Data analytics for automotive diagnosis

Abstract

Diese Arbeit untersucht die Anwendung von Datenanalyse in der Fahrzeugdiagnostik, insbesondere zur Verbesserung des Applikationsprozesses bei der Diagnose von Luft-Kraftstoff-Ungleichgewichten. Kalibrierungsingenieure spielen eine entscheidende Rolle bei der Feinabstimmung von Fahrzeugsystemen, um optimale Leistung und die Einhaltung von Sicherheits- und Umweltvorschriften zu gewährleisten. Der traditionelle Kalibrierungsprozess ist jedoch arbeitsintensiv und zeitaufwendig, da er die Anpassung zahlreicher Parameter und wiederholte Tests umfasst. Diese Studie schlägt vor, Datenanalyse- und Visualisierungswerkzeuge zu nutzen, um diesen Prozess zu optimieren, wodurch der manuelle Aufwand und die kognitive Belastung reduziert und die Effizienz der Diagnostik gesteigert wird. Darüber hinaus diskutiert die Studie die Bedeutung der Datenqualität in der Fahrzeugdiagnostik, überprüft die wichtigste Literatur, wählt das am besten passende Datenqualitätsframework aus und zeigt, wie es an ein spezifisches Szenario angepasst werden kann, um den gesamten Projektprozess zu leiten.Im Zentrum dieser Studie stehen die Entwicklung interaktiver Visualisierungen, ein System zur Bewertung von Signalen und eine Methodik zur Identifizierung der minimalen Menge von Abhängigkeiten, die für eine genaue Diagnostik erforderlich sind. Eine interaktive Visualisierung wird entwickelt, um zu bewerten, dass an verschiedenen Betriebspunkten hinreichend Daten verfügbar sind, wobei die Anzahl der Ereignisse und die Standardabweichungen dargestellt werden. Eine weitere Visualisierung hilft beim Vergleich von Kalibrierungswerten zwischen Prüfstandsdaten und echten und Daten aus Fahrzeugtests und hebt Diskrepanzen hervor. Schließlich ist eine Visualisierung darauf ausgelegt, die Entscheidungsfindung zu unterstützen, indem sie es Ingenieuren ermöglicht, Ergebnisse leicht mit Kunden zu kommunizieren. Das Signalbewertungssystem verwendet mehrere maschinelle Lernmodelle, um die Relevanz verschiedener Signale für den Diagnoseprozess zu ermitteln. Die Methodik zur Feststellung der minimalen Anzahl an Signalen zielt darauf ab, die wesentlichen Signale zu identifizieren, die für eine spezifisches Diagnostik notwendig sind.Die Bedeutung dieser Studie liegt in ihrem Potenzial, die Präzision der Kalibrierung für der Fahrzeugdiagnostik zu erhöhen, zur Fahrzeugsicherheit beizutragen und einen Übergang zu datengetriebenen Praktiken in der Automobilindustrie zu fördern. Die Ergebnisse dieser Forschung könnten neue Standards für den Einsatz von Datenanalytik in der Fahrzeugdiagnose setzen und zukünftige Entwicklungen in diesem Bereich beeinflussen.

This thesis explores the application of data analytics in automotive diagnostics, focusing on improving the calibration process for air-fuel imbalance diagnosis. Calibration engineers play a pivotal role in fine-tuning vehicle systems to ensure optimal performance and compliance with safety and environmental regulations. However, the traditional calibration process is work-intensive and time-consuming, involving the adjustment of numerous parameters and iterative testing. This thesis proposes the use of data analytics and visualization tools to streamline this process, thereby reducing the manual effort and cognitive load, and enhancing the efficiency of diagnostics. Additionally, the thesis discusses the importance of data quality in automotive diagnostics, reviews the most important literature, chooses the data quality framework that fits best, and shows how to adapt it to a specific scenario to guide the entire project process.Central to this thesis are the development of interactive visualizations, a feature ranking system, and a methodology for identifying the minimum set of dependencies required for accurate diagnostics. One interactive visualization is developed to evaluate data sufficiency at various operating points, illustrating the number of events and standard deviations. Another visualization assists in comparing calibration values between test bench data and real vehicle data, emphasizing discrepancies. Finally, visualization is designed to aid decision-making by enabling engineers to easily communicate results with customers. The signal ranking system utilizes multiple machine learning models to ascertain the significance of different signals in the diagnostic process. The methodology for finding the minimum set of dependencies aims to identify the essential signals necessary for accurate diagnostics.The significance of this thesis lies in its potential to enhance the precision of calibration for automotive diagnostics, contribute to vehicle safety, and foster a shift towards more data-driven practices in the automotive industry. The outcomes of this research could set new standards for the use of data analytics in vehicle diagnostics, influencing future developments in the field.