Nové prediktivní diagnostické metody automobilových řídicích systémů

Abstract

{V době 4. průmyslové revoluce s velkým počtem obdobných provozovaných technologií a systémů se prediktivní údržba stává signifikantním odvětvím pro řešení optimalizací nákladů na údržbu. V automobilovém průmyslu a odvětví elektroniky vozu lze implementací prediktivních diagnostických metod docílit zvýšení provozní jistoty před výskytem závady a zásadní zvýšení pravděpodobnosti identifikace závady v době jejího 100~\% výskytu. Tento přístup poskytuje\linebreak zásadní výhodu, jelikož moderní automobily jsou velice komplikované a obtížně diagnostikovatelné. Průběžná analýza dat snímačů a akčních členů spolu s technikami strojového učení pro predikci závad je přínosná pro aktuální vývoj palubních diagnostických systémů.

Cíle disertační práce jsou vývoj platformy automobilového řídicího systému, implementace s využitím plně programovatelné jednotky a výzkum metod predikce chybových stavů na základě algoritmů supervizovaného strojového učení. Pro zmíněné cíle byla provedena rozsáhlá SW/HW analýza vytipovaného managementu spalovacího motoru, vyvinut algoritmus palubní diagnostiky včetně nadstavby prediktivního diagnostického systému zahrnující klasifikační a degradační algoritmy založené na rychlosti, správnosti a škálovatelnosti.

During the 4th Industrial Revolution with a large number of technologies and systems in operation, predictive maintenance is becoming a significant industry for solutions optimizing maintenance costs. In the automotive industry and the car electronics sector, by implementing predictive diagnostic methods, it is possible to achieve an increased operational reliability before the occurrence of a defect, and a fundamental increase in the probability of identifying a defect once it occurred. This approach provides a major advantage, as modern cars are very complicated and difficult to diagnose. Continuous analysis of sensor and actuator data together with machine learning techniques for fault prediction are beneficial for the current development of on-board diagnostic systems.

The goals of this dissertation thesis are the development of an automotive control system platform, implemented using a fully programmable unit and a research of fault prediction methods based on algorithms of supervised machine learning. To achieve the mentioned goals, an extensive SW/HW analysis of the selected internal combustion engine management was conducted, along with a development of an on-board diagnostics algorithm including a predictive diagnostic system with classification and degradation algorithms based on speed, accuracy and scalability.