Optimierung der Fahrzeugdiagnose durch eine cloudbasierte Methode zur Identifikation der Datennetze mit künstlicher Intelligenz

Ralf Thomas Lutchen stellt eine neue Methode zur Erstellung von automatisierten Testabläufen in der Fahrzeugentwicklung auf. Dabei setzt der Autor Cloud- und KI-Modelle ein, durch welche die herausfordernde Optimierung der Durchlaufzeit einer Messaufgabe mit 63 % Reduzierung erreicht werden konnte. Zusätzlich zu dieser Optimierung zeigt er auf, wie gleichzeitig die Aktualität der Messaufgabe verbessert wird, bei ebenfalls steigender Vollständigkeit, indem die Komplexität in die Cloud und damit an die KI übertragen wird. Der dafür notwendige Prozess ist die vollständige Identifizierung der Steuergeräte, ihrer Softwarestände sowie aller Datennetze, die am Testequipment angeschlossen sind. Diese Technologie wird erstmals in dieser Studie hergeleitet und ist der Kern der Methode. Die sich daraus ergebenden ökonomischen und ökologischen Vorteile sind im Verhältnis zu den sich zeigenden Kosten und Energiebedarfen signifikant. Vorwort Inhaltsverzeichnis Abbildungsverzeichnis Tabellenverzeichnis Abkürzungsverzeichnis Symbolverzeichnis Kurzfassung Abstract 1 Einleitung 1.1 Motivation und Ziele 1.2 Forschungsfrage 1.3 Aufbau der Arbeit 2 Grundlagen 2.1 Entwicklungszyklen in der Fahrzeugindustrie 2.2 Fahrzeug-Netzwerk-Architektur 2.2.1 Einführung in Bussysteme 2.2.2 Einführung in Steuergeräte 2.3 On-Board-/Off-Board-Diagnose 2.3.1 Einführung in Protokolle 2.3.2 Einführung in die Identifizierung 2.4 Remote-Diagnose 2.4.1 Big Data 2.4.2 Cloud-Technologien 2.4.3 IoT-Messwerkzeuge 3 Testablauferstellung in der Fahrzeugentwicklung 3.1 Manuelle Erstellung 3.2 Stand der Entwicklung und Gründe für eine automatische Erstellung 3.3 Einfluss der Fahrzeug-Netzwerk-Architektur auf die Testablaufgenerierung 3.4 Zusammenfassung und Chancen der automatischen Erstellung 4 Methode zur Identifizierung der Fahrzeug-Netzwerk-Architektur 4.1 Definition der Anforderungen 4.2 Prozess zur Identifikation der physikalischen Netzwerkstruktur 4.3 Datenerhebung und Transformation für eine ML-Datenbasis 4.4 Methode zur Steuergeräte- und Variantenidentifizierung 4.5 Vergleich der Machine-Learning-Modelle 4.5.1 VCI-Identifikation 4.5.2 DIAG-Identifikation 4.5.3 ECU-Identifikation 4.6 Zusammenfassung und Ergebnis der Methode 5 Anwendung und praktischer Nachweis 5.1 Systemüberblick 5.2 Bedatungskreislauf anhand der Diagnose-Plattform 5.3 Ergebnisse 6 Zusammenfassung 6.1 Generalisierung der Methode 6.2 Ausblick Literaturverzeichnis Glossar Anhang A. Scatter-Plot der reduzierten Datenbasis B. Quellcode B.1 Skriptdurchlaufzeit abschätzen über Normalverteilung B.2 Vergleich der Korrelations-Koeffizienten B.3 Vergleich der ML-Modelle in Bezug zur Diagnose-Detektion B.4 Docker-CI-Template für die Software-Architektur