The increasing complexity of engineered devices, e.g. in the domain of automotive systems, has lead to an increased demand for computer-supported behavior prediction, diagnosis, and testing. Model-based reasoning is an emerging subfield of Artificial Intelligence that is concerned with representing knowledge about the structure and behavior of physical systems in terms of a model and using it to automate the above-mentioned tasks. Modeling is the hard part of model-based reasoning. In order to make it feasible, it is crucial to break down the knowledge about a device into re-usable components and to organize them in a library. On the other hand, in order to keep reasoning with a model computationally tractable, it is important to have an adequate representation that includes only the distinctions that are required to perform a particular task. In this thesis, we deal with the problem of finding a level of granularity for a behavior model that is as coarse as possible, but still fine enough for a given behavior prediction or diagnosis task. The focus is on task-dependent domain abstraction: i.e., the problem is to determine distinctions within the domains of variables (termed qualitative values) that are both necessary and sufficient, given the constraints of the behavior model, a granularity of possible observations, and a granularity of desired results. We present a method that allows to automatically determine qualitative values, starting from a base model that has been composed from a library. A principled application of this work is to turn real-valued models, as commonly used in industry, into qualitative models to make them accessible to automated reasoning methods. The resulting methods and software tools thus greatly enhance the ability to use a behavior model of an engineered device as a common basis to support different tasks along its life cycle. The thesis describes the application to real-world examples taken from the automotive domain. This leads to the first model-based diagnosis system running on-board a passenger vehicle. The prototype is shown to provide useful results for a number of emission-related failure scenarios that were implemented on a Volvo demonstrator car.     «

The increasing complexity of engineered devices, e.g. in the domain of automotive systems, has lead to an increased demand for computer-supported behavior prediction, diagnosis, and testing. Model-based reasoning is an emerging subfield of Artificial Intelligence that is concerned with representing knowledge about the structure and behavior of physical systems in terms of a model and using it to automate the above-mentioned tasks. Modeling is the hard part of model-based reasoning. In order to m...     »

Die zunehmende Komplexität technischer Systeme, z.B. im Automobilbereich, führt zu einem steigenden Bedarf an computerunterstützter Verhaltensvorhersage, Diagnose und Testgenerierung. Modellbasiertes Schließen ist ein Teilgebiet der Künstlichen Intelligenz, das sich mit der Repräsentation von Wissen über Struktur und Verhalten physikalischer Systeme in Form eines Modells und dessen Verwendung zur Automatisierung der genannten Aufgaben beschäftigt. Der Modellierungsschritt stellt die Hauptschwierigkeit bei modellbasiertem Schließen dar. Er ist nur dann effizient durchführbar, wenn das Wissen über ein Gerät durch möglichst allgemeine, wiederverwendbare Komponentenmodelle repräsentiert wird, die in Form einer Modellbibliothek organisiert und so für verschiedene Aufgaben herangezogen werden können. Andererseits erfordert effizientes Problemlösen mit einem Modell eine angemessene Repräsentationsebene, in der nur Unterscheidungen berücksichtigt werden, die zur Durchführung einer gegebenen Aufgabe tatsächlich notwendig sind. Diese Arbeit beschäftigt sich mit dem Problem, eine Granularitätsebene für ein Verhaltensmodell zu finden, die so grob wie möglich, aber noch fein genug für eine gegebene Verhaltensvorhersage- oder Diagnoseaufgabe ist. Den Schwerpunkt bildet dabei die aufgabenabhängige Wertebereichsabstraktion: d.h. das Problem besteht darin, Unterscheidungen innerhalb des Wertebereichs von Variablen (sogenannte qualitative Werte) zu finden, die sowohl notwendig als auch hinreichend sind, bezogen auf die Constraints des Verhaltensmodells, die Granularität der möglichen Beobachtungen, und die Granularität der gewünschten Ergebnisse. Wir stellen eine Methode vor, mit der qualitative Werte automatisch bestimmt werden können, ausgehend von einem Basismodell, das aus einer Modellbibliothek erzeugt worden ist. Eine prinzipielle Anwendung besteht darin, numerische Modelle, wie sie häufig in der Industrie verwendet werden, in qualitative Modelle zu transformieren und dadurch den Methoden des automatischen Schlußfolgerns zugänglich zu machen. Die resultierenden Verfahren und Software-Werkzeuge ermöglichen es, ein Verhaltensmodell als gemeinsame Basis zur Unterstützung verschiedener, während des Lebenszyklus eines technischen Systems anfallender Aufgaben einzusetzen. Die Arbeit beschreibt dies anhand von realen Beispielen aus dem Automobilbereich. Dies führt schließlich zum ersten modellbasierten Diagnosesystem, das on-board auf einem Personenfahrzeug läuft. Es wird gezeigt, daß dieser Prototyp nützliche Ergebnisse für eine Reihe von emissionsrelevanten Fehlerszenarien liefert, die auf einem Volvo-Versuchsfahrzeug implementiert wurden.     «

Die zunehmende Komplexität technischer Systeme, z.B. im Automobilbereich, führt zu einem steigenden Bedarf an computerunterstützter Verhaltensvorhersage, Diagnose und Testgenerierung. Modellbasiertes Schließen ist ein Teilgebiet der Künstlichen Intelligenz, das sich mit der Repräsentation von Wissen über Struktur und Verhalten physikalischer Systeme in Form eines Modells und dessen Verwendung zur Automatisierung der genannten Aufgaben beschäftigt. Der Modellierungsschritt stellt die Hauptschwier...     »