Real-time diagnostics of vehicle operation using data mining methods

Abstract

Niniejsza praca doktorska przedstawia innowacyjne podejście do tematu diagnostyki pojazdów w czasie rzeczywistym, wykorzystując potężne możliwości metod eksploracji danych. Praca ta proponuje nowy system diagnostyczny, który może przewidywać potencjalne awarie, zanim przekształcą się w poważniejsze problemy, analizując dane pojazdowe w czasie rzeczywistym za pomocą koncepcji entropii. W tej pracy kluczowe znaczenie ma zastosowanie parametryzowanej entropii jako kluczowego elementu analitycznego, który umożliwia głębokie zrozumienie losowości lub nieporządku w danych operacyjnych pojazdu. Połączenie tego podejścia z zaawansowanymi algorytmami uczenia maszynowego pozwala systemom identyfikować problemy obecnie i przewidywać awarie w przyszłości. Ta analiza opiera się na danych uzyskanych przez system diagnostyki pokładowej OBD-II. Praca ta opisuje postępy w tworzeniu dostępnej i wydajnej platformy diagnostycznej w czasie rzeczywistym. System oferuje opłacalne rozwiązanie diagnostyczne, wykorzystując moc przetwarzania serwera i sprzęt dostępny dla konsumentów. Włączenie analizy entropii i uczenia maszynowego w tę platformę stanowi znaczący postęp w tej dziedzinie, ponieważ zapewnia zwiększoną dokładność w przewidywaniu i diagnostyce awarii. Analiza entropii poprawia zdolność predykcyjną, pokazując zmienność i złożoność danych, co umożliwia dokładniejszą diagnostykę. The study is located in the merge of automotive engineering and computational intelligence, with the objective of radically altering the methodology of car diagnostics from a reactive to a predictive approach. This thesis presents a new diagnostic system that combines modem machine-learning techniques with the idea of entropy. The system can analyse vehicle data in real-time to identify probable faults before they become more serious problems. Central to this research is the utilisation of parameterized entropy as a fundamental analytical characteristic, offering a nuanced comprehension of the disorder or randomness present in the operational data of a vehicle. The research is based on the utilisation of data acquired by the On-Board Diagnostics II (OBD-II) system, which provides a comprehensive dataset that encompasses several facets of vehicle performance. The thesis provides a comprehensive overview of the creation of a real-time diagnostic platform that successfully combines accessibility and efficiency. Entropy analysis enhances the prediction power by providing insights into the variety and complexity of the data, allowing for more accurate diagnoses. In summary, this thesis represents a significant milestone in the pursuit of establishing a novel benchmark in the field of automotive diagnostics and maintenance.