KI revolutioniert Fahrzeugdiagnose: Automatisierte Fehlererkennung in Sequenzen

Moderne Fahrzeuge erzeugen mit ihren elektronischen Steuergeräten (ECUs) tausende asynchroner Ereignisse, die sogenannten Diagnose‑Fehlercodes (DTCs). Diese DTCs bilden komplexe zeitliche Sequenzen, die den Gesundheitszustand der Fahrzeug‑Subsysteme widerspiegeln. In der Automobilindustrie werden die Codes bislang von Experten manuell in höhere Fehlermuster (EPs) gruppiert, um Systemfehler zu charakterisieren und die Sicherheit zu gewährleisten. Mit steigender Fahrzeugkomplexität wird dieser Prozess jedoch immer kostspieliger, fehleranfälliger und schwer skalierbar.

Die Zahl der einzigartigen DTCs in einem modernen Fahrzeug entspricht in etwa dem Vokabular einer natürlichen Sprache – oft mehrere Zehntausend. Diese Erkenntnis eröffnet einen Paradigmenwechsel: Diagnose‑Sequenzen können wie eine Sprache modelliert, vorhergesagt und erklärt werden. Traditionelle statistische Methoden sind jedoch nicht in der Lage, die reichen Abhängigkeiten zu erfassen, und skaliert nicht auf hochdimensionale Datensätze mit tausenden Knoten, großen Stichprobengrößen und langen Sequenzen.

Die Arbeit präsentiert einen ganzheitlichen Ansatz, der Ereignissequenzmodellierung, kausale Entdeckung und große Sprachmodelle (LLMs) zu einer einheitlichen Lösung für hochdimensionale Ereignisströme verbindet. Durch die Kombination dieser Techniken wird die automatisierte Fehlerdiagnose in Fahrzeugen effizienter, genauer und skalierbarer als je zuvor.