Ein Fahrzeug generiert Daten, welche Zustand und Verhalten von Fahrer und Fahrzeug beschreiben. Das Sammeln der Informationen gibt dem Automobilhersteller die Möglichkeit, diese als Big Data zu verwenden und neuen Wert zu schöpfen. Beispielsweise schafft die Beobachtung während des gesamten Lebenszyklus die Grundlage für eine Produktoptimierung, oder aber das Marketing kann zielgerichtet auf die individuellen Wünsche des Kunden eingehen. Herausforderungen hierbei liegen darin, einen Wert aus den Daten zu schöpfen und die Übertragung von Fahrzeug zu Backend reduzieren. Ein Oberklassefahrzeug generiert im Jahr 2017 2,1 MByte je Sekunde. Für die Übertragung der Datenmenge, die eine Flotte mit Millionen von Fahrzeugen erzeugt, ergeben sich daher Schwierigkeiten. Aufgrund der Übertragungskosten, der Datenschutzgrundverordnung und der Limitierung in der Datenübertragung ist bereits im Fahrzeug eine Selektion relevanter Informationen notwendig. Der Ansatz der one-class Klassifizierung lernt anhand normaler Flottendaten, was normal ist und kann somit Abweichungen vom Normalzustand erkennen. Durch die Übertragung des trainierten Modells in die Fahrzeuge werden dort unmittelbar anormale Ereignisse erkannt, womit der Datentransfer zum Backend auf das Wesentliche, die außergewöhnlichen Vorkommnisse, reduziert wird. Durch eine stetige Aktualisierung des Modells entsteht eine dynamische Datensammlung, welche sicherstellt, dass im Backend noch fehlende Ereignisse übermittelt werden. Der Vergleich unterschiedlicher Ansätze verdeutlicht, dass insbesondere das Replikator Neuronale Netz die Anforderungen erfüllt. Außerdem ist es in der Lage, einen Großteil real geschehener Anomalien zu erkennen, während kein normales Event fälschlicherweise als anormal eingestuft wird. Das Ziel der Datenreduktion um das Hundertfache führt zur tatsächlichen Einschränkung auf 0,715%. Die bedeutsamsten Ereignisse, wie Unfälle oder ABS-Eingriffe, sind klar erkennbar, doch eine durchschnittliche Area under curve von 0,8 legt dar, dass das Vorgehen kein Alarmsystem liefert. Es dient der Reduktion der Datenmenge, die ins Backend übertragen wird, wo weiteres Postprocessing erfolgen muss. Dieses besteht aus der Interpretation und der Einordnung von erkannten Ereignissen.


    Access

    Download

    Check availability in my library


    Export, share and cite



    Title :

    Anomalieerkennung in Kommunikationsdaten zur Datenselektion im Fahrzeug


    Contributors:

    Publication date :

    2019



    Type of media :

    Miscellaneous


    Type of material :

    Electronic Resource


    Language :

    German





    ANOMALIEERKENNUNG IN MEHRDIMENSIONALEN SENSORDATEN

    PANDEY GAURAV / BUSS BRIAN GEORGE / FILEV DIMITAR PETROV | European Patent Office | 2022

    Free access

    LATENT OUTLIER EXPOSURE ZUR ANOMALIEERKENNUNG

    RUDOLPH MAJA / QIU CHEN | European Patent Office | 2023

    Free access


    ANOMALIEERKENNUNG IM INNENRAUM EINES AUTONOMEN FAHRZEUGS

    JALES COSTA BRUNO SIELLY / DEILAMSALEHY HANIEH / GERARDO CASTRO MARCOS PAU et al. | European Patent Office | 2020

    Free access