An explainable hybrid deep learning-enabled intelligent fault detection and diagnosis approach for automotive software systems validation

Diese Arbeit stellt einen hybriden, erklärbaren Deep-Learning-Ansatz vor, der auf 1D-CNN- und GRU-Modellen sowie Explainable-AI-Techniken basiert, um die Zuverlässigkeit und Nachvollziehbarkeit der Fehlererkennung und -diagnose in der Validierung von Automobilsoftwaresystemen zu verbessern.

Das Wesentliche

🚗 Das „Schwarze Kisten"-Problem bei Autos: Wie man KI verständlich macht

Stellen Sie sich vor, Sie entwickeln ein hochmodernes Auto. Bevor es auf die Straße darf, muss es unzählige Tests bestehen. Dabei werden riesige Datenmengen aufgezeichnet: Wie schnell dreht sich der Motor? Wie stark wird das Gaspedal gedrückt? Funktionieren alle Sensoren?

Das Problem: Die heutigen Computerprogramme (Künstliche Intelligenz oder KI), die diese Daten prüfen, sind wie eine magische schwarze Kiste. Sie sagen Ihnen: „Hier ist ein Fehler!" Aber sie erklären nicht, warum. Ist es der Sensor? Ist es der Motor? Oder hat der Fahrer nur zu schnell gebremst? Ohne diese Erklärung ist es für Ingenieure schwer, den Fehler zu beheben.

Diese Forschungsarbeit von Mohammad Abboush und seinem Team aus Clausthal-Zellerfeld will genau das ändern. Sie haben eine neue Methode entwickelt, die nicht nur Fehler findet, sondern auch erklärt, wie sie zu diesem Ergebnis kommen.

🔍 Die drei Hauptakteure der Lösung

Die Forscher haben einen dreistufigen Plan entwickelt, den man sich wie einen super-intelligenten Automechaniker vorstellen kann:

1. Der Detektiv: Die Hybrid-KI (1dCNN-GRU)

Stellen Sie sich vor, Sie haben zwei verschiedene Detektive, die zusammenarbeiten:

• Der Muster-Erkennungs-Spezialist (CNN): Dieser schaut sich die Daten wie ein Foto an. Er erkennt sofort: „Aha, hier ist ein seltsamer Zacken im Signal!" Er ist gut darin, lokale Details zu finden.
• Der Zeit-Analytiker (GRU): Dieser schaut sich an, wie sich die Daten über die Zeit verhalten. Er denkt: „Moment, der Motor wurde vor 5 Sekunden heiß, und jetzt zittert er. Das passt zusammen!"

Die Forscher haben diese beiden zu einem Team zusammengefügt (Hybrid-Modell). Das Ergebnis ist ein Detektiv, der sowohl Details als auch den zeitlichen Ablauf perfekt versteht. Er kann nicht nur sagen, dass ein Fehler vorliegt, sondern auch, ob es ein einzelner Fehler ist oder ob mehrere Dinge gleichzeitig schiefgehen (was oft passiert, wenn ein Auto unter Stress steht).

2. Der Übersetzer: Erklärbare KI (XAI)

Das ist der wichtigste Teil der Arbeit. Bisher war die KI wie ein Wahrsager, der nur „Ja" oder „Nein" sagte. Die Forscher haben nun einen Übersetzer eingebaut.
Stellen Sie sich vor, die KI trifft eine Entscheidung. Der Übersetzer (die XAI-Techniken wie DeepLIFT oder SHAP) fragt die KI: „Warum hast du das gesagt?"
Die KI antwortet dann: „Weil der Kraftstoffdruck (Feature A) und die Turbolader-Drehzahl (Feature B) zusammen einen verdächtigen Wert haben."
Das ist wie wenn ein Arzt nicht nur sagt „Sie sind krank", sondern auch erklärt: „Weil Ihr Blutdruck und Ihre Temperatur gleichzeitig zu hoch sind."

3. Der Test-Labor: Der HIL-Simulator

Um zu beweisen, dass ihr System funktioniert, haben die Forscher kein echtes Auto auf die Straße geschickt (was teuer und gefährlich ist). Stattdessen haben sie einen virtuellen Testfahrer in einem Simulator eingesetzt.

• Die Hardware-in-the-Loop (HIL) Methode: Man verbindet einen echten Computer (das Auto-Steuergerät) mit einem virtuellen Auto-Modell. Der Computer denkt, er steuere ein echtes Auto, aber in Wirklichkeit läuft alles in einem Simulator.
• Der Forscher hat dem System absichtlich Fehler eingebaut (z. B. einen defekten Sensor), um zu sehen, ob die KI diese findet. Und ja: Sie hat es fast perfekt gemacht!

🏆 Was haben sie herausgefunden?

Die Ergebnisse sind beeindruckend, wenn man sie mit anderen Methoden vergleicht:

• Genauigkeit: Die neue Methode findet Fehler zu 97 % genau. Andere Methoden lagen oft nur bei 40–70 %.
• Geschwindigkeit vs. Genauigkeit: Normalerweise muss man wählen: Entweder ist das Modell schnell, aber dumm, oder es ist schlau, aber langsam. Diese neue Methode ist sehr schlau. Zwar braucht sie etwas mehr Rechenzeit beim Lernen (Training), aber sie ist extrem schnell, wenn sie dann tatsächlich Fehler findet (Testzeit).
• Die „White-Box"-Revolution: Durch die Erklärungsfunktion (XAI) konnten die Forscher sogar herausfinden, welche 10 von 24 gemessenen Daten eigentlich die wichtigsten sind.
  • Der Clou: Wenn man das Modell nur mit diesen 10 wichtigsten Daten trainiert, wird es viel schneller (die Trainingszeit halbiert sich fast!), ohne dass die Genauigkeit stark leidet. Das ist wie wenn man einen Koch nur die 10 wichtigsten Gewürze geben würde, statt 24, und das Gericht schmeckt trotzdem fast gleich gut.

💡 Warum ist das wichtig für uns?

1. Sicherheit: In Autos geht es um Menschenleben. Wenn eine KI sagt „Bremsen!", muss der Ingenieur verstehen, warum, um sicherzustellen, dass es kein Fehlalarm ist.
2. Kosten: Wenn man weiß, welche Daten wichtig sind, muss man weniger speichern und weniger Rechenleistung verbrauchen. Das macht die Entwicklung von Autos günstiger und schneller.
3. Vertrauen: Ingenieure trauen einer KI eher, wenn sie versteht, wie sie denkt. Es ist der Unterschied zwischen einem blinden Glücksspiel und einem fundierten medizinischen Befund.

Zusammenfassung in einem Satz

Die Forscher haben einen intelligenten, erklärbaren Automechaniker gebaut, der nicht nur Fehler im Auto findet, sondern auch genau sagt, welche Bauteile schuld sind, und dabei sogar lernt, welche Daten wirklich wichtig sind, um schneller und effizienter zu arbeiten.

Technische Zusammenfassung

Hier ist eine detaillierte technische Zusammenfassung des vorliegenden Forschungsartikels auf Deutsch:

Titel:

Eine erklärbare hybride Deep-Learning-gestützte intelligente Fehlererkennungs- und Diagnosemethode (FDD) für die Validierung von Automobil-Softwaresystemen (ASSs).

1. Problemstellung

Die Validierung von Automobil-Softwaresystemen (ASSs) im Rahmen des V-Modells, insbesondere in der Hardware-in-the-Loop (HIL)-Simulation, erzeugt massive Datenmengen aus Testaufzeichnungen.

• Herausforderung: Herkömmliche wissensbasierte Analysemethoden stoßen bei der Komplexität und dem Volumen der Daten an Grenzen.
• Black-Box-Problem: Zwar bieten datengetriebene Deep-Learning-Modelle (DL) hohe Genauigkeit, gelten jedoch als "Black Boxes". Dies erschwert das Verständnis der Entscheidungsfindung, behindert die Anpassung der Modelle basierend auf Vorhersagen und erhöht die Kosten für die Entwicklung komplexer Modelle.
• Spezifische Schwierigkeiten: Das Vorhandensein von gleichzeitigen (konkurrenten) Fehlern und unausgewogenen Datensätzen (Imbalanced Data) stellt eine zusätzliche Hürde dar. Zudem fehlt es an Interpretierbarkeit, was für sicherheitskritische Anwendungen (ISO 26262) und die Ursachenanalyse (Root Cause Analysis, RCA) essenziell ist.

2. Methodik

Der vorgeschlagene Ansatz besteht aus drei Hauptphasen: Datenerfassung/Vorverarbeitung, Modellentwicklung und Erklärbarkeit (Explainable AI, XAI).

A. Datenerfassung und Vorverarbeitung

• Datenquelle: Es wurde ein HIL-System (dSPACE SCALEXIO) mit einem hochfidelitätsfähigen Fahrzeugmodell (ASM Gasoline Engine) und einem Rapid Control Prototype (RCP) verwendet.
• Szenarien: Tests umfassten manuelle und automatische Fahrten (Autobahn, Stadt, Spurwechsel) unter Einbeziehung von Benutzerverhalten.
• Fehlerinjektion: Defekte wurden in Echtzeit in Sensoren und Aktoren injiziert (z. B. Rauschen, Gain, Offset), sowohl einzeln als auch gleichzeitig.
• Vorverarbeitung:
  • Rauschunterdrückung und Entfernung von Ausreißern.
  • Skalierung und Normalisierung der Daten.
  • Umgang mit Klassenungleichgewicht: Einsatz von Random Under Sampling (RUS), Class Weights (CWs) und SMOTE (Synthetic Minority Over-sampling Technique).
  • Segmentierung der Zeitreihendaten in "Fenster" (Windows) zur Erfassung zeitlicher Abhängigkeiten.

B. Modellentwicklung (Hybride Architektur)

Es wurde ein hybrides Deep-Learning-Modell entwickelt, das die Stärken von 1dCNN (Convolutional Neural Networks) und GRU (Gated Recurrent Units) kombiniert:

• 1dCNN-Layer: Extrahiert lokale Merkmale und Muster aus den Eingangsdaten (räumliche Merkmale).
• GRU-Layer: Erfasst zeitliche Abhängigkeiten und langfristige Muster in den Sequenzdaten effizienter als LSTMs und vermeidet das Problem des verschwindenden Gradienten.
• Fully Connected (FC) Layer: Führt die extrahierten Merkmale zusammen und führt die Klassifizierung durch.
• Zwei Modelle:
  1. FTCM (Fault Type Classification Model): Identifiziert die Art des Fehlers (z. B. Rauschen, Offset).
  2. FLM (Fault Localization Model): Lokalisiert den Fehlerort (z. B. Sensorposition, Lenkrad, Motordrehzahl).

C. Erklärbarkeit (XAI)

Um das Black-Box-Problem zu lösen, wurden vier XAI-Techniken integriert und verglichen:

1. Integrated Gradients (IGs)
2. DeepLIFT
3. Gradient SHAP
4. DeepLIFT SHAP

Diese Techniken wurden verwendet, um drei Arten von Analysen durchzuführen:

• Global Feature Importance (GFI): Identifikation der insgesamt wichtigsten Merkmale für das Modell.
• Per-Class Feature Importance (PCFI): Analyse, welche Merkmale für spezifische Fehlerklassen entscheidend sind.
• Feature Interactions (FIs): Aufdeckung nichtlinearer Abhängigkeiten zwischen Merkmalen, besonders wichtig bei gleichzeitigen Fehlern.

3. Hauptbeiträge

• Neuer Ansatz: Entwicklung eines interpretierbaren FDD-Ansatzes für Echtzeit-Validierungsprozesse von ASSs, der sowohl einzelne als auch gleichzeitige Fehler behandelt.
• Hybride Architektur: Ein 1dCNN-GRU-Modell, das speziell für unausgewogene Daten und zeitliche Abhängigkeiten optimiert wurde.
• White-Box-Modell: Durch XAI wird ein "White-Box"-Modell erstellt, das signifikante Variablen identifiziert, was die Effizienz steigert und die Komplexität reduziert.
• Vergleichende XAI-Studie: Eine detaillierte Analyse von vier XAI-Methoden hinsichtlich ihrer Rechenkosten und Leistung.
• Industrielle Validierung: Anwendung auf einem realistischen HIL-Datensatz mit hochfidelitätsfähigen Modellen und Benutzerinteraktion.

4. Ergebnisse

• Modellleistung:
  • Das vorgeschlagene hybride Modell (FLM) erreichte eine Genauigkeit von 97,40 % und einen F1-Score von 97,40 % für die Fehlerlokalisierung.
  • Das FTCM erreichte eine Genauigkeit von 97,19 % für die Fehlerklassifizierung.
  • Im Vergleich zu reinen RNN-, LSTM- und GRU-Modellen zeigte das hybride Modell eine signifikant überlegene Leistung (z. B. RNN nur ~43 % Genauigkeit).
• Effizienzsteigerung durch XAI:
  • Durch die Nutzung der XAI-Ergebnisse zur Merkmalsauswahl (Reduktion von 24 auf 10 signifikante Merkmale) konnte die Trainingszeit des FLM-Modells drastisch von 22.999 s auf 5.413 s reduziert werden, bei nur einem geringen Genauigkeitsverlust (~2 %).
• XAI-Vergleich:
  • DeepLIFT und Gradient SHAP erwiesen sich als die effizientesten Methoden mit geringen Rechenkosten.
  • DeepLIFT SHAP lieferte die ausgewogensten und konsistentesten Ergebnisse, benötigte jedoch die längste Rechenzeit.
  • Die XAI-Analyse ermöglichte eine präzise Ursachenanalyse (RCA) für gleichzeitige Fehler, indem Interaktionen zwischen Merkmalen (z. B. zwischen Turbolader-Drehzahl und Luftmassenstrom) identifiziert wurden.

5. Bedeutung und Fazit

Die Studie demonstriert, dass die Integration von Explainable AI (XAI) in Deep-Learning-Modelle für die Automobilvalidierung nicht nur die Transparenz erhöht, sondern auch die praktische Anwendbarkeit verbessert.

• Sicherheitsrelevanz: Die Methode unterstützt Sicherheitsingenieure dabei, die Gründe hinter Fehlervorhersagen zu verstehen, was für die Zertifizierung nach ISO 26262 entscheidend ist.
• Ressourcenoptimierung: Durch die Identifikation relevanter Merkmale kann die Rechenlast gesenkt werden, was Echtzeitanwendungen begünstigt.
• Innovation: Dies ist eine der ersten Studien, die XAI-Techniken speziell für die Diagnose von gleichzeitigen Fehlern in der Entwicklungsphase von Automobilsoftwaresystemen mittels HIL-Simulationen integriert.

Zukünftige Arbeiten sollen sich auf die Automatisierung der Ursachenanalyse bei gleichzeitigen Fehlern sowie auf Aspekte wie Vertrauensschätzung und Mensch-KI-Kollaboration konzentrieren.