Machine learning-based intelligent fault detection and diagnosis for real-time validation process of automotive software systems during the development phase
Die Gewährleistung der Sicherheit und Zuverlässigkeit moderner Kfz Softwaresysteme (ASS) gemäß der Norm ISO 26262 ist ein wichtiges Anliegen der Automobilindustrie. Die zunehmende Komplexität solcher Systeme, einschließlich miteinander verbundener fortschrittlicher Funktionen mit mehreren hundert elektronischen Steuergeräten und mehreren Millionen Zeilen Softwarecode, stellt eine zusätzliche Herausforderung für die Verifizierung und Validierung während des Entwicklungsprozesses dar. In der Systemvalidierungsphase des V-Modells wird eine Testfahrt unter realistischen Bedingungen durchgeführt, um die Systemeigenschaften, d. h. Sicherheit, Zuverlässigkeit, Robustheit und Leistung, zu bewerten. In der Regel wird ein solcher Test mit einem Fahrzeugprototyp in einer realen Alternativ kann die Testfahrt auch im Labor mithilfe einer Echtzeit-Hardwarein-the-Loop-Simulation (HIL) mit einem realen System, einschließlich Sensoren, Aktoren und Steuergeräten, durchgeführt werden. Derzeit wird die Fehleranalyse von Testfahrtaufzeichnungen auf zwei Arten durchgeführt: entweder mithilfe eines industriell zertifizierten Tools oder durch Anwendung wissensbasierter Analysetechniken. Die industriellen Tools sind jedoch nur begrenzt in der Lage, Anomalien zu erkennen, und weisen einen Mangel in ihrer Fähigkeit auf, kritische Fehler zu erkennen und eine angemessene Interpretation des Fehlerauftretens zu liefern. Darüber hinaus ist die Mitwirkung erfahrener Fachleute und eines engagierten Teams für eine umfassende Bewertung des Systemverhaltens und die Identifizierung kritischer Fehlfunktionen unerlässlich. Folglich erfordert die Erkennung und Identifizierung kritischer Fehler im multivariaten, multimodalen, nichtlinearen Systemverhalten mit einem beträchtlichen Datenvolumen einen erheblichen Aufwand an Arbeit und Fachwissen und ist ein äußerst anspruchsvoller und zeitaufwändiger Prozess. Daher ist ein effektiver Ansatz für die effiziente Analyse von Testaufzeichnungen während. Das Ziel dieser Dissertation ist es, die oben genannte Herausforderung anzugehen, indem ein neuartiger Ansatz zur intelligenten Analyse der Testaufzeichnungen eines Echtzeit Validierungsprozesses für ASSs während der Entwicklungsphase vorgeschlagen wird. Zu diesem Zweck III wurde eine neuartige Modellarchitektur zur Fehlererkennung und -diagnose (FDD) entwickelt, die auf datengesteuertem maschinellem Lernen (ML) und Deep-Learning-Methoden (DL) basiert und historische repräsentative Datensätze verwendet. Unter Berücksichtigung der meisten sensorbedingten Fehler in automatisierten Fahrzeugsystemen ist der entwickelte Ansatz in der Lage, die Art kritischer Fehler in verschiedenen Zuständen, einzeln und gleichzeitig auftretend, bekannte und unbekannte Fehler zu erkennen und zu identifizieren. Dies wiederum verbessert nicht nur die Sicherheit und Zuverlässigkeit von Fahrzeugsystemen, sondern reduziert auch den Aufwand und die Zeit, die während des Entwicklungsprozesses erforderlich sind. In dieser Dissertation werden fünf neue Beiträge zum Forschungsbereich der Fehlererkennung und -diagnose von automatisierten Fahrzeugsystemen während der Analyse von Testfahrtaufzeichnungen vorgeschlagen und entwickelt. Erstens trägt die Arbeit dazu bei, das Problem der Nichtverfügbarkeit repräsentativer Fehlerdatensätze für Kraftfahrzeuge zu lösen, indem ein neuartiges Echtzeit-Fehlerinjektions-Framework (FI) vorgeschlagen wird. Dieses Framework ist darauf ausgelegt, das Systemverhalten unter abnormalen Bedingungen zu analysieren und die kritischen Fehler zu ermitteln, die die Sicherheits- und Funktionsverletzung verursachen. Als Ergebnis der Systemanalyse unter Fehlerbedingungen wird ein repräsentativer Fehlerdatensatz gesammelt, der als Grundlage für die Entwicklung des FDD-Modells dient. Zweitens wird ein neuartiges intelligentes FDD-Modell auf der Grundlage der hybriden DL-Methoden vorgeschlagen, das im Vergleich zu eigenständigen Methoden eine hohe Genauigkeit und Robustheit aufweist. Drittens wurde das Problem der gleichzeitigen FDD bei Vorhandensein unausgewogener Daten durch den Vorschlag einer neuartigen Methodik auf der Grundlage der Ensemble-ML- und DL-Methode, insbesondere Random Forest und LSTM, angegangen. Viertens wurde ein innovatives robustes Modell entwickelt, um einzelne und gleichzeitig auftretende unbekannte Fehler unter verrauschten Bedingungen zu erkennen und zu kategorisieren. Zu diesem Zweck wurde ein GRU-basierter Entrauschungs-Autoencoder mit K-Means-basiertem Multilevel-Clustering entwickelt. Schließlich wurde ein HIL-basiertes virtuelles Testfahr-Framework für einen Echtzeit Validierungsprozess gemäß ISO 26262 entwickelt. Das entwickelte Framework dient als Fallstudie zur Validierung der Anwendbarkeit der vorgeschlagenen FDD-Modelle
Ensuring the safety and reliability of today's modern automotive software systems (ASSs) in accordance with the ISO 26262 standard is a major concern of the automotive industry. The increasing complexity of such systems, including interconnected advanced functions with several hundred ECUs and several million lines of software code, poses an additional challenge for verification and validation during the development process. In the system validation phase of the V-model, a test drive is carried out under realistic conditions to evaluate the system properties, i.e. safety, reliability, robustness and performance. Typically, such a test is carried out using a vehicle prototype within a real or virtual environment. Alternatively, the test drive can also be carried out in the laboratory using a real-time hardware-in-the-loop (HIL) simulation with a real system, including sensors, actuators and control units.
At the present time, the failure analysis process of test drive records is carried out in one of two ways: either by employing an industrial-certified tool, or by applying knowledge-based analysis techniques. However, the industrial tools are limited in their capacity to identify anomalies, exhibiting a deficiency in their ability to discern critical faults and provide a reasonable interpretation of failure occurrence. Furthermore, the input of experienced professionals and a dedicated team is essential for a comprehensive assessment of the system's behavior and the identification of critical malfunctions. Consequently, the detection and identification of critical faults in the multivariate, multi-modal, nonlinear system behavior with a substantial data volume necessitates a considerable expenditure of effort and expertise, and is an extremely challenging and time-consuming process. Therefore, an effective approach for analyzing test recordings during the real-time validation process in an efficient manner is required.
The aim of this dissertation is to address the aforementioned challenge by proposing a novel approach to intelligently analyse the test records of a real-time validation process for ASSs during the development phase. For this purpose, a novel fault detection and diagnosis (FDD) model architecture has been developed based on data-driven machine learning (ML) and deep learning (DL) methods and utilizing historical representative datasets. Considering most sensor-related faults in ASSs, the developed approach is capable of detecting and identifying the nature of critical faults in different states, single and simultaneous occurrence, known and unknown faults. This, in turn, not only improves the safety and reliability of automotive systems but also reduces the effort and time required during the development process.
In this dissertation, five novel contributions to the body of research on the FDD of ASSs during the analysis of test drive records are proposed and developed. Firstly, the work contributes to address the problem of unavailability of representative automotive faults datasets by proposing a novel real-time fault injection (FI) framework. This framework is designed to analyse the system behavior under abnormal conditions and determine the critical faults that cause the safety and functionality violation. As a consequence of the system analysis under fault conditions, a representative faults dataset is collected, which serves as the basis for the development of the FDD model. Secondly, a novel intelligent FDD model based on the hybrid DL methods is proposed, which demonstrates high accuracy and robustness compared to standalone methods. Third, the issue of concurrent FDD in the presence of imbalanced data has been addressed by proposing a novel methodology based on ensemble ML and DL method, i.e., random forest and LSTM. Fourth, an innovative robust model has been developed to detect and categorize single and concurrent unknown faults under noisy conditions. To this end, a gated recurrent unit-based denoising autoencoder with K-means-based multilevel clustering is developed. Finally, a HIL-based virtual test drive framework has been developed for the purpose of a real-time validation process in accordance with ISO 26262. The developed framework serves as a case study to validate the applicability of the proposed FDD models.
Preview
Cite
Access Statistic
Rights
Use and reproduction:
