Perspektiven für den Einsatz KI-gestützter Fehlerdiagnose in der Automobilindustrie

Methoden der Künstlichen Intelligenz (KI) erhöhen die Präzision, Effizienz und Sicherheit in etlichen Bereichen, insbesondere bei Tätigkeiten, die zu gefährlich oder zu monoton sind, um von Menschen ausgeführt zu werden. Ein Blick auf ihre Einsatzmöglichkeiten in der Kfz-Fehlerdiagnose zeigt ihr Potenzial, Mechatroniker:innen künftig von vielen zeitintensiven und fehlerbehafteten Prozessen zu befreien.

Perspektive KI

Von Tim Bohne, Researcher Deutsches Forschungszentrum für Künstliche Intelligenz GmbH (DFKI)

Dass Methoden der Künstlichen Intelligenz dabei helfen, aus für Menschen unüberschaubaren und komplexen Daten Sinnvolles zu extrahieren und Zusammenhänge zu erkennen, ist keine neue Idee. Das Projekt Autowerkstatt 4.0 nutzt dies, um der zunehmenden Komplexität und Vielfalt moderner Fahrzeuge gerecht zu werden, die eine große Herausforderung für deren Diagnose darstellen. Es erforscht die differenzierte, zielgerichtete und auf maschinellem Lernen basierende Fehlerdiagnose für Kraftfahrzeuge und schafft zudem als Gaia-X Use Case eine Plattform für den sicheren Austausch branchenspezifischer Daten und KI-Modelle.

KI und Autowerkstatt 4.0

KI bietet vielfältige Potenziale im Automotive-Sektor. Vereinzelt gibt es bereits Projekte, die KI-Methoden zur Fahrzeugdiagnose einsetzen. So haben Fahrzeughersteller 2019 ein System entwickelt, welches Anomalien in im Motorraum aufgezeichneten Audiosignalen detektiert. Die Entwickler zeigten, dass die Genauigkeit ihres Systems jene menschlicher Expert:innen signifikant übertrifft. Eine weitere Möglichkeit, auf die die Automobilindustrie zunehmend zurückgreift, ist Predictive Maintenance. Dabei wird eine Vielzahl von Prozessinformationen und Sensordaten im laufenden Betrieb analysiert, um problematische Entwicklungen in der Zukunft zu erkennen und zu verhindern, z.B. durch einen präventiven Werkstattbesuch. Das Stichwort lautet bedarfsgerechte (datenbasierte) Wartung.

Viele Parallelen lassen sich zudem zum medizinischen Bereich ziehen, in dem ebenfalls vermehrt auf Methoden der KI gesetzt wird, z.B. bei der Analyse der Ergebnisse bildgebender Verfahren, mit dem Ziel, darin Muster zu identifizieren, die mit bestimmten Krankheiten assoziiert sind. Im Wesentlichen geht es stets darum, die Effizienz und   Präzision der Analyse oder Diagnose zu verbessern.  Obgleich die Entscheidung in den meisten Fällen sinnvollerweise von Menschen getroffen wird, hilft es erheblich, von einem guten Vorschlag auszugehen und diesen auf Plausibilität zu prüfen.

Um diese Vorschläge interpretieren und einordnen zu können, verlagert sich der Fokus zusehends von Black-Box-Modellen hin zu Methoden der eXplainable Artificial Intelligence (XAI), die nicht nur möglichst optimale, sondern auch für den Menschen nachvollziehbare Prognosen liefern.  Ziel ist es nicht, menschliche Expert:innen zu ersetzen, sondern ihnen ein Werkzeug zur Seite zu stellen, das sie bei der Diagnose unterstützt. Dies trägt unter anderem dazu bei, wertvolle menschliche Arbeitszeit auf die wirklich relevanten Tätigkeiten zu konzentrieren und den Fachkräftemangel zu kompensieren.

Machine-Learning-basierte Fahrzeugdiagnose und Anomaliedetektion

Der Prozess der KI-gestützten Fahrzeugdiagnose im Projekt Autowerkstatt 4.0 erfordert die Integration einer Vielzahl von Komponenten. Zunächst wird der Fehlerkontext erfasst (Kundenbeanstandungen, Metadaten, Informationen zur Fahrzeughistorie, On-Board-Diagnoseprotokoll). Auf Basis dieser Informationen wird ein im Laufe des Projekts entstehender Wissensgraph, welcher der Erfassung und Strukturierung diagnoserelevanten Wissens dient, dahingehend befragt, welche Komponenten im Fahrzeug im vorliegenden Kontext näher zu analysieren sind. Für diese Komponenten wird, sofern sie sinnvollerweise mit einem Oszilloskop diagnostizierbar sind, eine Oszilloskop-Messung durchgeführt. Anschließend erfolgt die Klassifizierung der Aufnahmen mit Methoden des maschinellen Lernens (Deep Learning). Die resultierenden Oszillogramme werden dazu einem zuvor anhand eines umfangreichen Datensatzes trainierten Klassifikationsmodell zugeführt, welches beurteilt, ob die jeweilige Aufzeichnung Anomalien enthält.

Root-Cause-Analyse zur Ermittlung des tatsächlichen Defekts

Wird auf diese Weise eine Anomalie identifiziert, so wird der Fehler durch rekursive Betrachtung der Wirkzusammenhänge im Fahrzeug, die ebenfalls Teil des Wissensgraphen sind, isoliert. Schließlich hat man es in technologischen Systemen selten mit Fehlern zu tun, die völlig unabhängig von anderen Komponenten im System auftreten. Typischerweise gibt es kaskadierende Pfade, bei denen ein Problem an einer Komponente beginnt und sich dann auf weitere Komponenten überträgt. Das eigentliche Interesse gilt der „Root Cause“, also der tatsächlichen Ursache, deren Bestimmung auf den modellierten Wirkzusammenhängen beruht. Diese werden initial durch Experteninterviews erhoben und perspektivisch um Beziehungen ergänzt, die durch automatisierte Analyse großer Datensätze ermittelt werden. Letztlich entsteht somit ein Fehlerpfad, der menschlichen Expert:innen Aufschluss über die Problemsituation im betreffenden Fahrzeug geben sollte.

 Belastbare Ergebnisse und reduzierte Fehleranfälligkeit durch erklärbare KI

Heatmap
Heatmap zur Hervorhebung entscheidungsrelevanter
Bereiche im Oszillogramm

Damit sich Werkstattmitarbeiter:innen nicht „blind“ auf die Vorhersagen des Anomalieerkennungsmodells verlassen müssen, kommen XAI-Methoden zum Einsatz, die jene Bereiche des Signals hervorheben, die für die jeweilige Entscheidung von Relevanz waren (vgl. Abb.). Mit anderen Worten: Die Methoden heben diejenigen Bereiche hervor, die am stärksten zur Entscheidungsfindung des Modells beigetragen haben.

Auch hier gilt: Expert:innen für Fahrzeugdiagnose sollten anhand solcher Heatmaps recht schnell erkennen können, ob es sich bei diesen Bereichen um plausible Entscheidungsgrundlagen oder beispielsweise um das Resultat einer Überanpassung handelt.  Derartige Verfahren verringern nicht nur die Fehleranfälligkeit, indem sie Menschen in die Lage versetzen, das Ergebnis zu überprüfen, sondern erhöhen auch die Kredibilität der Modelle. Ein solcher “human-in-the-loop”-Ansatz, bei dem der Mensch jederzeit unplausiblen Empfehlungen des Systems widersprechen kann, zeigt, dass das System den Menschen nicht ersetzt, sondern ihn lediglich als Reparaturassistenzsystem unterstützt. Zusammenfassend trägt das System zur Kompensation des Fachkräftemangels bei, erhöht die Effizienz und Präzision der Diagnose und eröffnet die Möglichkeit, durch den entstehenden Wissensgraphen Expertenwissen für künftige Generationen zu konservieren.

Da sich Fehler im Fahrzeug nicht notwendigerweise in einer einzelnen Messung an einem Bauteil manifestieren, sondern durchaus aus dem spezifischen Zusammenspiel verschiedener synchron aufgezeichneter Signale hervorgehen können, versprechen Mehrkanaloszilloskope und die daraus resultierenden multivariaten Zeitreihendaten aufschlussreiche Analysemöglichkeiten, die im Projektverlauf betrachtet werden. Darüber hinaus können bei Vorliegen einer hinreichend großen Datenbasis vergangener Diagnoseverfahren statistische Rückschlüsse darauf gezogen werden, welche Verfahren und Empfehlungen am effizientesten sind. So könnten beispielsweise aufwändige Schritte und Maßnahmen lediglich dann empfohlen werden, wenn sie im gegebenen Kontext eine hohe Erfolgswahrscheinlichkeit aufweisen. Somit ließen sich unnötige Arbeitsschritte vermeiden und der Aufwand in der Werkstatt reduzieren.

Dieser Artikel hat Ihnen gefallen? Dann abonnieren Sie unseren Newsletter und erhalten Sie regelmäßige Updates zu ähnlichen Themen und zum Projekt Autowerkstatt 4.0 und diskutieren Sie mit uns zu diesem und ähnlichen spannenden Themen auf LinkedIn.

Share on