EDGE computing and data optimization for remote diagnostics of vehicles

Abstract

Запропоновано підхід до віддаленої діагностики транспортних засобів і виконанням первинної аналітика за допомогою кордонних обчислення (TCU/мережевий шлюз) та опційною оптимізацією за допомогою мульти-периферійних кордонних обчислень MEC. Отримано формалізацію компромісу «точність – своєчасність – обсяг», у якій першопочаткова кількість даних описується як B_0=∑_(c=0)^n⋅N_c ⋅s_c, а оптимізована – як B=∑_(c=0)^n⋅(κ_c (ε)⋅α_с⋅N_c⋅s_c+β_c ), де α_с є коєфіцієнтом розшорення даних, κ_c (ε) – коєфіцієнтом стиснення даних, B_c – обсягом метаданих. Показано на експерименті з трьома каналами (RPM, T_coolant, V_battery), що за налаштувань α_c={0.05; 0.02; 0.10} і k_с (ε)={0.30; 0.20; 0.25} обсяг оптимізованих даних зменшується у ~30 разів (B_0total=115200 байт/год, B_total=3808 байт/год) без втрати здатності фіксувати значущі для діагностики події, а затримка спрацювання тригерів сповіщення становить 1с. Показано, що коректність діагностики забезпечується завдяки поєднання трьох чинників: точність – діагностичне рішення прийняте на основі сирих даних є таким самим, як і рішення, прийняте на основі оптимізованих даних; похибка представлення оптимізованих даних є найменшою; різниця часу прийняття діагностичного рішення на основі оптимізованих та сирих даних наближається до 0. Отримано методику налаштування параметрів оптимізації, в якій початкові параметри обираються з консервативних міркувань таким чином, щоб похибка діагностичних рішень була мінімальною для діагностики з використанням сирих і оптимізованих даних. Далі для знаходження оптимальних значень параметрів оптимізації, коєфіцієнти α_c, k_c (ε) та вміст метаданих B_c поступово зменшують до досягнення бажаного результату значень точності діагностики в порівнянні з першопочатковими даними та пропускної здантності мережі. Звідси можна зробити висновок, що раціональний вибір параметрів α_с, k_c (ε), β_с разом із застосуванням MEC дозволяє суттєво скоротити кількість переданих даних без компромісів щодо інваріантності діагностичних рішень і своєчасності діагностичних сповіщень та слугує основою для проєктування систем діагностики із застосуванням кордонних обчислень.

This paper proposes the use of edge computing for remote vehicle diagnostics. Instead of continuously streaming raw telemetry, the on-board computer performs simplified analytics, adaptive sampling, and data compression, so that the outgoing network channel transmits event packets and short periodic summaries (summaries) of data. The system design focuses on three goals: to maintain the ability to make important diagnostic decisions, to keep the reconstruction error acceptable for analysis, and to notify of a fault even with weak or variable connectivity in a reasonable time. The paper proposes a simple and reproducible way to account for data volume and latency, shows how to configure basic controls for each signal, and discusses the use of multi- peripheral edge computing (MEC) to reduce latency. The result is significant savings in outbound traffic without compromising diagnostic capability.