Die meisten Diagnosesysteme für Fahrzeugsysteme basieren überwiegend noch auf klassischen Entscheidungsbäumen. Die Entscheidungsbaummethodik ist im Kern eine einfache und leicht verständliche, aber sehr arbeitsintensive Flow-Chart-Technik, die zu einmal festgelegten, starren Prüfabläufen führt. Mit steigender Komplexität der zu diagnostizierenden Systeme stößt diese Technik zunehmend an ihre Grenzen, da der Modellierungsaufwand überproportional ansteigt. Ebenso können Veränderungen im Fehlerverhalten der Fahrzeugsysteme wegen fehlender Adaptationsmöglichkeiten nicht nachempfunden werden. Dieser Mangel ist systemimmanent und nicht behebbar. Außerdem zeigen alle Erfahrungen, dass enge Benutzerführungen im Feld nicht wirklich akzeptiert werden. Wissensbasierte Diagnosesysteme unterliegen diesen Restriktionen nicht. Hybride Systeme unterstützen und integrieren unterschiedliche Modellierungs- und Diagnosestrategien. Sie stellen damit nicht nur eine effizientere und mächtigere Form der Diagnosemodellierung bis hin zur hochgradig automatischen Generierbarkeit von Diagnoseanwendungen dar, sie bringen auch eine deutlich höhere Funktionalität der Diagnoseanwendungen für den praktischen Einsatz mit sich. So erlauben sie z.B. intelligente Assistenzfunktionen und adaptive Benutzerführungen mit hohen Freiheitsgraden. Damit bieten sie dem Techniker eine optimale Unterstützung, ohne seine individuellen Erfahrungen und Fähigkeiten zu ignorieren. Die Leistungsfähigkeit kann erheblich gesteigert werden, wenn wissensbasierte Diagnosesysteme mit lernfähigen Komponenten gekoppelt werden, die aus den Felddaten lernen und ihre Diagnosestrategien automatisch optimieren können. Es zeigt sich, dass die Kombination wissensbasierter Konzepte mit lernenden statistischen Verfahren zu einer deutlich höheren Effizienz in der Diagnose und zu einer neuen Qualität in der Kommunikation mit dem Benutzer führt.
Most diagnostic systems for modern vehicles are mainly based an conventional decision trees or similar approaches. The decision tree technique is in essence a simple but very labor intensive flow-chart technology and leads to the inevitable result of fixed checking procedures. As complexity of systems to be diagnosed grows this technique is more and more reaching its limits due to the disproportionately increasing modeling effort and missing adaptation options. This lack is system immanent and unrecoverable. After all, experience in the field shows that users do not really accept close guidance by these applications. Knowledge-based diagnostic systems are not subject to these restrictions. Hybrid systems support and integrate different diagnostic strategies of modeling and diagnostic reasoning. Thus they provide a much more efficient and powerful form of diagnostic modeling. They also allow for a highly automated generation of diagnostic applications and can provide applications with much higher functionality for practical use. They also allow for intelligent assistant functions and adaptive user guidance with high degrees of freedom. So they offer optimal support to the technician, without ignoring his individual experiences and skills. The performance of knowledge based applications can be further enhanced if the diagnostic systems learn from the field data and thus automatically optimize their diagnostic abilities. It turns out that the combination of knowledge based concepts and learning statistical methods leads to a higher efficiency and quality in the entire diagnostic process.
Lernfähige wissensbasierte Diagnosesysteme
2011
18 Seiten, 11 Bilder, 11 Quellen
Aufsatz (Konferenz)
Deutsch
Digitale, lernfähige Neurokontroller
Tema Archiv | 1998
|Modellgestuetzte Fahrzeug Diagnosesysteme
Kraftfahrwesen | 2004
|Modellgestützte Fahrzeug-Diagnosesysteme
Tema Archiv | 2004
|Interne - Externe Diagnosesysteme
Kraftfahrwesen | 1976
|Tragbare medizinische Diagnosesysteme
British Library Online Contents | 2007