Bei Volkswagen wird kontinuierlich an Verfahren für eine intelligente Fahrzeugdiagnose gearbeitet. Im vorliegenden Beitrag wurden zwei Verfahren vorgestellt, die die Leistungsfähigkeit zukünftiger Diagnosesysteme signifikant erhöhen können. Die wahrscheinlichkeitsbasierte Fehlerkandidatenermittlung versetzt ein Diagnosesystem in die Lage, selbstständig auf Grund von Informationen aus einer elektronisch lesbaren Systembeschreibung von vorhandenen Symptomen auf mögliche Fehlerursachen zu schließen. Unter dem Begriff dynamischer Prüfablauf wurde ein Verfahren beschrieben, das eigenständig Prüfanweisungen zur Eingrenzung elektrische Fehler generiert und sie dynamisch zu einer Prüfsequenz zusammensetzt. Durch die Kombination dieser beiden Verfahren in einem Diagnosesystem kann ein Mechaniker bei der Suche nach elektrischen Fehlern durch eine Abfolge von Prüfanweisungen unterstützt werden. Neuartig bei den hier beschriebenen Verfahren ist, dass dafür keine Fehlersuchprogramme, wie bei der geführten Fehlersuche, hinterlegt sein müssen. Dadurch, dass die Strukturdaten zu jedem Fahrzeug automatisch generiert werden, kann das Diagnosesystem alle Varianten abdecken, was bei manuell erstellten Fehlersuchprogrammen nur mit großem Aufwand möglich ist. Der vorgestellte Ansatz ist über den beschriebenen Anwendungsfall hinaus, sehr vielversprechend für Systeme, deren Funktion sehr stark durch Software und Mechanik bestimmt wird. Bayessche Netze bieten die Möglichkeit, Beziehungen zwischen verschiedenartigen Teilsystemen wie Softwaremodulen, elektrischen Komponenten und mechanischen Baugruppen abzubilden. Durch die Berücksichtigung der vielfältigen Systemabhängigkeiten, die in modernen mechatronischen Systemen vorhanden sind, können intelligente Diagnosesysteme entwickelt werden, die die Leistungsfähigkeit heutiger Systeme weit übersteigen.

In case of malfunction, costs for detecting its cause can increase rapidly due to the complexity of mechatronical systems. This is especially applicable for diagnosis in automotive systems. The combined utilization of two corresponding methods described in this paper enables future diagnosis systems to detect possible failure causes and necessary test steps without being dependent on expert knowledge.