On-Board-Diagnose (OBD)-Funktionen werden heute im Rahmen der Entwicklung anhand von Mess- oder Simulationsdaten getestet und während der Applikation auf HiL-Systemen oder im Fahrzeug überprüft. Dabei werden die für die Diagnosefunktion kritischen Betriebsbereiche eingestellt. Eine Abschätzung der Robustheit im Feld bezüglich der zu erwartenden Fehlerwahrscheinlichkeiten ist daher nur mit hohem Aufwand möglich. Vorgestellt wird die Methode der Robusten Diagnose, die den Entwicklern und Anwendern von On-Board-Diagnosefunktionen die Möglichkeit bietet, die Robustheit von Diagnosefunktionen zu quantifizieren und damit zielgerichtet zu verbessern. Dementsprechend umfasst die Methode zwei Elemente, die Robustheitsanalyse und den Robusten Entwurf. Im Analyseteil wird die Abhängigkeit des Diagnoseergebnisses von der Fehlerausprägung und von den Störgrößen untersucht. Im Entwurfsteil liefert die Methode Hinweise und Vorschläge zur Verbesserung der Robustheit durch eine geeignete Wahl von generischen Applikationsparametern. Hierzu wird ein physikalisches Simulationsmodell der Strecke im fehlerfreien und ungestörten Zustand genutzt. Dieses wird ergänzt um ein Modell des fehlerbehafteten Systems, um den Einfluss der Störgrößen und um ein Modell beziehungsweise den Steuergerätecode der Diagnosefunktion. Der durch die einzelnen Störgrößen aufgespannte Störgrößenraum umfasst die wichtigsten Einflussgrößen auf das Diagnoseergebnis und wird von einem Expertenteam von Diagnose- und Komponentenentwicklern vorab definiert. Er ist durch Ober- und Untergrenzen festgelegt und wird über ein experimentelles Design (design of experiments - DOE) mit Testpunkten gefüllt. Das Gesamtmodell der Diagnosestrecke wird in den einzelnen Punkten des Designs über einen Fahrzyklus simuliert. Dabei wird für jede Störgrößenkombination des DOE und jeden Verschleißzustand eine Verteilung von Diagnosewerten erzeugt. Mithilfe eines datenbasierten Ersatzmodells werden unterschiedliche Robustheitskenngrößen wie beispielsweise Fehlerwahrscheinlichkeiten oder die Separation bestimmt. Deren Verteilung im Störgrößenraum kann anschließend direkt oder in aggregierter Form dargestellt werden.

    Onboard diagnosis (OBD) functions are tested based on simulations and measurement data during the development phase and based on hardware-in-the-loop (HiL) as well as field tests for application purpose. During those experiments the diagnosis is tested in regions of operation that are assumed to be critical for diagnosis accuracy. Nevertheless, a reliable prediction of robustness and failure probabilities for all modes of operation in the field is a major challenge. The method of robust diagnosis provides means for quantification of robustness for the development and application of OBD functions and therefore gives the opportunity for systematic improvement. The presented method comprises two elements. A preliminary analysis of robustness quantifies the actual quality of a diagnosis function. A subsequent design procedure provides advice for systematic improvement of robustness by adjustment of design parameters. The method has been applied to several OBD functions for combustion engines. The data for analysis has been generated using a model-based approach. A physical plant model simulates both fault free operation and the addressed failure mode. The plant model is complemented with additional elements modeling the disturbances. Finally a model of one specific diagnosis function is coupled with the plant model in order to provide the diagnosis results needed for analysis. The disturbance space, which has been defined by an expert team of diagnosis function and component developers in advance, covers the most significant influences on the diagnosis result. It is defined by upper and lower limits and populated with test points by a space-filling design of experiments (DOE). In a batch run the combined model is simulated with a measured driving cycle and gives several diagnosis values for each point of the DOE, as well as for the different states of deterioration. These diagnosis results represent a distribution depending an disturbances and the failure state. With a surrogate model trained on the data, different measures of robustness as for example failure probabilities or distance of separation are derived. Their distribution in high dimensional disturbance space is visualized either directly or in an aggregated mode. For robustness improvements during the design phase the method implements three different generic features of diagnosis functions: placement of threshold, region of activation and debouncing.


    Zugriff

    Zugriff über TIB

    Verfügbarkeit in meiner Bibliothek prüfen

    Bestellung bei Subito €


    Exportieren, teilen und zitieren



    Titel :

    Verfahren zur Bewertung der Robustheit von On-Board-Diagnosefunktionen


    Beteiligte:


    Erscheinungsdatum :

    2014


    Format / Umfang :

    17 Seiten, Bilder, 11 Quellen



    Medientyp :

    Aufsatz (Konferenz)


    Format :

    Print


    Sprache :

    Deutsch




    Simulationsgestuetzte Robustheitsanalyse von On Board Diagnosefunktionen

    Moser,M. / Hess,D. / Carque,G. et al. | Kraftfahrwesen | 2016


    Hochautomasisierte Absicherung der Diagnosefunktionen

    Doering,R. / Gebauer,M. / Rotter,D. et al. | Kraftfahrwesen | 2016


    Neues System mit Diagnosefunktionen zur Online-Überwachung von Laufflächenschäden

    Danneskiold-Samsoe, U. / Ramkow-Pedersen, O. | Tema Archiv | 2001



    Auf solide Basis. Effiziente Entwicklung von Diagnosefunktionen im Automobil

    Stimmler, Simon / Rätz, Christoph | Tema Archiv | 2005