Anomalieerkennung in Kommunikationsdaten zur Datenselektion im Fahrzeug
2019
Ein Fahrzeug generiert Daten, welche Zustand und Verhalten von Fahrer
und Fahrzeug beschreiben. Das Sammeln der Informationen gibt dem Automobilhersteller
die Moglichkeit, diese als Big Data zu verwenden und neuen
Wert zu schopfen. Beispielsweise schafft die Beobachtung wahrend des gesamten
Lebenszyklus die Grundlage fur eine Produktoptimierung, oder aber
das Marketing kann zielgerichtet auf die individuellen Wunsche des Kunden
eingehen.
Herausforderungen hierbei liegen darin, einen Wert aus den Daten zu schopfen
und die Ubertragung von Fahrzeug zu Backend reduzieren. Ein Oberklassefahrzeug
generiert im Jahr 2017 2,1 MByte je Sekunde. Fur die Ubertragung
der Datenmenge, die eine Flotte mit Millionen von Fahrzeugen
erzeugt, ergeben sich daher Schwierigkeiten. Aufgrund der Ubertragungskosten,
der Datenschutzgrundverordnung und der Limitierung in der Datenubertragung
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 Ubertragung des trainierten Modells in die Fahrzeuge
werden dort unmittelbar anormale Ereignisse erkannt, womit der Datentransfer
zum Backend auf das Wesentliche, die ausergewohnlichen Vorkommnisse,
reduziert wird. Durch eine stetige Aktualisierung des Modells
entsteht eine dynamische Datensammlung, welche sicherstellt, dass im Backend
noch fehlende Ereignisse ubermittelt werden.
Der Vergleich unterschiedlicher Ansatze verdeutlicht, dass insbesondere das
Replikator Neuronale Netz die Anforderungen erfullt. Auserdem ist es in
der Lage, einen Grosteil real geschehener Anomalien zu erkennen, wahrend
kein normales Event falschlicherweise als anormal eingestuft wird. Das
Ziel der Datenreduktion um das Hundertfache fuhrt zur tatsachlichen Einschrankung
auf 0,715%. Die bedeutsamsten Ereignisse, wie Unfalle 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 ubertragen wird, wo weiteres
Postprocessing erfolgen muss. Dieses besteht aus der Interpretation und
der Einordnung von erkannten Ereignissen.
- Correction
- Source
- Cite
- Save
- Machine Reading By IdeaReader
0
References
0
Citations
NaN
KQI