Härtill 4 uppsatser

Diss. (sammanfattning) Stockholm : Kungliga Tekniska högskolan, 2023

Vehicles are becoming increasingly complex and are prone to faults and failures, which threaten the dependability of vehicles in terms of availability, reliability, safety, and security. When vehicles are detected with certain types of faults and get into alarm situations, human drivers play a vital role in deciding what strategies and actions to take. Once driverless vehicles are introduced, human drivers' roles in decision-making will no longer exist, which urges new solutions on both technological and managerial levels. This thesis depicts the current human decision-making process by analyzing field study data in the truck industry, which contributes to gaining domain knowledge and identifying research gaps. An integrated vehicle health management scheme is applied to automate this decision-making process by integrating vehicle health state estimation and prediction, resource utilization, and self-adaptive management. To implement this scheme, fault diagnosis and decision-making methods are proposed, and a decision support system is designed. Fault diagnosis is a critical functional module for providing reliable vehicle health state information for decision-making. To address the influence of uncertainties in fault diagnosis, we propose an uncertainty analysis framework and a fault diagnosis method using Bayesian inference. Simulation experiments validate that the proposed method could effectively diagnose the root cause of fault symptoms under environmental uncertainty. A risk-based automated decision-making method is presented, which imitates the human decision-making process. On this basis, a collaborative decision-making method is proposed by considering traffic congestion, which is a currently neglected public concern. Experiment results show that the proposed methods could effectively reduce the economic risk and the risk of traffic congestion.

Fordon blir allt mer komplexa och är benägna att få fler felkällor, vilket hotar fordonens pålitlighet när det gäller tillgänglighet, tillförlitlighet och säkerhet. När fordon upptäcks med vissa typer av fel och hamnar i larmsituationer spelar mänskliga förare en avgörande roll när det gäller att bestämma vilka åtgärder som ska vidtas. När förarlösa fordon väl har introducerats kommer mänskliga förares roller i beslutsfattandet inte längre vara tillgängligt, vilket kräver nya lösningar på både teknisk nivå och på ledningsnivå. Denna avhandling skildrar den nuvarande mänskliga beslutsprocessen genom att analysera fältstudiedata i lastbilsindustrin, vilket bidrar till mer kunskap om området och att identifiera forskningsluckor. Ett integrerat system för fordonshälsa används för att automatisera denna beslutsprocess genom att integrera uppskattning och förutsägelse av fordonets hälsotillstånd, resursanvändning och fordonets möjlighet att själva anpassa sig för att hantera fel. För att implementera detta schema föreslås feldiagnostik och beslutsmetoder, och ett beslutsstödssystem utformas. Feldiagnos är en kritisk funktionsmodul för att tillhandahålla tillförlitlig information om fordonets hälsotillstånd för beslutsfattande. För att hantera osäkerheter i feldiagnostik, föreslår vi ett ramverk för osäkerhetsanalys och en feldiagnosmetod som använder Bayesiansk slutledning. Simuleringsexperiment bekräftar att den föreslagna metoden effektivt kan diagnostisera grundorsaken till felsymptom, även vid osäkerhet om fordonets kontext. En riskbaserad automatiserad beslutsmetod presenteras, som imiterar den mänskliga beslutsprocessen. På grundval av detta föreslås en samarbetsmetod för beslutsfattande genom att överväga trafikstockningar, som är ett stort allmänt problem. Experimentresultat visar att de föreslagna metoderna effektivt kan minska den ekonomiska risken och risken för trafikstockningar.