کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
4946309 1439278 2017 35 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Detecting known and unknown faults in automotive systems using ensemble-based anomaly detection
ترجمه فارسی عنوان
تشخیص گسل شناخته شده و ناشناخته در سیستم های خودرو با استفاده از تشخیص آنومالی مبتنی بر گروه
کلمات کلیدی
تشخیص آنومالی، تشخیص گسل، طبقه بندی یک طبقه روش های گروهی، الکترونیک خودرو،
ترجمه چکیده
رشد عظیم داده های تولید شده در صنعت خودرو با به دست آوردن داده ها در طول تولید و آزمایش وسایل نقلیه نیازمند روش های موثر و هوشمند برای تجزیه و تحلیل این ضبط است. به منظور شناسایی گسل های بالقوه، داده های مربوط به سیستم درون خودرو در ارتباط با زیر سیستم های خودرو در طول آزمایش های جاده ثبت می شود. پیچیدگی و حجم این داده ها افزایش می یابد، زیرا میزان اتصال بین زیر سیستم های خودرو و میزان داده های ارسال شده در شبکه درون خودرو با هر قابلیت اضافه شده به وسایل نقلیه مدرن افزوده می شود. در این مقاله یک رویکرد تشخیص ناهنجاری پیشنهاد شده است که (الف) قادر به شناسایی خطاهای شناخته شده و قبلا نوع خطای ناشناخته است؛ (ب) عملکردها به عنوان یک رویکرد خارج از جعبه که نیاز به تنظیم پارامترهای متخصص و (ج) در برابر سناریوهای مختلف رانندگی و انواع گسل قوی است. برای رسیدن به این هدف، طبقه بندی گروهی از متشکل از طبقه بندی های دو کلاس و یک کلاس استفاده می شود. بدون مدل سازی تلاش و پارامتر کردن کاربر رویکرد ناهماهنگی در سری زمانی چند متغیره را گزارش می کند که متخصص به گسل های بالقوه اشاره می کند. این روش بر روی ضبط از آزمایشات جاده تأیید شده است و می توان نشان داد که آشکارساز آنومالی گروه قوی در برابر سناریوهای مختلف رانندگی و انواع گسل است.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر هوش مصنوعی
پیش نمایش مقاله
تشخیص گسل شناخته شده و ناشناخته در سیستم های خودرو با استفاده از تشخیص آنومالی مبتنی بر گروه
چکیده انگلیسی
The massive growth of data produced in the automotive industry by acquiring data during production and test of vehicles requires effective and intelligent ways of analysing these recordings. In order to detect potential faults, data from the in-vehicle network interconnecting vehicle subsystems is recorded during road trials. The complexity and volume of this data keeps increasing since the degree of interconnection between the vehicle subsystems and the amount of data transmitted over the in-vehicle network is augmented with each functionality added to modern vehicles. In this paper, an anomaly detection approach is proposed that (a) is capable of detecting faults of known and previously unknown fault types, (b) functions as an out-of-the-box approach not requiring the setting of expert-parameters and (c) is robust against different driving scenarios and fault types. To achieve this, an ensemble classifier is used consisting of two-class and one-class classifiers. Without modelling effort and user parameterisation the approach reports anomalies in the multivariate time series which point the expert to potential faults. The approach is validated on recordings from road trials and it could be shown that the ensemble-anomaly detector is robust against different driving scenarios and fault types.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Knowledge-Based Systems - Volume 123, 1 May 2017, Pages 163-173
نویسندگان
,