Pierwszy kontakt z naprawianym samochodem to przede wszystkim kontakt z klientem, który opisuje usterkę, a dokładniej – związane z nią objawy. Przeważnie nie podaje liczb, czyli wartości parametrów, ale opisuje zjawiska związane z uszkodzeniem. A my, korzystając z własnego i kolegów po fachu doświadczenia, budujemy własne o tej usterce wyobrażenie. Innymi słowami, zaczynamy podejrzewać, przypuszczać, co jest uszkodzone.

Przeważnie zadajemy klientowi dodatkowe pytania, aby potwierdzić te przypuszczenia. Jeżeli dobrze przeprowadzimy taki wywiad, uzyskamy pewien obraz sytuacji, poznamy zjawiska towarzyszące usterce. Następnie przystępujemy do pracy, podłączając skaner diagnostyczny i wykonując pomiary bezpośrednie.
Zauważmy, że na poszczególnych etapach prac diagnostycznych korzystamy ze zbiorów danych. Takim pierwszym zbiorem jest relacja klienta. Do tego zbioru będziemy potem wracać, o ile szybko nie wykryjemy usterki albo gdy systemy samodiagnozy nie wykryją uszkodzenia. Utrudnienie pojawia się, gdy nie mamy kodów błędów. Wówczas sytuacja zaczyna się komplikować, gdyż są to początki poszukiwania tak zwanych trudnych usterek.
Inne przypadki to błędy ogólne, które wskazują tylko na pewien obszar, gdzie występują nieprawidłowości. W takim przypadku wiemy przynajmniej, w jaki układzie funkcjonalnym musimy zacząć prace. Powinniśmy też umieć odpowiedzieć sobie na pytanie, dlaczego sterownik wskazuje na ten konkretny błąd, czyli na podstawie jakich danych został wygenerowany przez samodiagnozę. Sterownik w samochodzie korzysta ze zbiorów parametrów i zależności między nimi – nie przeszukuje internetu w celu znalezienia podobnej usterki w innych samochodach. Chociaż wydaje nam się, że właśnie tak powinno być, że powinien wykorzystać inne źródła wiedzy niż dane zapisane w sterownikach samochodowych. W ten sposób zbliżamy się do tematu sztucznej inteligencji.
Systemy diagnostyki korzystające ze sztucznej inteligencji wykorzystują potężne ilości danych, niedostępnych dla diagnosty z krwi i kości. Następna sprawa to kojarzenie danych uzyskanych ze sterowników samochodowych i wykorzystanie ich do odkrywania zależności w jednym układzie funkcjonalnym i między różnymi układami. Człowiek opiera swoje wnioskowanie na logice, natomiast sztuczna inteligencja może tworzyć wyniki i wnioski oparte na innych zasadach i nowych regułach. A poza tym, o czym cały czas przypominamy, korzysta z potężnych zbiorów danych.
Zanim nasz park diagnostyczny zostanie wyposażony w urządzenia oparte na sztucznej inteligencji, możemy wykorzystywać wiele elementów, podpatrując, jak działają pierwsze eksperymentalne i prototypowe urządzenia. A może już teraz wykonujemy niektóre czynności i dlatego jesteśmy lepsi od innych diagnostów? Przypatrzmy się pewnemu zjawisku znanemu ze schematów blokowych, a mianowicie pętlom logicznym.
Pętla polega na tym, że wykonujemy pomiary, oczekując pewnego wyniku. Jeżeli uzyskaliśmy pożądany rezultat, to przechodzimy do następnego etapu diagnostyki, a jeżeli nie – wracamy do pomiarów i wykonujemy je wielokrotnie, aż osiągniemy oczekiwany rezultat. Oczywiście za każdym razem modyfikujemy czynności, uzupełniając lub zmieniając pewne elementy. Na przykład klient narzeka, że czasami światła nie świecą pełną mocą, zwłaszcza na biegu jałowym. Na początku sprawdzamy błędy i rzeczywiście, pojawiają się, informując o za małym napięciu ładowania. W warsztacie wszystko funkcjonuje poprawnie, a więc staramy się wywołać tę usterkę. Jeżeli nasze działania są bezskuteczne, wracamy do podstawowych pomiarów, to znaczy mierzymy napięcia w różnych miejscach: na akumulatorze, na karoserii, na silniku i na alternatorze. Wykonujemy zatem pewną pętlę, powtarzamy czynności, aż do uzyskania rezultatu, czyli wykrycia miejsca wskazującego na usterkę. Za każdym razem modyfikujemy czynności, na przykład włączamy inne obciążenie elektryczne, a także mierzymy napięcie w innych miejscach, na przykład bezpośrednio na żarówkach czy modułach sterujących światłami ledowymi lub ksenonach.
Może zdarzyć się tak, że pomimo równomiernej pracy silnika na biegu jałowym, zauważymy gdzieś zmianę napięcia. Może nie na tyle, aby światła przygasały, ale przynajmniej będziemy mieli punkt zaczepienia. Zaczniemy sprawdzać wtyczki i okablowanie w danym układzie. Z czasem w ten sposób znajdziemy uszkodzenie. Jednak nie będziemy teraz skupiali się na tym, gdzie to uszkodzenie jest, ale przyjrzymy się naszemu działaniu polegającemu na powtarzaniu czynności. Innymi słowy, działamy w pewnej pętli, czyli powtarzamy czynności, aż osiągniemy rezultat pozwalający na określenie usterki.
Są jeszcze inne pętle, na przykład pętla wywiadu przeprowadzanego z użytkownikiem pojazdu. Na początku pracy oczekujemy od klienta rzetelnego opisu usterki. Sugerując się jego słowami i wynikami badania skanerem, przystępujemy do pomiarów bezpośrednich, aby udowodnić usterkę. Można zastanawiać się, czy w przypadku trudnych uszkodzeń nie powinniśmy jeszcze raz przeprowadzić wywiadu, po badaniach wstępnych, które wykonaliśmy w warsztacie. Pierwszy wywiad był bowiem przeprowadzony niejako „w ciemno”. Nie sprawdziliśmy, jakie błędy widzą sterowniki, nie wykonaliśmy testów skanerem, nie zrobiliśmy żadnych pomiarów woltomierzem, nie podnieśliśmy nawet maski w samochodzie. Po przystąpieniu do pracy wiemy o wiele więcej, powinniśmy więc zadać pytania klientowi. Niestety mało kto to robi i w ten sposób ucieka nam wiele informacji. Przepada ważny zbiór danych. Do klienta można przecież zadzwonić i zadać mu pytania, czasami kilkukrotnie w procesie diagnostyki.
Jak widzimy, takie działanie jest w logicznej pętli. Wykonujemy pewne czynności i gdy nie osiągamy oczekiwanych rezultatów, wracamy do rozmowy z klientem. W ten sposób możemy uzyskać wiele cennych uwag i szybciej wykryć usterkę.
Na zakończenie wyjaśnijmy, dlaczego piszemy o zbiorach danych, funkcjach, zależnościach między nimi oraz o pętlach. Każdy, kto ma choć podstawową wiedzę o programowaniu, wie, że zbiory danych i pętle to kluczowe elementy w tej dziedzinie. Systemy diagnostyki motoryzacyjnej oparte na sztucznej inteligencji są jeszcze nowością, znajdują się w fazie eksperymentalnej, jednak ich testowanie i zrozumienie zasad działania pozwala dostrzec, jak mogą wspierać naszą codzienną pracę. Technologie związane ze sztuczną inteligencją mogą inspirować do doskonalenia diagnostyki, usprawnienia pracy oraz osiągania lepszych wyników, takich jak szybka i precyzyjna diagnoza.

Stanisław Mikołaj Słupski
Politechnika Lubelska
Katedra Elektrotechniki i Technologii Inteligentnych