter of the motor vehicle in a
  • At least one operating parameter in a comparison with at least one reference value is compared in order to determine either a diagnostic instruction depending on the result of the comparison, or a diagnosis result or a
  • Input layer and an output layer of the neural network This is a particularly efficient method of self-learning artificial intelligence.
  • the information about the probability the information about the probability
  • Repair recommendation depending on the information about the at least one operating parameter is determined by a supervised learning algorithm, in particular by classification with logistic regression,
  • Figure 1 shows schematically a simplified block diagram of a
  • FIG. 2 shows schematically a simplified flowchart
  • FIG. 3 shows schematically a simplified block diagram of a
  • FIG. 4 schematically shows steps in a method according to an embodiment.
  • FIG. 1 schematically illustrates a simplified block diagram of a system 1000 according to one embodiment.
  • the system 1000 includes a data processing 100 for V orcardi
  • the data D1 is um
  • the information about the operating parameter includes, for example, the operating parameters and / or error codes of a control unit 12 of the motor vehicle 10.
  • Motor vehicle 10 comprises at least one component 13, for example a lambda probe.
  • the information about the operating parameter may be an observation of a technician, or a measurement, e.g. Voltage, current, capacity,
  • the system 1000 also includes an interface device 200 for producing a data V between the data processing V orcardi 100 and the control unit 12 on Getting Connected.
  • the data Getting Connected it is preferably a wireless or cordless data Getting Connected, at least as it relates to the first part DV1 of the data Getting Connected formed for example as a Bluetooth connection and / or wireless connection or the like.
  • the second part may DV2 Getting Connected to the data V, for example, also be designed wired.
  • Embodiments may be interface device 200 be formed for example in the form of a so-called OBD-II dongle, which is connected in a conventional manner with a plug-in connection with an OBD-II interface of the motor vehicle 10. This is the
  • a user interface UI the acoustic particularly a graphical user interface and / or
  • User interface may include.
  • the data processing V orcardi 100 may be configured as a handheld device and / or as a mobile device, which allows easy handling.
  • the data processing V orcardi 100 may be formed as one of the following elements: Smartphone, Tablet computer, laptop.
  • the system 1000 further includes a diagnostic system 300 for processing data of the motor vehicle 10.
  • the diagnostic system 300 is preferably wireless
  • Networks 20 Internet
  • the wireless data may Getting Connected DV3 in another preferred
  • Mobile radio system of the third and / or fourth and / or fifth generation (3G, 4G (eg LTE), 5G).
  • 3G, 4G (eg LTE), 5G 3G, 4G (eg LTE), 5G).
  • the diagnostic system 300 includes at least one expert system 310, thereby enabling efficient diagnostics by the diagnostic system 300.
  • the diagnostic system 300 is configured to execute artificial intelligence algorithms, AI.
  • AI artificial intelligence algorithms
  • at least one AI subsystem 320 may be provided that, for example, has one or more artificial neural networks and / or other elements from the field of artificial intelligence.
  • Diagnostic system 300 adapted to an external
  • Database DB1 access, in particular to component and / or vehicle-specific information or
  • Diagnostic system 300 also have its own, preferably local, database DB2.
  • Diagnostic system 300 configured to receive vehicle information of the motor vehicle 10, wherein the
  • Vehicle information at least one of the following elements: one identifying the motor vehicle
  • Vehicle identification number FIN
  • one operation at least one component of the motor vehicle characterizing operating data one or more a fault of at least one component of the motor vehicle characterizing error codes.
  • Ortechnisch vehicle information 100 to be received by the data processing V.
  • the data processing V the
  • Interface device 200 to read and send.
  • Diagnostic system 300 designed to be dependent on the information, in particular the vehicle information,
  • Diagnostic system 300 is adapted to provide the response information using algorithms of the artificial
  • Diagnostic system 300 adapted to component and / or vehicle-specific information and / or other Information from a database, in particular the
  • At least one database DB2 in particular for storing component and / or vehicle-specific information and / or error codes, is provided in the diagnostic system 300.
  • Diagnostic system 300 configured to characterize a course of repair of the motor vehicle 10
  • FIG. 2 schematically shows a simplified flow diagram of a method according to an embodiment.
  • Data processing device 100 transmits a first message nl to the interface device 200
  • the OBD-II dongle in data communication with the controller 12 (FIG. 1) of the motor vehicle 10
  • the interface device 200 forwards the first message nl in the form of the message nl '
  • the first message nl, nl ' may, for example, contain a control command containing the
  • Control unit 12 causes vehicle information FI to the interface device 200 and / or the
  • Vehicle information FI may be, for example
  • Error codes act as they are typically in
  • the vehicle information FI know one or more of the data already mentioned above
  • Interface device 200 for example, the vehicle information FI substantially unchanged to the
  • Interface device 200 filters the vehicle information FI obtained from the control unit 12 and / or otherwise processes processed relationship, in order to receive the filtered and / or processed vehicle information FI 'obtained therefrom
  • the data processing V orcardi 100 may be in a
  • optional step 110 perform a local processing of the received vehicle information FI, FI ',
  • a further filtering and / or other processing For example, a further filtering and / or other processing.
  • the data processing V orcardi 100 may also include the vehicle information FI, FI 'or obtained therefrom
  • diagnostic system 300 requires further data in addition to the data of the second message n2 to perform a diagnosis, for example, component and / or
  • the dialog system 300 may retrieve this data by means of an optional message n3 from the external database DB1. After receiving a
  • Diagnostic system 300 in a step 330 from a diagnosis. This is done in preferred embodiments, in particular using at least one algorithm of
  • Expert system 310 or by means of at least one AI subsystem 320.
  • diagnostic system 300 requires additional data in addition to the data of the second message n2 for execution of the diagnosis, for example observations of a
  • Dialog system 300 this data by means of an optional
  • the optional message n5 may include one or more diagnostic instructions. These can specify one or more test steps. For example, an observation of a technician when performing a test on the motor vehicle 10 is requested. For example, measurements, e.g. of voltage, current or the like on a component 13 requested. It may also be the reading of vehicle information via the interface 200
  • the diagnostic system 300 After receiving a corresponding optional diagnostic reply with the requested data from the data processing orcardi V 100, which in a another optional message n6 is transmitted, the diagnostic system 300 performs the step 330 for a renewed
  • a diagnostic instruction gives at least one test step for at least one component 13 of the
  • test steps can be
  • Measurement instructions observation instructions or
  • Work step instructions for inspection of the at least one component 13 be.
  • Diagnostic response includes, for example, at least one information about at least one operating parameter of the motor vehicle 10th
  • Diagnostic system 300 n7 another optional message to the data processing V orcardi 100 send the
  • Repair recommendation may contain.
  • such a diagnostic result or such a repair recommendation an indication to a user of the data processing V orcardi 100 included which specifies which component 13des motor vehicle geometrytau Product 10 preferred in order to enable an efficient repair, thus eliminating the error cause.
  • an efficient diagnosis can be carried out more preferably, a comparatively small first number of diagnostic systems 300 provide the efficient provision of efficient diagnostics for one
  • the diagnostic system 300 at least temporarily stores a diagnostic response characterizing a course of a diagnosis of the motor vehicle 10, and in particular the
  • Diagnostic instruction n5 sets. Such diagnostic responses are in further embodiments, for example, by the data processing means of the V oroplasty 100
  • Figure 3 schematically shows a simplified block diagram of a data processing V oroplasty 100a with a diagnostic system 300 according to an embodiment
  • the ⁇ can communicate.
  • Data processing V orcardi 100a has a first
  • the data processing device 100a further comprises a computing device 120, for example, at least one microcontroller and / or microprocessor and / or digital signal processor (DSP), and / or a programmable logic device (FPGA, field programmable gate array) and / or a
  • a computing device 120 for example, at least one microcontroller and / or microprocessor and / or digital signal processor (DSP), and / or a programmable logic device (FPGA, field programmable gate array) and / or a
  • DSP digital signal processor
  • FPGA field programmable gate array
  • the computing device 120 is a
  • Memory device 122 associated with the at least temporary storage of a computer program PRG
  • the computer program PRG can be trained .
  • the memory device 122 may, for example, at least one volatile memory, in particular
  • RAM random access memory
  • ROM read-only memory
  • flash EEPROM memory or the like.
  • the computing device 120 can also be designed for providing a user interface, particularly a graphical user interface for at least one user of the data processing V oroplasty 100a. In this way you can efficiently diagnose and / or
  • Repair instructions are provided for the user, which for example at least temporarily can be kept in the memory device 122 and / or can be retrieved by the diagnostic system 300 as needed.
  • the component and / or vehicle-specific data have a
  • the diagnostic system 300 is configured to process data of the motor vehicle 10.
  • the diagnostic system 300 is configured to access diagnostic data for at least one component 13 of the motor vehicle 10.
  • the diagnostic data associate information about at least one operating parameter of the motor vehicle 10
  • the diagnostic system 300 is configured to provide information about a probability of an occurrence of a fault in the motor vehicle 10 depending on the diagnostic data and
  • Diagnostic system 300 at least one expert system 310, which is adapted to the information about the
  • Diagnostic system 300 at least one AI subsystem 320, the adapted to algorithms of artificial
  • Diagnostic system 300 at least one computing device which is adapted to the diagnostic data with the
  • Operating parameter is compared in a comparison with at least one reference value to determine a diagnostic instruction, a diagnosis result or a repair recommendation depending on the result of the comparison.
  • At least one computing device of the diagnostic system 300 is configured to determine the reference value, the probability, in determining the information about the probability
  • Input layer and an output layer of the neural network determine.
  • At least one computing device is configured to determine the Information about the probability the reference value, the probability, the diagnostic statement, the
  • the method is suitable for processing data of the motor vehicle 10 in the diagnostic system 300.
  • the method can also be carried out in other diagnostic systems, with distributed or centrally arranged computing devices.
  • This computing device has or this
  • Computing devices have, for example, at least one microcontroller and / or microprocessor and / or digital signal processor (DSP), and / or a programmable logic device (FPGA, field programmable gate array). and / or an application specific integrated circuit (IC).
  • DSP digital signal processor
  • FPGA programmable logic device
  • a memory device may be assigned, which is designed for the at least temporary storage of a computer program PRG.
  • Computer program PRG is designed in the example for carrying out the method.
  • the memory device may, for example, at least one volatile memory, in particular random access memory (RAM) and / or at least one non-volatile memory, in particular
  • RAM random access memory
  • non-volatile memory in particular
  • ROM Read-only memory
  • flash EEPROM electrically erasable programmable read-only memory
  • the diagnostic data for at least one component 13 of the motor vehicle 10 is accessed, wherein the diagnostic data information about at least one
  • the procedure provides information about a
  • Motor vehicle 10 depending on the diagnostic data and depending on the information about the at least one operating parameter to determine.
  • the method provides in a preferred embodiment that at least one expert system 310 the
  • the method provides that artificial intelligence algorithms, AI, the Process diagnostic data to determine the information about the likelihood.
  • step 400 data of the motor vehicle 10, which in particular are read out via an OBD I I interface or were read out before step 400,
  • vehicle information is received as information about the at least one operating parameter of the motor vehicle 10 having at least one of the following elements: the vehicle identification number, FIN (VIN, vehicle
  • Identification number an operation of at least one component of the motor vehicle characterizing
  • step 402 component and / or
  • information is retrieved from the external database DB1 or from the database DB2 arranged in the diagnostic system 300.
  • this is done, for example, as described for the messages n3 and n4.
  • step 404 is performed.
  • step 404 in determining the information about the probability, the reference value, the
  • pretraining method self-learning system in particular with many layers between an input layer and an output layer of the neural network, determined.
  • the diagnostic instruction in determining the information about the probability, the reference value, the probability, the diagnostic instruction, the
  • the determination of the information about the probability takes place by means of a classification
  • Decision tree is to be selected in the example depending on the information about the at least one operating parameter, for example, the vehicle information, the information about a technician's observation, or the measured value, in particular voltage, current, capacitance, inductance of a component 13 is determined.
  • the expert system 310 may evaluate the diagnostic data by determining the probability information depending on information about the technician's observation, or the measurement, in particular, voltage, current, capacitance, inductance of a device 13.
  • Artificial Intelligence algorithms, AI can evaluate the diagnostic data by providing information about the probability dependent on information about an observation of a patient
  • a step 406 is executed.
  • step 406 the information about a
  • Motor vehicle 10 depending on the diagnostic data and evaluated depending on the information about the at least one operating parameter.
  • Capacitance, inductance of a component 13 is determined.
  • Diagnostic data the information about the at least one operating parameter of the motor vehicle 10 in one
  • the diagnostic tree in the example is like a
  • the information about the probability can be a
  • the result of the evaluation in this case provides information about the error, with the percentage, highest probability of occurrence.
  • the linking of the information about the at least one operating parameter with the information about the at least one component 13in the diagnostic data takes place in a preferred embodiment by the at least one
  • Operating parameter is compared 406 in a comparison with at least one reference value.
  • the reference value is determined by one of the artificial intelligence algorithms or the expert system, for example, depending on the Vehicle information, the information about an observation of the technician, or the measured value, in particular voltage, current, capacitance, inductance of a component 13 determines
  • step 410 is performed.
  • step 408 is performed if no diagnostic or repair recommendation is yet determinable.
  • the vehicle information is used, for example, to carry out a component and / or vehicle-specific diagnosis. It can be provided, a
  • step 408 the external database DB1 or the database DB2 of the diagnostic system 300 is constructed or supplemented with the corresponding information.
  • one or more AI subsystems 320 of the diagnostic system 300 are trained or validated.
  • step 408 component and / or vehicle-specific
  • Information and / or error codes are stored in the database DB2 of the diagnostic system 300.
  • step 400 is executed.
  • step 410 response information, in particular the diagnostic result or the repair recommendation, in
  • Diagnostic tree in endpoints the response information, that is, the diagnostic statement, the diagnostic result or the repair recommendation for the error with the highest
  • the diagnostic statement may also be included in other nodes as end nodes.
  • Repair recommendation can be as text, audio or video information in the external database DB1 or the
  • Database DB2 of the diagnostic system 300
  • a step 412 is executed.
  • step 412 the response information, in particular the diagnostic result or the repair recommendation, is sent to the data processing device 100.
  • the response information in particular the diagnostic result or the repair recommendation.
  • Diagnostic response that characterizes a course of repair of the motor vehicle 10, at least temporarily stored.
  • the diagnosis response is preferably related to the previously issued diagnostic instruction or the
  • a computer program product may include instructions that, when executed by one or more distributed computers, perform the described method. The process steps can be carried out repeatedly. An order of execution of the
  • Process steps is shown only as an example. You can choose a different order. It can also be individual in a repeated execution

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Vehicle Cleaning, Maintenance, Repair, Refitting, And Outriggers (AREA)
  • Electric Propulsion And Braking For Vehicles (AREA)
  • Control Of Electric Motors In General (AREA)

Abstract

Verfahren zur Verarbeiten von Daten eines Kraftfahrzeugs (10) in einem Diagnosesystem, Diagnosesystem und Computerprogramm, wobei das Diagnosesystem (300) ausgebildet ist, auf Diagnosedaten für wenigstens ein Bauteil (13)des Kraftfahrzeugs (10) zuzugreifen, wobei die Diagnosedaten Information über wenigstens einen Betriebsparameter des Kraftfahrzeugs (10) mit Information über das wenigstens eine Bauteil (13) verknüpfen, wobei das Diagnosesystem (300) ausgebildet ist, Information über eine Wahrscheinlichkeit eines Auftretens eines Fehlers im Kraftfahrzeug (10) abhängig von den Diagnosedaten und abhängig von der Information über den wenigstens einen Betriebsparameter zu bewerten.

Description

Titel: Diagnosesystem und Verfahren zum Verarbeiten von Daten eines Kraftfahrzeugs
Beschreibung
Gebiet der Erfindung
Die Offenbarung betrifft ein Diagnosesystem zum Verarbeiten von Daten eines Kraftfahrzeugs .
Die Offenbarung betrifft ferner ein Verfahren zum Betreiben eines derartigen Diagnosesystems .
Diagnosesysteme und Verfahren der eingangs genannten Art sind bekannt und weisen einen hohen Grad der
Spezialisierung auf .
Stand der Technik Es ist Aufgabe der vorliegenden Erfindung, ein Diagnosesystem und ein Verfahren der eingangs genannten Art dahingehend zu verbessern, dass die vorstehend genannten Nachteile vermindert oder vermieden werden und ein
Gebrauchsnutzen gesteigert wird .
Beschreibung der Erfindung
Bevorzugte Ausführungsformen schlagen ein Diagnosesystem zum Verarbeiten von Daten eines Kraftfahrzeugs vor, das ausgebildet ist, auf Diagnosedaten für wenigstens ein
Bauteil des Kraftfahrzeugs zuzugreifen, wobei die
Diagnosedaten Information über wenigstens einen
Betriebsparameter des Kraftfahrzeugs mit Information über das wenigstens eine Bauteil verknüpfen, wobei das
Diagnosesystem ausgebildet ist, Information über eine
Wahrscheinlichkeit eines Auftretens eines Fehlers im
Kraftfahrzeug abhängig von den Diagnosedaten und abhängig von der Information über den wenigstens einen
Betriebsparameter zu bewerten . Durch die Vorsehung des Diagnosesystems basierend auf Information über Bauteile kann eine effiziente Diagnose beispielsweise von Fehlern, die während des Betriebs des Kraftfahrzeugs auftreten, abhängig von der AuftretensWahrscheinlichkeit der Fehler einzelner Bauteile ausgeführt werden . Besonders vorteilhaft ermöglicht die Vorsehung des Diagnosesystems eine flexible Ausführung einer Diagnose hersteiler- und
fahrzeugübergreifend . Bei bevorzugten Ausführungsformen kann vorgesehen sein, dass wenigstens ein Teil der Diagnose oder die gesamte Diagnose durch das Diagnosesystem
ausgeführt wird . Bei bevorzugten Ausführungsformen ist vorgesehen, dass das Diagnosesystem wenigstens ein Expertensystem aufweist das dazu ausgebildet ist, die Information über eine
Wahrscheinlichkeit dadurch zu bewerten, dass die
Information über die Wahrscheinlichkeit abhängig von
Information über eine Beobachtung eines Technikers , oder einen Messwert, insbesondere Spannung, Strom, Kapazität, Induktivität eines Bauteils bestimmt wird . Dadurch kann für eine effiziente Diagnose von Fehlern und Bewertung von Beispielsweise Betriebsparametern eines Kraftfahrzeugs nützliches Wissen in maschinell verarbeitbarer Form
vorgehalten und beispielsweise für eine
DatenverarbeitungsVorrichtung bereitgestellt werden .
Bei weiteren bevorzugten Ausführungsformen ist vorgesehen, dass das Diagnosesystem wenigstens ein KI-Subsystem
aufweist, das dazu ausgebildet ist, die Information über eine Wahrscheinlichkeit dadurch zu bewerten, dass die
Information über die Wahrscheinlichkeit abhängig von
Information über eine Beobachtung eines Technikers , oder einen Messwert, insbesondere Spannung, Strom, Kapazität, Induktivität eines Bauteils bestimmt wird . Dadurch kann die Flexibilität des Betriebs des Systems und die
Zuverlässigkeit bei der Diagnose bedeutend gegenüber konventionellen Systemen gesteigert werden . Während
konventionelle Systeme beispielsweise eine sequenzielle Abarbeitung von einzelnen Fehlercodes oder FehlerSymptomen ermöglichen oder vorschlagen, kann unter Verwendung von KI- basierten Algorithmen das Diagnosesystem wesentlich
effizienter eine Diagnose ausführen, insbesondere auch aus seinem eigenen Betrieb oder während dieses
betriebserhaltenen Informationen (Beispielweise von der DatenverarbeitungsVorrichtung) lernen und damit seine Arbeitsweise weiter verbessern .
Bei weiteren bevorzugten Ausführungsformen ist vorgesehen, dass das Diagnosesystem ausgebildet ist, Daten des
Kraftfahrzeugs zu empfangen, die über eine OBD II- Schnittstelle ausgelesen werden . Diese
Standardschnittstelle erlaubt Interaktion mit einer
Vielzahl von Kraftfahrzeugen unterschiedlicher Hersteller .
Bei weiteren bevorzugten Ausführungsformen ist vorgesehen, dass das Diagnosesystem ausgebildet ist,
Fahrzeuginformation des Kraftfahrzeugs zu empfangen, wobei die Fahrzeuginformation wenigstens eines der folgenden Elemente aufweisen : das Kraftfahrzeug identifizierende Fahrzeug-Identifizierungsnummer, FIN (englisch : VIN, vehicle Identification number) , einen Betrieb wenigstens einer Komponente des Kraftfahrzeugs charakterisierende Betriebsdaten, ein oder mehrere einen Fehler wenigstens einer Komponente des Kraftfahrzeugs charakterisierende Fehlercodes . Zur Übertragung der Fahrzeuginformation ist vorteilhaft eine vergleichsweise geringe Bandbreite erforderlich .
Bei weiteren bevorzugten Ausführungsformen ist vorgesehen, dass das Diagnosesystem ausgebildet, die
Fahrzeuginformation dazu zu nutzen, eine bauteil- und/oder fahrzeugspezifische Diagnose auszuführen, und/oder eine Datenbank mit den entsprechenden Informationen aufzubauen oder zu ergänzen, und/oder ein oder mehrere KI-Subsysteme des DiagnoseSystems zu trainieren oder zu validieren .
Dieses Diagnosesystem ist selbstlernend .
Bei weiteren bevorzugten Ausführungsformen ist vorgesehen, dass das Diagnosesystem dazu ausgebildet ist,
AntwortInformation, insbesondere eine Diagnoseanweisung, ein Diagnoseergebnis oder eine Reparaturempfehlung, in Abhängigkeit der Fahrzeuginformation zu ermitteln und an eine DatenverarbeitungsVorrichtung zu senden . Damit wird eine Interaktion mit einem Techniker oder dem Kraftfahrzeug selbst ermöglicht .
Bei weiteren bevorzugten Ausführungsformen ist vorgesehen, dass das Diagnosesystem dazu ausgebildet ist, die
AntwortInformation unter Verwendung von Algorithmen der künstlichen Intelligenz in Abhängigkeit der
Fahrzeuginformation, zu ermitteln . Dies ist ein besonders effizientes Diagnosesystem.
Bei weiteren bevorzugten Ausführungsformen ist vorgesehen, dass das Diagnosesystem dazu ausgebildet ist, bauteil- und/oder fahrzeugspezifische Informationen und/oder sonstige Informationen von einer Datenbank, insbesondere einer externen Datenbank abzurufen . Dadurch entfällt vorteilhaft das Erfordernis , alle für eine Diagnose von einer Vielzahl von verschiedenen Fahrzeugtypen
erforderlichen Informationen in dem Diagnosesystem
vorzuhalten . Vielmehr können diese bei weiteren bevorzugten Ausführungsformen dynamisch, also insbesondere bei Bedarf, von der externen Datenbank abgerufen werden . Bei weiteren bevorzugten Ausführungsformen ist auch
denkbar, die entsprechenden Informationen zumindest
zeitweise in einer Datenbank des Diagnosesystems zu
speichern . Besonders bevorzugt kann eine Speicherung in einer Datenbank des Diagnosesystems beispielsweise in
Abhängigkeit von einer Nutzungsfrequenz der betreffenden Daten ausgeführt werden .
Bei weiteren bevorzugten Ausführungsformen ist vorgesehen, dass wenigstens eine Datenbank, insbesondere zur
Speicherung von bauteil- und/oder fahrzeugspezifischen Informationen und/oder Fehlercodes , in dem Diagnosesystem vorgesehen ist . Dadurch kann Abhängigkeit von einer
externen Datenbank reduziert werden oder eine erhöhte
StörSicherheit für den Betrieb des Systems erzielt werden .
Bei weiteren bevorzugten Ausführungsformen ist vorgesehen, dass das Diagnosesystem dazu ausgebildet ist, einen Verlauf einer Reparatur des Kraftfahrzeugs charakterisierende
Diagnoseantwort zumindest zeitweise zu speichern, und insbesondere die Diagnoseantwort in Bezug zu einer zuvor abgegebenen Diagnoseanweisung zu setzen . Dadurch ist vorteilhaft ein effizientes Training der KI-Subsysteme ermöglicht .
Bei weiteren bevorzugten Ausführungsformen ist vorgesehen, dass das Diagnosesystem wenigstens eine Recheneinrichtung aufweist, die dazu ausgebildet ist, die Diagnosedaten mit der Information über den wenigstens einen Betriebsparameter des Kraftfahrzeugs in einem Diagnosebaum oder einem
Diagnosej ungel mit Information über das wenigstens eine Bauteil zu verknüpfen, indem der wenigstens eine Betriebsparameter in einem Vergleich mit wenigstens einem Referenzwert verglichen wird, um abhängig vom Ergebnis des Vergleichs entweder eine Diagnoseanweisung zu bestimmen oder um ein Diagnoseergebnis oder eine Reparaturempfehlung zu bestimmen . Dies ermöglicht eine effiziente Zuordnung der Bauteile und der Fahrzeuginformation zu
Fehlerwahrscheinlichkeiten in einer Diagnose . Es kann vorgesehen sein, einen hersteiler- und/oder
fahrzeugunabhängigen Diagnosebaum oder Diagnosej ungel zu verwenden, der einzelne Bauteile, die in einer Vielzahl von Kraftfahrzeugen unterschiedlicher Hersteller zum Einsatz kommen, wenigstens einer Diagnoseanweisung, wenigstens einem Diagnoseergebnis und/oder wenigstens einer
Reparaturempfehlung zuordnet .
Bei weiteren bevorzugten Ausführungsformen ist vorgesehen, dass wenigstens eine Recheneinrichtung des Diagnosesystems dazu ausgebildet ist, die Information über die
Wahrscheinlichkeit, den Referenzwert, die
Wahrscheinlichkeit, die Diagnoseanweisung, das
Diagnoseergebnis oder die Reparaturempfehlung abhängig von der Information über den wenigstens einen Betriebsparameter durch ein künstliches neuronales Netz , insbesondere in einem nach dem greedy layer-wise pretraining Verfahren selbstlernenden System, insbesondere mit vielen Schichten zwischen einer EingabeSchicht und einer AusgäbeSchicht des neuronales Netzes , zu bestimmen . Dies ist ein besonders effizient lernendes Diagnosesystem. Bei weiteren bevorzugten Ausführungsformen ist vorgesehen, dass wenigstens eine Recheneinrichtung des Diagnosesystems dazu ausgebildet ist, die Information über die
Wahrscheinlichkeit, den Referenzwert, die
Wahrscheinlichkeit, die Diagnoseanweisung, das
Diagnoseergebnis oder die Reparaturempfehlung abhängig von der Information über den wenigstens einen Betriebsparameter durch einen Algorithmus zum beaufsichtigen Lernen zu bestimmen, insbesondere durch Klassifizierung mit
logistischer Regression, Entseheidungswald,
Entscheidungsj ungel , verstärktem Entscheidungsbaum,
künstlichem neuronalen Netzwerk, gemitteltem Perceptron, Stützvektormethode, lokal tiefer Stützvektormethode, Bayes ' point machine, und/oder durch lineare Regression, Bayesian lineare Regression, Regression mit Entseheidungswald,
Regression mit verstärktem Entscheidungsbaum, Regression mit künstlichem neuronalen Netzwerk, Poisson Regression, und/oder durch Annomalieerkennung mit Stützvektormethode, Principal Component Analysis , K-Means Clustering . Die
Verwendung dieser Algorithmen macht das Diagnosesystem unabhängig von einem Hersteller oder Fahrzeugtyp des
Kraftfahrzeugs besonders effizient .
Weitere bevorzugte Ausführungsformen beziehen sich auf ein Verfahren zur Verarbeiten von Daten eines Kraftfahrzeugs in einem Diagnosesystem, wobei auf Diagnosedaten für
wenigstens ein Bauteil eines Kraftfahrzeugs zugegriffen wird, wobei die Diagnosedaten Information über wenigstens einen Betriebsparameter des Kraftfahrzeugs mit Information über das wenigstens eine Bauteil verknüpfen, wobei Information über eine Wahrscheinlichkeit eines Auftretens eines Fehlers im Kraftfahrzeug abhängig von den
Diagnosedaten und abhängig von der Information über den wenigstens einen Betriebsparameter bewertet wird . Dies ermöglicht eine effiziente Diagnose beispielsweise von Fehlern, die während des Betriebs des Kraftfahrzeugs auftreten, ausgeführt werden .
Bei bevorzugten Ausführungsformen ist vorgesehen, dass ein Expertensystem die Diagnosedaten bewertet, indem die
Information über die Wahrscheinlichkeit abhängig von
Information über eine Beobachtung eines Technikers , oder einen Messwert, insbesondere Spannung, Strom, Kapazität, Induktivität eines Bauteils bestimmt wird . Dadurch kann für eine effiziente Diagnose von Fehlern und Bewertung von Beispielsweise Betriebsparametern eines Kraftfahrzeugs nützliches Wissen maschinell verarbeitet werden und
beispielsweise für eine DatenverarbeitungsVorrichtung bereitgestellt werden .
Bei weiteren bevorzugten Ausführungsformen ist vorgesehen, dass Algorithmen der künstlichen Intelligenz , KI , die
Diagnosedaten bewerten, indem die Information über die Wahrscheinlichkeit abhängig von Information über eine
Beobachtung eines Technikers , oder einen Messwert,
insbesondere Spannung, Strom, Kapazität, Induktivität eines Bauteils bestimmt wird . Dadurch kann die Flexibilität des Betriebs des Systems und die Zuverlässigkeit bei der
Diagnose bedeutend gegenüber konventionellen Systemen gesteigert werden . Während konventionelle Systeme beispielsweise eine sequenzielle Abarbeitung von einzelnen Fehlercodes oder FehlerSymptomen ermöglichen oder
vorschlagen, kann unter Verwendung von KI-basierten
Algorithmen das Diagnosesystem wesentlich effizienter eine Diagnose ausführen, insbesondere auch aus seinem eigenen Betrieb oder während dieses betriebserhaltenen
Informationen (Beispielweise von der
DatenverarbeitungsVorrichtung) lernen und damit seine
Arbeitsweise weiter verbessern .
Bei weiteren bevorzugten Ausführungsformen können Daten des Kraftfahrzeugs , die über eine OBD I I-Schnittstelle
ausgelesen werden, empfangen werden . Diese Schnittstelle ist im Markt weit verbreitet und erlaubt einen effizienten Zugriff auf eine Vielzahl von Kraftfahrzeugen verschiedener Hersteller .
Bei weiteren bevorzugten Ausführungsformen ist vorgesehen, dass Fahrzeuginformation des Kraftfahrzeugs empfangen wird, wobei die Fahrzeuginformation wenigstens eines der
folgenden Elemente aufweisen : das Kraftfahrzeug
identifizierende Fahrzeug-Identifizierungsnummer, FIN
(englisch : VIN, vehicle Identification nurnber) , einen
Betrieb wenigstens einer Komponente des Kraftfahrzeugs charakterisierende Betriebsdaten, ein oder mehrere einen Fehler wenigstens einer Komponente des Kraftfahrzeugs charakterisierende Fehlercodes . Zur Übertragung der
Fahrzeuginformation ist vorteilhaft eine vergleichsweise geringe Bandbreite erforderlich . Bei weiteren bevorzugten Ausführungsformen ist vorgesehen, dass die Fahrzeuginformation dazu genutzt wird, eine bauteil- und/oder fahrzeugspezifische Diagnose auszuführen, und/oder eine Datenbank mit den entsprechenden
Informationen aufzubauen oder zu ergänzen, und/oder ein oder mehrere KI-Subsysteme eines Diagnosesystems zu
trainieren oder validieren . Damit wird ein Ergebnis der Diagnose abhängig von anderen Fahrzeugen ermöglicht, für die die Diagnosedaten gemäß der Fahrzeuginformation
ebenfalls zutreffend sind .
Bei weiteren bevorzugten Ausführungsformen ist vorgesehen, dass Antwortinformation, insbesondere eine
Diagnoseanweisung, ein Diagnoseergebnis oder eine
Reparaturempfehlung, in Abhängigkeit der
Fahrzeuginformation ermittelt und an eine
DatenverarbeitungsVorrichtung gesendet wird . Damit wird eine Interaktion mit einem Techniker ermöglicht, der mit dem zu reparierenden Kraftfahrzeug interagiert .
Bei weiteren bevorzugten Ausführungsformen ist vorgesehen, dass die Antwortinformation unter Verwendung von
Algorithmen der künstlichen Intelligenz in Abhängigkeit der Fahrzeuginformation, ermittelt wird . Dies ermöglicht eine besonders effiziente Diagnose .
Bei weiteren bevorzugten Ausführungsformen ist vorgesehen, dass bauteil- und/oder fahrzeugspezifische Informationen und/oder sonstige Informationen von einer Datenbank, insbesondere einer externen Datenbank abgerufen werden . Dadurch entfällt vorteilhaft das Erfordernis , alle für eine Diagnose von einer Vielzahl von verschiedenen Fahrzeugtypen erforderlichen Informationen in dem Diagnosesystem
vorzuhalten . Vielmehr können diese bei weiteren bevorzugten Ausführungsformen dynamisch, also insbesondere bei Bedarf, von der externen Datenbank abgerufen werden . Bei weiteren bevorzugten Ausführungsformen ist auch denkbar, die
entsprechenden Informationen zumindest zeitweise in einer Datenbank des Diagnosesystems zu speichern . Dadurch kann Abhängigkeit von einer externen Datenbank reduziert werden oder eine erhöhte StörSicherheit für den Betrieb des
Systems erzielt werden .
Bei weiteren bevorzugten Ausführungsformen ist vorgesehen, dass bauteil- und/oder fahrzeugspezifische Informationen und/oder Fehlercodes in einer Datenbank des Diagnosesystems gespeichert werden . Besonders bevorzugt kann eine
Speicherung in einer Datenbank des Diagnosesystems
beispielsweise in Abhängigkeit von einer Nutzungsfrequenz der betreffenden Daten ausgeführt werden .
Bei weiteren bevorzugten Ausführungsformen ist vorgesehen, dass eine Diagnoseantwort, die einen Verlauf einer
Reparatur des Kraftfahrzeugs charakterisiert, zumindest zeitweise gespeichert wird, und insbesondere die
Diagnoseantwort in Bezug zu einer zuvor abgegebenen
Diagnoseanweisung gesetzt wird .
Bei weiteren bevorzugten Ausführungsformen ist vorgesehen, dass die Diagnosedaten die Information über den wenigstens einen Betriebsparameter des Kraftfahrzeugs in einem
Diagnosebaum oder einem Diagnosej ungel mit Information über das wenigstens eine Bauteil verknüpfen, indem der
wenigstens eine Betriebsparameter in einem Vergleich mit wenigstens einem Referenzwert verglichen wird, um abhängig vom Ergebnis des Vergleichs entweder eine Diagnoseanweisung zu bestimmen, oder um ein Diagnoseergebnis oder eine
Reparaturempfehlung zu bestimmen . Dadurch ist vorteilhaft eine effiziente Diagnose ermöglicht .
Bei weiteren bevorzugten Ausführungsformen ist vorgesehen, dass die Information über die Wahrscheinlichkeit, der Referenzwert, die Wahrscheinlichkeit, die
Diagnoseanweisung, das Diagnoseergebnis und/oder die
Reparaturempfehlung abhängig von der Information über den wenigstens einen Betriebsparameter durch ein künstliches neuronales Netz , insbesondere in einem nach dem greedy layer-wise pretraining Verfahren selbstlernenden System, insbesondere mit vielen Schichten zwischen einer
EingabeSchicht und einer AusgäbeSchicht des neuronales Netzes , bestimmt wird . Dies ist ein besonders effizientes Verfahren der selbstlernenden künstlichen Intelligenz .
Bei weiteren bevorzugten Ausführungsformen ist vorgesehen, die Information über die Wahrscheinlichkeit, der
Referenzwert, die Wahrscheinlichkeit, die
Diagnoseanweisung, das Diagnoseergebnis und/oder die
Reparaturempfehlung abhängig von der Information über den wenigstens einen Betriebsparameter durch einen Algorithmus zum beaufsichtigen Lernen bestimmt wird, insbesondere durch Klassifizierung mit logistischer Regression,
Entscheidungswald, Entscheidungsj ungel , verstärktem Entscheidungsbaum, künstlichem neuronalen Netzwerk,
gemitteltem Perceptron, Stützvektormethode, lokal tiefer Stützvektormethode, Bayes ' point machine, und/oder durch lineare Regression, Bayesian lineare Regression, Regression mit Entscheidungswald, Regression mit verstärktem
Entscheidungsbaum, Regression mit künstlichem neuronalen Netzwerk, Poisson Regression, und/oder durch
Annomalieerkennung mit Stützvektormethode, Principal
Component Analysis K-Means Clustering . Dies ermöglicht ein besonders effiziente Verfahren der künstlichen Intelligenz .
Weitere Merkmale, Anwendungsmöglichkeiten und Vorteile der Erfindung ergeben sich aus der nachfolgenden Beschreibung von Ausführungsbeispielen der Erfindung, die in den Figuren der Zeichnung dargestellt sind . Dabei bilden alle
beschriebenen oder dargestellten Merkma1e für sich oder in beliebiger Kombination den Gegenstand der Erfindung, unabhängig von ihrer Zusammenfassung in den Ansprüchen oder deren Rückbeziehung sowie unabhängig von ihrer Formulierung oder Darstellung in der Beschreibung oder in der Zeichnung .
In der Zeichnung zeigt :
Figur 1 schematisch ein vereinfachtes Blockdiagramm eines
Systems ,
Figur 2 schematisch ein vereinfachtes Ablaufdiagramm,
Figur 3 schematisch ein vereinfachtes Blockdiagramm einer
DatenverarbeitungsVorrichtung, und Figur 4 schematisch Schritte in einem Verfahren gemäß einer Ausführungsform.
Figur 1 zeigt schematisch ein vereinfachtes Blockdiagramm eines Systems 1000 gemäß einer Ausführungsform. Das System 1000 weist eine DatenverarbeitungsVorrichtung 100 zum
Verarbeiten von Daten Dl eines Kraftfahrzeugs 10 auf .
Beispielsweise handelt es sich bei den Daten Dl um
Information über einen Betriebsparameter des Kraftfahrzeugs 10. Die Information über den Betriebsparameter beinhaltet beispielsweise den Betriebsparameter und/oder Fehlercodes eines Steuergeräts 12 des Kraftfahrzeugs 10. Das
Kraftfahrzeug 10 umfasst wenigstens ein Bauteil 13, beispielsweise eine Lambda-Sonde . Die Information über den Betriebsparameter kann eine Beobachtung eines Technikers , oder ein Messwert, z.B. Spannung, Strom, Kapazität,
Induktivität bezüglich des Bauteils 13 sein .
Das System 1000 weist ferner eine Schnittstellenvorrichtung 200 zur Herstellung einer DatenVerbindung zwischen der DatenverarbeitungsVorrichtung 100 und dem Steuergerät 12 auf . Bei der DatenVerbindung handelt es sich bevorzugt um eine drahtlose oder kabellose DatenVerbindung, zumindest soweit es sich auf den ersten Teil DV1 der DatenVerbindung bezieht, der beispielsweise als Bluetooth-Verbindung und/oder WLAN-Verbindung oder dergleichen ausgebildet ist . Der zweite Teil DV2 der DatenVerbindung kann beispielsweise auch kabelgebunden ausgeführt sein . Bei bevorzugten
Ausführungsformen kann die Schnittstellenvorrichtung 200 beispielsweise in Form eines sogenannten OBD-II Dongles ausgebildet sein, das in an sich bekannter Weise mit über eine Steckverbindung mit einer OBD-II-Schnittstelle des Kraftfahrzeugs 10 verbindbar ist . Damit ist die
Schnittstellenvorrichtung 200 in DatenVerbindung
beispielsweise mit dem Steuergerät 12 zu bringen .
Zur einfachen und effizienten Steuerung des Betriebs der DatenverarbeitungsVorrichtung 100 verfügt diese über eine Benutzerschnittstelle UI, die insbesondere eine grafische Benutzerschnittstelle und/oder eine akustische
Benutzerschnittstelle umfassen kann .
Die DatenverarbeitungsVorrichtung 100 kann als Handgerät und/oder als Mobilgerät ausgebildet sein, was eine einfache Handhabung ermöglicht .
Die DatenverarbeitungsVorrichtung 100 kann als eines der folgenden Elemente ausgebildet : Smartphone, Tablett- Computer, Laptop .
Das System 1000 weist ferner ein Diagnosesystem 300 zur Verarbeitung von Daten des Kraftfahrzeugs 10 auf . Das Diagnosesystem 300 ist bevorzugt über eine kabellose
DatenVerbindung DV3 mit der DatenverarbeitungsVorrichtung 100 verbindbar, gegebenenfalls auch unter Zwischenschaltung eines oder mehrerer privater und/oder öffentlicher
Netzwerke 20 (Internet) . Beispielsweise kann die drahtlose DatenVerbindung DV3 bei weiteren bevorzugten
Ausführungsformen auch unter Nutzung eines zellularen
Mobilfunksystems der dritten und/oder vierten und/oder fünften Generation ( 3G, 4G (z.B. LTE) , 5G) realisiert werden .
Bei bevorzugten Ausführungsformen weist das Diagnosesystem 300 wenigstens ein Expertensystem 310 auf, wodurch eine effiziente Diagnose durch das Diagnosesystem 300 ermöglicht ist . Bei weiteren bevorzugten Ausführungsformen ist das Diagnosesystem 300 dazu ausgebildet, Algorithmen der künstlichen Intelligenz , KI , auszuführen . Hierfür kann beispielsweise wenigstens ein KI-Subsystem 320 vorgesehen sein, dass beispielsweise ein oder mehrere künstliche neuronale Netzwerke und/oder andere Elemente aus dem Gebiet der künstlichen Intelligenz aufweist .
Bei weiteren bevorzugten Ausführungsformen ist das
Diagnosesystem 300 dazu ausgebildet, auf eine externe
Datenbank DB1 zuzugreifen, insbesondere um bauteil- und/oder fahrzeugspezifische Informationen oder
bauteilspezifische Informationen, die beispielsweise das Bauteil 13 des Kraftfahrzeugs 10 betreffen, abzurufen .
Bei weiteren bevorzugten Ausführungsformen kann das
Diagnosesystem 300 auch über eine eigene, vorzugsweise lokale, Datenbank DB2 verfügen .
Bei weiteren bevorzugten Ausführungsformen ist das
Diagnosesystem 300 dazu ausgebildet, Fahrzeuginformation des Kraftfahrzeugs 10 zu empfangen, wobei die
Fahrzeuginformation wenigstens eines der folgenden Elemente aufweisen : eine das Kraftfahrzeug identifizierende
Fahrzeug-Identifizierungsnummer, FIN, einen Betrieb wenigstens einer Komponente des Kraftfahrzeugs charakterisierende Betriebsdaten, ein oder mehrere einen Fehler wenigstens einer Komponente des Kraftfahrzeugs charakterisierende Fehlercodes .
Bei weiteren bevorzugten Ausführungsformen ist das
Diagnosesystem 300 dazu ausgebildet, die
Fahrzeuginformation von der DatenverarbeitungsVorrichtung 100 zu empfangen . In diesem Fall ist die
DatenverarbeitungsVorrichtung 100 dazu ausgebildet, die Fahrzeuginformation, insbesondere über die
Schnittstellenvorrichtung 200, auszulesen und zu senden .
Bei weiteren bevorzugten Ausführungsformen ist das
Diagnosesystem 300 dazu ausgebildet, in Abhängigkeit der Informationen, insbesondere der Fahrzeuginformation,
AntwortInformation, insbesondere eine Diagnoseanweisung, ein Diagnoseergebnis oder eine Reparaturempfehlung, zu ermitteln und an die DatenverarbeitungsVorrichtung 100 zu senden .
Bei weiteren bevorzugten Ausführungsformen ist das
Diagnosesystem 300 dazu ausgebildet, die AntwortInformation unter Verwendung von Algorithmen der künstlichen
Intelligenz in Abhängigkeit der Informationen, insbesondere der Fahrzeuginformation, zu ermitteln .
Bei weiteren bevorzugten Ausführungsformen ist das
Diagnosesystem 300 dazu ausgebildet, bauteil- und/oder fahrzeugspezifische Informationen und/oder sonstige Informationen von einer Datenbank, insbesondere der
externen Datenbank DB1 abzurufen .
Bei weiteren bevorzugten Ausführungsformen ist wenigstens eine Datenbank DB2 , insbesondere zur Speicherung von bauteil- und/oder fahrzeugspezifischen Informationen und/oder Fehlercodes , in dem Diagnosesystem 300 vorgesehen .
Bei weiteren bevorzugten Ausführungsformen ist das
Diagnosesystem 300 dazu ausgebildet, einen Verlauf einer Reparatur des Kraftfahrzeugs 10 charakterisierende
Diagnoseantwort zumindest zeitweise zu speichern, und insbesondere die Diagnoseantwort in Bezug zu einer zuvor abgegebenen Diagnoseanweisung zu setzen .
Figur 2 zeigt schematisch ein vereinfachtes Ablaufdiagramm eines Verfahrens gemäß einer Ausführungsform. Die
DatenverarbeitungsVorrichtung 100 übermittelt eine erste Nachricht nl an die Schnittstellenvorrichtung 200
(beispielsweise den OBD-II-Dongle, der mit dem Steuergerät 12 (Figur 1 ) des Kraftfahrzeugs 10 in DatenVerbindung steht) , und die Schnittstellenvorrichtung 200 leitet die erste Nachricht nl in Form der Nachricht nl ' an das
Steuergerät 12 weiter . Die erste Nachricht nl , nl ' kann beispielsweise einen Steuerbefehl enthalten, der das
Steuergerät 12 dazu veranlasst, Fahrzeuginformation FI an die Schnittstellenvorrichtung 200 und/oder die
DatenverarbeitungsVorrichtung 100 auszugeben . Bei den
Fahrzeuginformation FI kann es sich beispielsweise um
Fehlercodes handeln, wie sie typischerweise in
Fehlerspeiehern von einem oder mehreren Steuergeräten 12 des Kraftfahrzeugs 10 gespeichert werden. Alternativ oder ergänzend kennen die Fahrzeuginformation FI ein oder mehrere der bereits vorstehend erwähnten Daten
(Fahrzeugidentifikationsnummer und dergleichen) enthalten . Bei manchen Ausführungsformen kann die
Schnittstellenvorrichtung 200 die Fahrzeuginformation FI beispielsweise im Wesentlichen unverändert an die
DatenverarbeitungsVorrichtung 100 übertragen . Bei weiteren Ausführungsformen kann vorgesehen sein, dass die
Schnittstellenvorrichtung 200 die von dem Steuergerät 12 erhaltenen Fahrzeuginformation FI filtert und/oder in sonstiger Weise verarbeitet Beziehung Weise bearbeitet, um die hierbei erhaltenen gefiltert den und/oder verarbeiteten Fahrzeuginformation FI ' an die
DatenverarbeitungsVorrichtung 100 zu übertragen .
Die DatenverarbeitungsVorrichtung 100 kann in einem
optionalen Schritt 110 eine lokale Verarbeitung der erhaltenen Fahrzeuginformation FI , FI ' ausführen,
beispielsweise eine weitere Filterung und/oder sonstige Bearbeitung .
Die DatenverarbeitungsVorrichtung 100 kann ferner die erhaltenen Fahrzeuginformation FI , FI ' oder daraus
abgeleitete Daten an das Diagnosesystem 300 übermitteln, beispielsweise in Form einer zweiten Nachricht n2.
Sofern das Diagnosesystem 300 zur Ausführung einer Diagnose zusätzlich zu den Daten der zweiten Nachricht n2 weitere Daten benötigt, beispielsweise bauteil- und/oder
fahrzeugspezifische Information und/oder bauteilspezifische Informationen und dergleichen, kann das Dialogsystem 300 diese Daten mittels einer optionalen Nachricht n3 aus der externen Datenbank DB1 abrufen . Nach Erhalt einer
entsprechenden optionalen Antwort mit den angefragten Daten aus der externen Datenbank DB1 , die in der weiteren
optionalen Nachricht n4 übertragen wird, führt das
Diagnosesystem 300 in einem Schritt 330 eine Diagnose aus . Dies erfolgt bei bevorzugten Ausführungsformen insbesondere unter Verwendung wenigstens eines Algorithmus der
künstlichen Intelligenz , beispielsweise mittels des
Expertensystems 310 oder mittels wenigstens eines KI- Subsystems 320.
Sofern das Diagnosesystem 300 zur Ausführung der Diagnose zusätzlich zu den Daten der zweiten Nachricht n2 weitere Daten benötigt, beispielsweise Beobachtungen eines
Technikers , Messdaten und dergleichen, kann das
Dialogsystem 300 diese Daten mittels einer optionalen
Nachricht n5 an die DatenverarbeitungsVorrichtung 100 anfordern . Die optionale Nachricht n5 kann eine oder mehrere Diagnoseanweisungen umfassen . Diese können einen oder mehrere Prüfschritte vorgeben . Beispielsweise wird eine Beobachtung eines Technikers bei der Durchführung eines Tests am Kraftfahrzeug 10 angefordert . Beispielsweise werden Messungen, z.B. von Spannung, Strom oder dergleichen an einem Bauteil 13 angefordert . Es kann auch das Auslesen von Fahrzeuginformation über die Schnittstelle 200
angefordert werden . Nach Erhalt einer entsprechenden optionalen Diagnoseantwort mit den angefragten Daten von der DatenverarbeitungsVorrichtung 100, die in einer weiteren optionalen Nachricht n6 übertragen wird, führt das Diagnosesystem 300 den Schritt 330 für eine erneute
Diagnose mit den erhaltenen Daten aus. Derart können mehrere Prüfschritte und Diagnoseschritte angewiesen werden, um ein Fehlerbild einzugrenzen .
Eine Diagnoseanweisung gibt beispielsweise wenigstens einen Prüfschritt für wenigstens ein Bauteil 13 des
Kraftfahrzeugs 10 vor . Die Prüfschritte können
Messanweisungen, Beobachtungsanweisungen oder
Arbeitsschrittanweisungen zur Inspektion des wenigstens einen Bauteils 13 sein .
Diagnoseantwort enthält beispielsweise mindestens eine Information über wenigstens einen Betriebsparameter des Kraftfahrzeugs 10.
Nach der Ausführung 330 der Diagnose kann das
Diagnosesystem 300 eine weitere optionale Nachricht n7 an die DatenverarbeitungsVorrichtung 100 senden, die
beispielsweise ein Diagnoseergebnis oder
Reparaturempfehlung enthalten kann .
Beispielsweise kann ein derartiges Diagnoseergebnis oder eine derartige Reparaturempfehlung einen Hinweis für einen Benutzer der DatenverarbeitungsVorrichtung 100 enthalten, der vorgibt, welches Bauteil 13des Kraftfahrzeugs 10 bevorzugt auszutausehen ist, um eine effiziente Reparatur, also Beseitigung der Fehlerursache zu ermöglichen .
Durch das Prinzip gemäß den Ausführungsformen kann
vorteilhaft eine effiziente Diagnose durchgeführt werden, wobei besonders bevorzugt eine vergleichsweise geringe erste Anzahl von Diagnosesystemen 300 die leistungsfähige Bereitstellung einer effizienten Diagnose für eine
vergleichsweise große zweite Anzahl von
DatenverarbeitungsVorrichtungen 100 ermöglicht .
Bei weiteren Ausführungsformen kann vorgesehen sein, dass das DiagnoseSystem 300 einen Verlauf einer Diagnose des Kraftfahrzeugs 10 charakterisierende Diagnoseantwort zumindest zeitweise speichert, und insbesondere die
Diagnoseantwort in Bezug zu einer zuvor abgegebenen
Diagnoseanweisung n5 setzt . Derartige Diagnoseantworten sind bei weiteren Ausführungsformen beispielsweise durch die DatenverarbeitungsVorrichtung 100 mittels der
optionalen Nachricht n6 an das Diagnosesystem 300
übermittelbar, beispielsweise in Abhängigkeit einer
Benutzereingabe durch einen Techniker als Benutzer der DatenverarbeitungsVorrichtung 100, die einen Effekt oder eine Qualität der Diagnoseanweisung aus n5 bewertet .
Figur 3 zeigt schematisch ein vereinfachtes Blockdiagramm einer DatenverarbeitungsVorrichtung 100a, die mit einem Diagnosesystem 300 gemäß einer Ausführungsform
kommunizieren kann . Beispielsweise kann die
DatenverarbeitungsVorrichtung 100 gemäß Figur 1 , 2 die in Figur 3 abgebildete Konfiguration aufweisen . Die
DatenverarbeitungsVorrichtung 100a weist eine erste
Datenschnittstelle 110 zur Realisierung der ersten
DatenVerbindung DV1 (beispielsweise Bluetooth und/oder WLAN oder dergleichen) und eine zweite Datenschnittstelle 130 zur Realisierung der Datenverbindung DV3 zu dem Diagnosesystem 300 auf . Die DatenverarbeitungsVorrichtung 100a weist ferner eine Recheneinrichtung 120 auf, die beispielsweise wenigstens einen Mikrocontroller und/oder Mikroprozessor und/oder digitalen Signalprozessor (DSP) , und/oder einen programmierbaren Logikbaustein (FPGA, field programmable gate array) und/oder einen
anwendungsspezifischen integrierten Schaltkreis (ASIC) aufweist . Der Recheneinrichtung 120 ist eine
Speichereinrichtung 122 zugeordnet, die zur zumindest zeitweisen Speicherung eines Computerprogramms PRG
ausgebildet ist . Das Computerprogramm PRG kann
beispielsweise zur Ausführung des Verfahrens ausgebildet sein . Die Speichereinrichtung 122 kann beispielsweise wenigstens einen flüchtigen Speicher, insbesondere
Arbeitsspeicher (RAM) und/oder wenigstens einen nicht flüchtigen Speicher, insbesondere Festwertspeicher (ROM) und/oder Flash-EEPROM Speicher oder dergleichen aufweisen .
Die Recheneinrichtung 120 kann auch zur Bereitstellung einer Benutzeroberfläche, insbesondere einer grafischen Benutzeroberfläche, für wenigstens einen Benutzer der DatenverarbeitungsVorrichtung 100a ausgebildet . Auf diese Weise können effizient Diagnose-und/oder
Reparaturanweisungen für den Benutzer bereitgestellt werden, welche beispielsweise zumindest zeitweise in der Speichereinrichtung 122 vorgehalten werden können und/oder von dem Diagnosesystem 300 bedarfsweise abgerufen werden können . Bei weiteren bevorzugten Ausführungsformen kann vorgesehen sein, dass in der ersten Datenbank DB1 und/oder in der zweiten Datenbank DB2 bauteil- und/oder fahrzeugspezifische Daten, insbesondere aufweisend Informationen bis hin zu einer Bauteilebene, aufweisen . Besonders bevorzugt weisen die bauteil- und/oder fahrzeugspezifischen Daten eine
Verknüpfung von Bauteilen 13 desselben Bauteiltyps mit Daten verschiedener Fahrzeughersteller oder Fahrzeugtypen auf .
Das DiagnoseSystem 300 ist zum Verarbeiten von Daten des Kraftfahrzeugs 10 ausgebildet . Das Diagnosesystem 300 ist ausgebildet auf Diagnosedaten für wenigstens ein Bauteil 13 des Kraftfahrzeugs 10 zuzugreifen .
Die Diagnosedaten verknüpfen Information über wenigstens einen Betriebsparameter des Kraftfahrzeugs 10 mit
Information über das wenigstens eine Bauteil 13.
Das DiagnoseSystem 300 ist ausgebildet, Information über eine Wahrscheinlichkeit eines Auftretens eines Fehlers im Kraftfahrzeug 10 abhängig von den Diagnosedaten und
abhängig von der Information über den wenigstens einen Betriebsparameter zu bestimmen .
In einer bevorzugten Ausführungsform weist das
Diagnosesystem 300 wenigstens ein Expertensystem 310 auf, das dazu ausgebildet ist, die Information über die
Wahrscheinlichkeit zu bestimmen .
In einer bevorzugten Ausführungsform weist das
Diagnosesystem 300 wenigstens ein KI-Subsystem 320 auf, das dazu ausgebildet ist, Algorithmen der künstlichen
Intelligenz , KI, auszuführen, um die Information über die Wahrscheinlichkeit zu bestimmen .
In einer bevorzugten Ausführungsform weist das
Diagnosesystem 300 wenigstens eine Recheneinrichtung auf, die dazu ausgebildet ist, die Diagnosedaten mit der
Information über den wenigstens einen Betriebsparameter des Kraftfahrzeugs 10 in einem Diagnosebaum oder einem
Diagnosej ungel mit Information über das wenigstens eine Bauteil 13 zu verknüpfen, indem der wenigstens eine
Betriebsparameter in einem Vergleich mit wenigstens einem Referenzwert verglichen wird, um eine Diagnoseanweisung, ein Diagnoseergebnis oder eine Reparaturempfehlung abhängig vom Ergebnis des Vergleichs zu bestimmen .
In einer bevorzugten Ausführungsform ist wenigstens eine Recheneinrichtung des Diagnosesystems 300 dazu ausgebildet, beim Bestimmen der Information über die Wahrscheinlichkeit den Referenzwert, die Wahrscheinlichkeit, die
Diagnoseanweisung, das Diagnoseergebnis und/oder die
Reparaturempfehlung abhängig von der Information über den wenigstens einen Betriebsparameter durch ein künstliches neuronales Netz , insbesondere in einem nach dem greedy layer-wise pretraining Verfahren selbstlernenden System, insbesondere mit vielen Schichten zwischen einer
EingabeSchicht und einer AusgäbeSchicht des neuronales Netzes , zu bestimmen .
In einer bevorzugten Ausführungsform ist wenigstens eine Recheneinrichtung dazu ausgebildet, beim Bestimmen der Information über die Wahrscheinlichkeit den Referenzwert, die Wahrscheinlichkeit, die Diagnoseanweisung, das
Diagnoseergebnis und/oder die Reparaturempfehlung abhängig von der Information über den wenigstens einen
Betriebsparameter durch einen an sich bekannten Algorithmus zum beaufsichtigen Lernen zu bestimmen, insbesondere durch Klassifizierung mit, logistischer Regression,
Entscheidungswald, Entscheidungsj ungel , verstärktem
Entscheidungsbaum, künstlichem neuronalen Netzwerk, gemitteltem Perceptron, Stützvektormethode, lokal tiefer Stützvektormethode, Bayes ' point machine, und/oder durch lineare Regression, Bayesian lineare Regression, Regression mit Entscheidungswald, Regression mit verstärktem
Entscheidungsbaum, Regression mit künstlichem neuronalen Netzwerk, Poisson Regression, und/oder durch
Annomalieerkennung mit Stützvektormethode, Principal
Component Analysis K-Means Clustering .
Ein Verfahren zur Diagnose wird im Folgenden anhand der Figur 4 beschrieben .
Das Verfahren eignet sich zur Verarbeiten von Daten des Kraftfahrzeugs 10 im Diagnosesystem 300. Das Verfahren kann auch in anderen Diagnosesystemen, mit verteilt oder zentral angeordneten Recheneinrichtungen ausgeführt werden .
Diese Recheneinrichtung weist oder diese
Recheneinrichtungen weisen beispielsweise wenigstens einen Mikrocontroller und/oder Mikroprozessor und/oder digitalen Signalprozessor (DSP) , und/oder einen programmierbaren Logikbaustein (FPGA, field programmable gate array) und/oder einen anwendungsspezifischen integrierten
Schaltkreis (ASIC) auf . Eine Speichereinrichtung kann zugeordnet sein, die zur zumindest zeitweisen Speicherung eines Computerprogramms PRG ausgebildet ist . Das
Computerprogramm PRG ist im Beispiel zur Ausführung des Verfahrens ausgebildet . Die Speichereinrichtung kann beispielsweise wenigstens einen flüchtigen Speicher, insbesondere Arbeitsspeicher (RAM) und/oder wenigstens einen nicht flüchtigen Speicher, insbesondere
Festwertspeicher (ROM) und/oder Flash-EEPROM Speicher oder dergleichen aufweisen .
Im Verfahren wird auf die Diagnosedaten für wenigstens ein Bauteil 13 des Kraftfahrzeugs 10 zugegriffen wird, wobei die Diagnosedaten Information über wenigstens einen
Betriebsparameter des Kraftfahrzeugs 10 mit Information über das wenigstens eine Bauteil 13 verknüpfen .
Das Verfahren sieht vor, Information über eine
Wahrscheinlichkeit eines Auftretens eines Fehlers im
Kraftfahrzeug 10 abhängig von den Diagnosedaten und abhängig von der Information über den wenigstens einen Betriebsparameter zu bestimmen .
Das Verfahren sieht in einer bevorzugten Ausführungsform vor, dass wenigstens ein Expertensystem 310 die
Diagnosedaten verarbeitet, um die Information über die Wahrscheinlichkeit zu bestimmen .
Das Verfahren sieht in einer bevorzugten Ausführungsform vor, dass Algorithmen der künstlichen Intelligenz , KI , die Diagnosedaten verarbeiten, um die Information über die Wahrscheinlichkeit zu bestimmen .
In einem Schritt 400 werden Daten des Kraftfahrzeugs 10, die insbesondere über eine OBD I I-Schnittstelle ausgelesen werden oder vor dem Schritt 400 ausgelesen wurden,
empfangen .
Im Beispiel wird Fahrzeuginformation als Information über den wenigstens einen Betriebsparameter des Kraftfahrzeugs 10 empfangen, die wenigstens eines der folgenden Elemente aufweisen : das Kraftfahrzeug identifizierende Fahrzeug- Identifizierungsnummer, FIN (englisch : VIN, vehicle
Identification number) , einen Betrieb wenigstens einer Komponente des Kraftfahrzeugs charakterisierende
Betriebsdaten, ein oder mehrere einen Fehler wenigstens einer Komponente des Kraftfahrzeugs charakterisierende Fehlercodes .
Anschließend wird ein optionaler Schritt 402 ausgeführt .
Im optionalen Schritt 402 werden bauteil- und/oder
fahrzeugspezifische Informationen und/oder sonstige
Informationen insbesondere von der externen Datenbank DB1 oder von der im Diagnosesystem 300 angeordneten Datenbank DB2 abgerufen . Bezüglich der externen Datenbank DB1 erfolgt dies beispielsweise wie für die Nachrichten n3 und n4 beschrieben .
Anschließend an Schritt 400 oder an den optionalen Schritt 402 wird ein Schritt 404 ausgeführt . In einem Schritt 404 wird beim Bestimmen der Information über die Wahrscheinlichkeit der Referenzwert, die
Wahrscheinlichkeit, die Diagnoseanweisung, das
Diagnoseergebnis und/oder die Reparaturempfehlung abhängig von der Information über den wenigstens einen
Betriebsparameter durch ein künstliches neuronales Netz , insbesondere in einem nach dem greedy layer-wise
pretraining Verfahren selbstlernenden System, insbesondere mit vielen Schichten zwischen einer EingabeSchicht und einer AusgäbeSchicht des neuronales Netzes , bestimmt .
Alternativ oder zusätzlich dazu wird beim Bestimmen der Information über die Wahrscheinlichkeit der Referenzwert, die Wahrscheinlichkeit, die Diagnoseanweisung, das
Diagnoseergebnis und/oder die Reparaturempfehlung abhängig von der Information über den wenigstens einen
Betriebsparameter durch einen Algorithmus zum
beaufsichtigen Lernen bestimmt .
Insbesondere erfolgt das Bestimmen der Information über die Wahrscheinlichkeit durch eine Klassifizierung mit
logistischer Regression, Entscheidungswald,
Entscheidungsj ungel , verstärktem Entscheidungsbaum,
künstlichem neuronalen Netzwerk, gemitteltem Perceptron, Stützvektormethode, lokal tiefer Stützvektormethode, Bayes ' point machine, und/oder durch lineare Regression, Bayesian lineare Regression, Regression mit Entseheidungswald,
Regression mit verstärktem Entscheidungsbaum, Regression mit künstlichem neuronalen Netzwerk, Poisson Regression, und/oder durch Annomalieerkennung mit Stützvektormethode, Principal Component Analysis, oder K-Means Clustering .
Diese liefern im Beispiel einen angepassten
Entscheidungsbaum als Diagnosebaum.
Die Wahrscheinlichkeit oder die Information über die
Wahrscheinlichkeit, dass ein Endpunkt des
Entscheidungsbaums auszuwählen ist, wird im Beispiel abhängig von der Information über den wenigstens einen Betriebsparameter, beispielsweise der Fahrzeuginformation, der Information über eine Beobachtung des Technikers , oder den Messwert, insbesondere Spannung, Strom, Kapazität, Induktivität eines Bauteils 13 bestimmt .
Das Expertensystem 310 kann die Diagnosedaten bewerten, indem die Information über die Wahrscheinlichkeit abhängig von Information über die Beobachtung des Technikers , oder den Messwert, insbesondere Spannung, Strom, Kapazität, Induktivität eines Bauteils 13 bestimmt wird . Algorithmen der künstlichen Intelligenz , KI , können die Diagnosedaten bewerten, indem die Information über die Wahrscheinlichkeit abhängig von Information über eine Beobachtung eines
Technikers , oder einen Messwert, insbesondere Spannung, Strom, Kapazität, Induktivität eines Bauteils 13 bestimmt wird .
Anschließend wird ein Schritt 406 ausgeführt .
Im Schritt 406 wird die Information über eine
Wahrscheinlichkeit eines Auftretens eines Fehlers im
Kraftfahrzeug 10 abhängig von den Diagnosedaten und abhängig von der Information über den wenigstens einen Betriebsparameter bewertet.
Im Beispiel wird die Information über die
Wahrscheinlichkeit für das Auftreten des Fehlers abhängig von Information über eine Beobachtung eines Technikers , oder einen Messwert, insbesondere Spannung, Strom,
Kapazität, Induktivität eines Bauteils 13 bestimmt .
In einer bevorzugten Ausführungsform verknüpfen die
Diagnosedaten die Information über den wenigstens einen Betriebsparameter des Kraftfahrzeugs 10 in einem
Diagnosebaum mit Information über das wenigstens eine
Bauteil . Der Diagnosebaum ist im Beispiel wie ein
Entscheidungsbaum aufgebaut der im Schritt 404 angepasst wurde . Stattdessen kann auch ein Diagnosej ungel verwendet werden, der wie ein Entscheidungsj ungel aufgebaut ist .
Die Information über die Wahrscheinlichkeit kann eine
Prozentangabe sein . Das Ergebnis der Bewertung liefert in diesem Fall Information über den Fehler, mit der prozentual gesehen, höchsten Wahrscheinlichkeit des Auftretens .
Die Verknüpfung der Information über den wenigstens einen Betriebsparameter mit der Information über das wenigstens eine Bauteil 13in den Diagnosedaten erfolgt in einer bevorzugten Ausführungsform indem der wenigstens eine
Betriebsparameter in einem Vergleich mit wenigstens einem Referenzwert verglichen wird 406. Der Referenzwert wird durch einen der Algorithmen der künstlichen Intelligenz oder das Expertensystem beispielsweise abhängig von der Fahrzeuginformation, der Information über eine Beobachtung des Technikers , oder den Messwert, insbesondere Spannung, Strom, Kapazität, Induktivität eines Bauteils 13 bestimmt
Stimmen der wenigstens eine Betriebsparameter und der
Referenzwert nicht überein, wird ein Schritt 408
ausgeführt . Anderenfalls wird ein Schritt 410 ausgeführt . Allgemein wird der Schritt 408 ausgeführt, wenn noch keine Diagnoseanweisung oder Reparaturempfehlung bestimmbar ist .
Im Schritt 408 wird die Fahrzeuginformation beispielsweise dazu genutzt, eine bauteil- und/oder fahrzeugspezifische Diagnose auszuführen . Es kann vorgesehen sein, eine
Diagnoseanweisung, insbesondere eine Rückfrage in
Abhängigkeit der Fahrzeuginformation zu ermitteln und an die DatenverarbeitungsVorrichtung 100 zu senden .
Alternativ oder zusätzlich wird im Schritt 408 die externe Datenbank DB1 oder die Datenbank DB2 des Diagnosesystems 300 mit den entsprechenden Informationen aufgebaut oder ergänzt .
In einer bevorzugten Ausführungsform wird ein oder werden mehrere KI-Subsysteme 320 des Diagnosesystems 300 trainiert oder validiert .
In einer bevorzugten Ausführungsform ist vorgesehen, dass im Schritt 408 bauteil- und/oder fahrzeugspezifische
Informationen und/oder Fehlercodes in der der Datenbank DB2 des DiagnoseSystems 300 gespeichert werden .
Anschließend wird der Schritt 400 ausgeführt . Im Schritt 410 wird AntwortInformation, insbesondere das Diagnoseergebnis oder die Reparaturempfehlung, in
Abhängigkeit der Fahrzeuginformation ermittelt .
In einer bevorzugten Ausführungsform enthält der
Diagnosebaum in Endpunkten die AntwortInformation, das heißt, die Diagnoseanweisung, das Diagnoseergebnis oder die Reparaturempfehlung für den Fehler mit der höchsten
Wahrscheinlichkeit . Die Diagnoseanweisung kann auch in andern Knoten als Endknoten enthalten sein .
Die Diagnoseanweisung, das Diagnoseergebnis oder die
Reparaturempfehlung kann als Text- , Audio- oder Video- Information in der externen Datenbank DB1 oder der
Datenbank DB2 des Diagnosesystems 300 gespeichert sein .
Anschließend wird ein Schritt 412 ausgeführt .
Im Schritt 412 wird die AntwortInformation, insbesondere das Diagnoseergebnis oder die Reparaturempfehlung an die DatenverarbeitungsVorrichtung 100 gesendet . Diesbezüglich wird auch auf die Nachrichten n5 und n6 verwiesen .
In einer bevorzugten Ausführungsform wird eine
Diagnoseantwort, die einen Verlauf einer Reparatur des Kraftfahrzeugs 10 charakterisiert, zumindest zeitweise gespeichert . Die Diagnoseantwort wird vorzugsweise in Bezug zu der zuvor abgegebenen Diagnoseanweisung oder der
Reparaturempfehlung gesetzt . Beispielsweise wird ein
Fehlerbild vor dem Ausführen der Diagnoseanweisung oder der Reparaturempfehlung mit einem Fehlerbild nach dem Ausführen der Diagnoseanweisung oder der Reparaturempfehlung als Trainingsdaten für ein Training des Expertensystems 310 oder des KI-Subsystems 320 verwendet .
Ein Computerprogrammprodukt kann Instruktionen enthalten, bei deren Ausführung durch einen Computer oder mehrere verteilte Computer das beschriebene Verfahren ausgeführt wird. Die Verfahrensschritte können wiederholt ausgeführt werden . Eine Reihenfolge der Ausführung der
Verfahrensschritte ist nur beispielhaft dargestellt . Es kann eine andere Reihenfolge gewählt werden . Es können bei einer wiederholten Ausführung auch einzelne
Verfahrensschritte ausgelassen werden .

Claims

Patentansprüche
1. Diagnosesystem (300) zum Verarbeiten von Daten eines Kraftfahrzeugs (10), das ausgebildet ist, auf
Diagnosedaten für wenigstens ein Bauteil (13) des Kraftfahrzeugs (10) zuzugreifen, wobei die
Diagnosedaten Information über wenigstens einen
Betriebsparameter des Kraftfahrzeugs (10) mit
Information über das wenigstens eine Bauteil
(13) verknüpfen, wobei das Diagnosesystem (300) ausgebildet ist, Information über eine
Wahrscheinlichkeit eines Auftretens eines Fehlers im Kraftfahrzeug (10) abhängig von den Diagnosedaten und abhängig von der Information über den wenigstens einen Betriebsparameter zu bewerten .
2. Diagnosesystem (300) nach Anspruch 1 , dadurch
gekennzeichnet, dass das Diagnosesystem (300) wenigstens ein Expertensystem (310) oder wenigstens ein KI-Subsystem (320) aufweist, das dazu ausgebildet ist, die Information über eine Wahrscheinlichkeit dadurch zu bewerten, dass die Information über die Wahrscheinlichkeit abhängig von Information über eine Beobachtung eines Technikers , oder einen Messwert, insbesondere Spannung, Strom, Kapazität, Induktivität eines Bauteils (13) bestimmt wird .
3. Diagnosesystem (300) nach einem der vorherigen
Ansprüche, dadurch gekennzeichnet, dass das Diagnosesystem (300) ausgebildet ist,
Fahrzeuginformation des Kraftfahrzeugs (10) zu empfangen, wobei die Fahrzeuginformation wenigstens eines der folgenden Elemente aufweisen : das
Kraftfahrzeug (10) identifizierende Fahrzeug- Identifizierungsnummer, FIN, einen Betrieb wenigstens einer Komponente des Kraftfahrzeugs
charakterisierende Betriebsdaten, ein oder mehrere einen Fehler wenigstens einer Komponente des
Kraftfahrzeugs charakterisierende Fehlercodes .
4. Diagnosesystem (300) nach Anspruch 3 , dadurch
gekennzeichnet, dass das Diagnosesystem (300) ausgebildet, die Fahrzeuginformation dazu zu nutzen, eine bauteil- und/oder fahrzeugspezifische Diagnose auszuführen, und/oder eine Datenbank (DB1 , DB2 ) mit den entsprechenden Informationen aufzubauen oder zu ergänzen, und/oder ein oder mehrere KI-Subsysteme (320) des Diagnosesystems (300) zu trainieren oder zu validieren .
5. Diagnosesystem (300) nach Anspruch 3 oder 4 , dadurch gekennzeichnet, dass das Diagnosesystem (300) dazu ausgebildet ist, AntwortInformation, insbesondere eine Diagnoseanweisung, ein Diagnoseergebnis oder eine Reparaturempfehlung, in Abhängigkeit der
Fahrzeuginformation zu ermitteln und an eine
DatenverarbeitungsVorrichtung (100) zu senden .
6. Diagnosesystem (300) nach Anspruch 5 , dadurch
gekennzeichnet, dass das Diagnosesystem (300) dazu ausgebildet ist, die AntwortInformation unter
Verwendung von Algorithmen der künstlichen
Intelligenz in Abhängigkeit der Fahrzeuginformation, zu ermitteln .
7. Diagnosesystem (300) nach einem der vorherigen
Ansprüche, dadurch gekennzeichnet, dass das
Diagnosesystem (300) dazu ausgebildet ist, bauteil- und/oder fahrzeugspezifische Informationen und/oder sonstige Informationen von einer Datenbank (DB1 ,
DB2 ) , insbesondere einer externen Datenbank (DB1 ) abzurufen .
8. Diagnosesystem (300) nach einem der vorherigen
Ansprüche, dadurch gekennzeichnet, dass wenigstens eine Datenbank (DB2 ) , insbesondere zur Speicherung von bauteil- und/oder fahrzeugspezifischen
Informationen und/oder Fehlercodes , in dem
Diagnosesystem (300) vorgesehen ist .
9. Diagnosesystem (300) nach einem der vorherigen
Ansprüche, dadurch gekennzeichnet, dass das
Diagnosesystem (300) dazu ausgebildet ist, einen Verlauf einer Reparatur des Kraftfahrzeugs
charakterisierende Diagnoseantwort zumindest
zeitweise zu speichern, und insbesondere die
Diagnoseantwort in Bezug zu einer zuvor abgegebenen Diagnoseanweisung zu setzen .
10 Diagnosesystem (300) nach einem der vorherigen
Ansprüche, dadurch gekennzeichnet , dass das Diagnosesystem (300) wenigstens eine
Recheneinrichtung aufweist, die dazu ausgebildet ist, die Diagnosedaten mit der Information über den wenigstens einen Betriebsparameter des Kraftfahrzeugs (10) in einem Diagnosebaum oder einem Diagnosej ungel mit Information über das wenigstens eine Bauteil (13) zu verknüpfen, indem der wenigstens eine Betriebsparameter in einem Vergleich mit wenigstens einem Referenzwert verglichen wird, um abhängig vom Ergebnis des Vergleichs entweder eine
Diagnoseanweisung zu bestimmen oder um ein Diagnoseergebnis oder eine Reparaturempfehlung zu bestimmen .
11. Diagnosesystem (300) nach einem der vorherigen
Ansprüche, dadurch gekennzeichnet, dass wenigstens eine Recheneinrichtung des Diagnosesystems (300) dazu ausgebildet ist, die Information über die
Wahrscheinlichkeit, den Referenzwert, die
Wahrscheinlichkeit, die Diagnoseanweisung, das
Diagnoseergebnis oder die Reparaturempfehlung
abhängig von der Information über den wenigstens einen Betriebsparameter durch ein künstliches
neuronales Netz , insbesondere in einem nach dem greedy layer-wise pretraining Verfahren
selbstlernenden System, insbesondere mit vielen
Schichten zwischen einer EingabeSchicht und einer AusgäbeSchicht des neuronales Netzes , zu bestimmen .
12. Diagnosesystem (300) nach einem der vorherigen
Ansprüche, dadurch gekennzeichnet, dass wenigstens eine Recheneinrichtung des Diagnosesystems (300) dazu ausgebildet ist, die Information über die
Wahrscheinlichkeit, den Referenzwert, die
Wahrscheinlichkeit, die Diagnoseanweisung, das
Diagnoseergebnis oder die Reparaturempfehlung abhängig von der Information über den wenigstens einen Betriebsparameter durch einen Algorithmus zum beaufsichtigen Lernen zu bestimmen, insbesondere durch Klassifizierung mit logistischer Regression,
Entscheidungswald,
Entscheidungsj ungel , verstärktem Entscheidungsbaum, künstlichem neuronalen Netzwerk, gemitteltem Perceptron,
Stützvektormethode, lokal tiefer Stützvektormethode,
Bayes ' point machine, und/oder durch lineare Regression, Bayesian lineare Regression,
Regression mit Entscheidungswald,
Regression mit verstärktem Entscheidungsbaum, Regression mit künstlichem neuronalen Netzwerk, Poisson Regression, und/oder durch Annomalieerkennung mit Stützvektormethode,
Principal Component Analysis ,
K-Means Clustering . 13. Verfahren zur Verarbeiten von Daten eines
Kraftfahrzeugs (10) in einem Diagnosesystem (300) , wobei auf Diagnosedaten für wenigstens ein Bauteil (13) eines Kraftfahrzeugs zugegriffen wird, wobei die Diagnosedaten Information über wenigstens einen
Betriebsparameter des Kraftfahrzeugs (10) mit
Information über das wenigstens eine Bauteil
(13) verknüpfen, wobei Information über eine
Wahrscheinlichkeit eines Auftretens eines Fehlers im Kraftfahrzeug (10) abhängig von den Diagnosedaten und abhängig von der Information über den wenigstens einen Betriebsparameter bewertet wird (406) .
14. Verfahren nach Anspruch 12 , dadurch gekennzeichnet, dass wenigstens ein Expertensystem (310) die
Diagnosedaten bewertet, oder dass Algorithmen der künstlichen Intelligenz, KI, die Diagnosedaten bewerten, indem die Information über die
Wahrscheinlichkeit abhängig von Information über eine Beobachtung eines Technikers , oder einen Messwert, insbesondere Spannung, Strom, Kapazität, Induktivität eines Bauteils (13) bestimmt wird .
15. Verfahren nach einem der Ansprüche 13 oder 14 ,
dadurch gekennzeichnet, dass Fahrzeuginformation des Kraftfahrzeugs (10) empfangen wird (400) , wobei die Fahrzeuginformation wenigstens eines der folgenden Elemente aufweisen : das Kraftfahrzeug
identifizierende Fahrzeug-Identifizierungsnummer,
FIN, einen Betrieb wenigstens einer Komponente des Kraftfahrzeugs charakterisierende Betriebsdaten, ein oder mehrere einen Fehler wenigstens einer Komponente des Kraftfahrzeugs charakterisierende Fehlercodes .
16. Verfahren nach Anspruch 15, dadurch gekennzeichnet, dass die Fahrzeuginformation dazu genutzt wird (408) , eine bauteil- und/oder fahrzeugspezifische Diagnose auszuführen, und/oder eine Datenbank (DB1 , DB2 ) mit den entsprechenden Informationen aufzubauen oder zu ergänzen, und/oder ein oder mehrere KI-Subsysteme (320) eines Diagnosesystems (300) zu trainieren oder validieren .
17. Verfahren nach einem der Ansprüche 15 oder 16,
dadurch gekennzeichnet, dass AntwortInformation, insbesondere eine Diagnoseanweisung, ein
Diagnoseergebnis oder eine Reparaturempfehlung, in Abhängigkeit der Fahrzeuginformation ermittelt (410) und an eine DatenverarbeitungsVorrichtung (100) gesendet wird (412) .
18. Verfahren nach Anspruch 17, dadurch gekennzeichnet, dass die AntwortInformation unter Verwendung von Algorithmen der künstlichen Intelligenz in
Abhängigkeit der Fahrzeuginformation, ermittelt wird (410) .
19. Verfahren nach einem der Ansprüche 13 bis 18 , dadurch gekennzeichnet, dass bauteil- und/oder
fahrzeugspezifische Informationen und/oder sonstige Informationen von einer Datenbank (DB1 , DB2 ) ,
insbesondere einer externen Datenbank (DB1 ) abgerufen werden (402) .
20. Verfahren nach einem der Ansprüche 13 bis 19, dadurch gekennzeichnet, dass bauteil- und/oder fahrzeugspezifische Informationen und/oder
Fehlercodes in einer Datenbank (DB2 ) des
Diagnosesystems (300) gespeichert werden (408) .
21. Verfahren nach einem der Ansprüche 13 bis 20 , dadurch gekennzeichnet, dass eine Diagnoseantwort, die einen Verlauf einer Reparatur des Kraftfahrzeugs charakterisiert, zumindest zeitweise gespeichert wird (408) , und insbesondere die Diagnoseantwort in Bezug zu einer zuvor abgegebenen Diagnoseanweisung gesetzt wird .
22. Verfahren nach einem der Ansprüche 13 bis 21, dadurch gekennzeichnet, dass die Diagnosedaten die Information über den wenigstens einen
Betriebsparameter des Kraftfahrzeugs (10) in einem Diagnosebaum oder einem Diagnosej ungel mit Information über das wenigstens eine Bauteil (13) verknüpfen, indem der wenigstens eine Betriebsparameter in einem Vergleich mit wenigstens einem Referenzwert verglichen wird (406) , um abhängig vom Ergebnis des Vergleichs entweder eine Diagnoseanweisung (408) zu bestimmen, oder um ein Diagnoseergebnis oder eine Reparaturempfehlung zu bestimmen (410) .
23. Verfahren nach einem der Ansprüche 13 bis 22 , dadurch gekennzeichnet, dass die Information über die
Wahrscheinlichkeit, der Referenzwert, die
Wahrscheinlichkeit, die Diagnoseanweisung, das
Diagnoseergebnis und/oder die Reparaturempfehlung abhängig von der Information über den wenigstens einen Betriebsparameter durch ein künstliches
neuronales Netz , insbesondere in einem nach dem greedy layer-wise pretraining Verfahren
selbstlernenden System, insbesondere mit vielen
Schichten zwischen einer EingabeSchicht und einer AusgäbeSchicht des neuronales Netzes , bestimmt wird (404) .
24. Verfahren nach einem der Ansprüche 13 bis 23, dadurch gekennzeichnet, dass die Information über die Wahrscheinlichkeit, der Referenzwert, die
Wahrscheinlichkeit, die Diagnoseanweisung, das Diagnoseergebnis und/oder die Reparaturempfehlung abhängig von der Information über den wenigstens einen Betriebsparameter durch einen Algorithmus zum beaufsichtigen Lernen bestimmt wird (404) ,
insbesondere durch Klassifizierung mit logistischer Regression,
Entscheidungswald, Entscheidungsj ungel , verstärktem Entscheidungsbaum, künstlichem neuronalen Netzwerk, gemitteltem Perceptron,
Stützvektormethode, lokal tiefer Stützvektormethode,
Bayes ' point machine, und/oder durch lineare Regression,
Bayesian lineare Regression, Regression mit Entscheidungswald,
Regression mit verstärktem Entscheidungsbaum, Regression mit künstlichem neuronalen Netzwerk, Poisson Regression, und/oder durch Annomalieerkennung mit Stützvektormethode, Principal Component Analysis ,
K-Means Clustering .
25. Computerprogramm, umfassend Instruktionen, bei deren Ausführung durch einen Computer oder mehrere
verteilte Computer das Verfahren nach einem der Ansprüche 13 bis 24 ausgeführt wird .
26. Computerprogrammprodukt umfassend das
Computerprogramm nach Anspruch 25.
PCT/EP2019/056173 2018-04-18 2019-03-12 Diagnosesystem und verfahren zum verarbeiten von daten eines kraftfahrzeugs WO2019201514A1 (de)

Priority Applications (7)

Application Number Priority Date Filing Date Title
EP19712915.8A EP3781922A1 (de) 2018-04-18 2019-03-12 Diagnosesystem und verfahren zum verarbeiten von daten eines kraftfahrzeugs
CN201980025410.2A CN111971545A (zh) 2018-04-18 2019-03-12 用于处理机动车辆的数据的诊断系统和方法
CA3095590A CA3095590A1 (en) 2018-04-18 2019-03-12 Diagnostic system and method for processing data of a motor vehicle
RU2020135295A RU2755354C1 (ru) 2018-04-18 2019-03-12 Диагностическая система и способ обработки данных транспортного средства
US17/045,251 US20210366207A1 (en) 2018-04-18 2019-03-12 Diagnostic system and method for processing data of a motor vehicle
AU2019254105A AU2019254105A1 (en) 2018-04-18 2019-03-12 Diagnostic system and method for processing data of a motor vehicle
BR112020020904-0A BR112020020904A2 (pt) 2018-04-18 2019-03-12 sistema de diagnóstico e método para o processamento de dados um veículo automotor

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102018109195.8A DE102018109195A1 (de) 2018-04-18 2018-04-18 Diagnosesystem und Verfahren zum Verarbeiten von Daten eines Kraftfahrzeugs
DE102018109195.8 2018-04-18

Publications (1)

Publication Number Publication Date
WO2019201514A1 true WO2019201514A1 (de) 2019-10-24

Family

ID=65904366

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/EP2019/056173 WO2019201514A1 (de) 2018-04-18 2019-03-12 Diagnosesystem und verfahren zum verarbeiten von daten eines kraftfahrzeugs

Country Status (9)

Country Link
US (1) US20210366207A1 (de)
EP (1) EP3781922A1 (de)
CN (1) CN111971545A (de)
AU (1) AU2019254105A1 (de)
BR (1) BR112020020904A2 (de)
CA (1) CA3095590A1 (de)
DE (1) DE102018109195A1 (de)
RU (1) RU2755354C1 (de)
WO (1) WO2019201514A1 (de)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP4193259A1 (de) * 2020-08-07 2023-06-14 Marvell Asia Pte Ltd Selbstdiagnose für netzwerke in einem fahrzeug
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
US20220391853A1 (en) * 2021-06-08 2022-12-08 Service Write, Inc. Service Bay Timer System and Method
DE102021117498B3 (de) 2021-07-07 2022-05-12 Dr. Ing. H.C. F. Porsche Aktiengesellschaft Vorrichtung und Verfahren zur Fehlerdiagnose
DE102022200730A1 (de) 2022-01-24 2023-07-27 Robert Bosch Gesellschaft mit beschränkter Haftung Verfahren zum Ermitteln eines aktuellen Zustandes eines eingebetteten Systems

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102007006715A1 (de) * 2007-02-10 2008-08-14 Volkswagen Ag Diagnosesystem und Diagnoseverfahren für ein elektrische Komponenten umfassendes elektrisches System, insbesondere ein Kraftfahrzeugsystem
DE102007010978A1 (de) * 2007-03-05 2008-09-11 Volkswagen Ag Verfahren und Vorrichtung zur Unterstützung einer Diagnose eines elektrischen Systems mittels wahrscheinlichkeitsbasierter Fehlerkandidatenermittlung
DE102007015140A1 (de) * 2007-03-29 2008-10-02 Volkswagen Ag Diagnosevorrichtung und Diagnoseverfahren zum Ausführen einer Diagnose eines mechatronischen Systems

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE19959526A1 (de) * 1999-12-09 2001-06-13 Bosch Gmbh Robert Verfahren zum Erkennen von Fehlern eines Kraftfahrzeuges
US20020007237A1 (en) * 2000-06-14 2002-01-17 Phung Tam A. Method and system for the diagnosis of vehicles
CA2441624C (en) * 2001-03-20 2011-05-24 Snap-On Technologies, Inc. Diagnostic director
DE10145906A1 (de) * 2001-09-18 2003-04-10 Bosch Gmbh Robert Verfahren zur Durchfühung einer Ferndiagnose bei einem Kraftfahrzeug, Fahrzeugdiagnosemodul und Servicecenter
US8301333B2 (en) * 2010-03-24 2012-10-30 GM Global Technology Operations LLC Event-driven fault diagnosis framework for automotive systems
CN102879680B (zh) * 2012-09-26 2015-07-29 中南大学 轨道交通车辆装备通用检测及故障诊断方法及系统
US9881428B2 (en) * 2014-07-30 2018-01-30 Verizon Patent And Licensing Inc. Analysis of vehicle data to predict component failure
DE102015207895A1 (de) * 2015-04-29 2016-11-03 Continental Automotive Gmbh Verfahren zur Überwachung eines elektronischen Steuergeräts und Steuergerät für ein Kraftfahrzeug
WO2018204253A1 (en) * 2017-05-01 2018-11-08 PiMios, LLC Automotive diagnostics using supervised learning models
US10395444B1 (en) * 2017-08-10 2019-08-27 Zoox, Inc. Vehicle self-diagnostics

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102007006715A1 (de) * 2007-02-10 2008-08-14 Volkswagen Ag Diagnosesystem und Diagnoseverfahren für ein elektrische Komponenten umfassendes elektrisches System, insbesondere ein Kraftfahrzeugsystem
DE102007010978A1 (de) * 2007-03-05 2008-09-11 Volkswagen Ag Verfahren und Vorrichtung zur Unterstützung einer Diagnose eines elektrischen Systems mittels wahrscheinlichkeitsbasierter Fehlerkandidatenermittlung
DE102007015140A1 (de) * 2007-03-29 2008-10-02 Volkswagen Ag Diagnosevorrichtung und Diagnoseverfahren zum Ausführen einer Diagnose eines mechatronischen Systems

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
"Elektrodiagnose in der Praxis Eine Bestandsaufnahme", 30 September 2012 (2012-09-30), XP002791688, Retrieved from the Internet <URL:https://issuu.com/bosch-e-paper/docs/diagnose-tester_dekra-test_2012> [retrieved on 20190528] *
OLAF KRIEGER: "Wahrscheinlichkeitsbasierte Fahrzeugdiagnose mit individueller Prüfstrategie", 30 September 2011 (2011-09-30), XP002791687, Retrieved from the Internet <URL:https://publikationsserver.tu-braunschweig.de/servlets/MCRFileNodeServlet/dbbs_derivate_00022554/diss_krieger.pdf> [retrieved on 20190528] *

Also Published As

Publication number Publication date
AU2019254105A1 (en) 2020-10-15
BR112020020904A2 (pt) 2021-01-26
EP3781922A1 (de) 2021-02-24
RU2755354C1 (ru) 2021-09-15
DE102018109195A1 (de) 2019-10-24
US20210366207A1 (en) 2021-11-25
CA3095590A1 (en) 2019-10-24
CN111971545A (zh) 2020-11-20

Similar Documents

Publication Publication Date Title
EP3781922A1 (de) Diagnosesystem und verfahren zum verarbeiten von daten eines kraftfahrzeugs
DE602005004997T2 (de) Diagnostisches Verfahren und System
DE102004024262A1 (de) Wissensbasiertes Diagnosesystem für ein komplexes technisches System mit zwei getrennten Wissensbasen zur Verarbeitung technischer Systemdaten und zur Verarbeitung von Kundenbeanstandungen
DE112018004312T5 (de) Fahrzeugdiagnoseapparat, Fahrzeugdiagnosesystem und Fahrzeugdiagnoseprogramm
DE102005027378B3 (de) Dynamische Priorisierung von Prüfschritten in der Werkstattdiagnose
WO2021121695A1 (de) Verfahren, vorrichtung und system zur detektion von anomalen betriebszuständen eines geräts
DE102005015664A1 (de) Diagnosesystem zur Bestimmung einer gewichteten Liste möglicherweise fehlerhafter Komponenten aus Fahrzeugdaten und Kundenangaben
DE102017213119A1 (de) Verfahren und Vorrichtung zum Ermitteln von Anomalien in einem Kommunikationsnetzwerk
DE102019217613A1 (de) Verfahren zur diagnose eines motorzustands und diagnostisches modellierungsverfahren dafür
DE102008044018A1 (de) Verfahren zum Bestimmen einer Sicherheitsstufe und Sicherheitsmanager
EP3907707A1 (de) Verfahren und diagnosevorrichtung zum durchführen einer fahrzeugdiagnose
DE10222072A1 (de) Diagnoseverfahren für dynamische Systeme
DE102011079034A1 (de) Ansteuerung eines technischen Systems
DE102021114087A1 (de) Selektive Meldesysteme für Funktionszustandsinformationen, die integrierte Diagnosemodelle enthalten, die Informationen über die geringst- und höchstmögliche Ursache bereitstellen
WO2020178091A1 (de) System und verfahren zum auffinden und identifizieren von rechenknoten in einem netzwerk
WO2008064616A1 (de) Verfahren und diagnosesystem zur diagnose eines technischen systems
EP3782353A1 (de) System und verfahren zum verarbeiten von daten eines kraftfahrzeugs
WO2020114724A1 (de) Verfahren zum überprüfen wenigstens eines fahrzeugs sowie elektronische recheneinrichtung
DE102018212801A1 (de) Diagnose komplexer Systeme
WO2019201523A1 (de) Datenverarbeitungsvorrichtung und verfahren, schnittstellenvorrichtung und verfahren
DE102017213771A1 (de) Verfahren und Vorrichtung zum Ermitteln von Anomalien in einem Kommunikationsnetzwerk
EP2756361A1 (de) Ansteuerung einer maschine
DE102022212455A1 (de) Verfahren zum Trainieren eines Algorithmus des maschinellen Lernens
EP3961325A1 (de) Qualitätsinspektionsverfahren und qualitätsinspektionsanordnung für die produktion eines objektes
DE102023200199A1 (de) Taxonomiebasiertes Diagnosesystem und -Verfahren, und lesbares Speichermedium

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 19712915

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 3095590

Country of ref document: CA

ENP Entry into the national phase

Ref document number: 2019254105

Country of ref document: AU

Date of ref document: 20190312

Kind code of ref document: A

NENP Non-entry into the national phase

Ref country code: DE

REG Reference to national code

Ref country code: BR

Ref legal event code: B01A

Ref document number: 112020020904

Country of ref document: BR

WWE Wipo information: entry into national phase

Ref document number: 2020135295

Country of ref document: RU

ENP Entry into the national phase

Ref document number: 2019712915

Country of ref document: EP

Effective date: 20201118

ENP Entry into the national phase

Ref document number: 112020020904

Country of ref document: BR

Kind code of ref document: A2

Effective date: 20201009