V0.01 | 2019-02-12

Alexander Sundt

Data Mining mit CANape/ vSignalyzer:Wie Sie schnell und effizient die Nadel im (Daten)- Heuhaufen finden

2

Agenda: Webinar Data Mining mit CANape/ vSignalyzer

Webinar Agenda

Was kann Vectors Data Mining Feature und wofür braucht man es?

Wie setzt man Data Mining ein?

Data Mining Editor

Funktionen und Skripte

Thesaurus-Feature

Data Mining Result File

Report erstellen

3

Stellen Sie sich vor:

Sie als OEM bringen ein neues Fahrzeug auf den Markt.

Markteinführung glückt. Absatzzahlen stimmen

Massive Kundenbeschwerden. Bei Schaltvorgängen von der 2ten in die 3te kann es zu einem Ruck durchs Fahrzeug kommen.

Motivation

Motivation: Data Mining

Was können Sie tun?

Neue Messreihe

Problem: Finde die Nadel im Heuhaufen

Bestimmte Ereignisse in aufgezeichneten Daten finden

Eine große Datenmenge durchsuchen

Die meisten Daten sind nicht relevant

Nicht effizient die Daten manuell zu durchsuchen

4

Stellen Sie sich vor:

Sie als OEM bringen ein neues Fahrzeug auf den Markt.

Markteinführung glückt. Absatzzahlen stimmen

Massive Kundenbeschwerden. Bei Schaltvorgängen von der 2ten in die 3te kann es zu einem Ruck durchs Fahrzeug kommen.

Motivation

Motivation: Data Mining

Was können Sie tun?

Neue Messreihe

Fahrzeug ausrüsten

Problem: Finde die Nadel im Heuhaufen

Bestimmte Ereignisse in aufgezeichneten Daten finden

Eine große Datenmenge durchsuchen

Die meisten Daten sind nicht relevant

Nicht effizient die Daten manuell zu durchsuchen

5

Stellen Sie sich vor:

Sie als OEM bringen ein neues Fahrzeug auf den Markt.

Markteinführung glückt. Absatzzahlen stimmen

Massive Kundenbeschwerden. Bei Schaltvorgängen von der 2ten in die 3te kann es zu einem Ruck durchs Fahrzeug kommen.

Motivation

Motivation: Data Mining

Was können Sie tun?

Neue Messreihe

Zeit aufwenden

Fahrzeug ausrüsten

Problem: Finde die Nadel im Heuhaufen

Bestimmte Ereignisse in aufgezeichneten Daten finden

Eine große Datenmenge durchsuchen

Die meisten Daten sind nicht relevant

Nicht effizient die Daten manuell zu durchsuchen

6

Stellen Sie sich vor:

Sie als OEM bringen ein neues Fahrzeug auf den Markt.

Markteinführung glückt. Absatzzahlen stimmen

Massive Kundenbeschwerden. Bei Schaltvorgängen von der 2ten in die 3te kann es zu einem Ruck durchs Fahrzeug kommen.

Motivation

Motivation: Data Mining

Was können Sie tun?

Neue Messreihe

Zeit aufwenden

Binden Resourcen

Fahrzeug ausrüsten

Problem: Finde die Nadel im Heuhaufen

Bestimmte Ereignisse in aufgezeichneten Daten finden

Eine große Datenmenge durchsuchen

Die meisten Daten sind nicht relevant

Nicht effizient die Daten manuell zu durchsuchen

7

Stellen Sie sich vor:

Sie als OEM bringen ein neues Fahrzeug auf den Markt.

Markteinführung glückt. Absatzzahlen stimmen

Massive Kundenbeschwerden. Bei Schaltvorgängen von der 2ten in die 3te kann es zu einem Ruck durchs Fahrzeug kommen.

Motivation

Motivation: Data Mining

Was können Sie tun?

Neue Messreihe

Zeit aufwenden

kostspielig

Binden Resourcen

Fahrzeug ausrüsten

Problem: Finde die Nadel im Heuhaufen

Bestimmte Ereignisse in aufgezeichneten Daten finden

Eine große Datenmenge durchsuchen

Die meisten Daten sind nicht relevant

Nicht effizient die Daten manuell zu durchsuchen

8

Stellen Sie sich vor:

Sie als OEM bringen ein neues Fahrzeug auf den Markt.

Markteinführung glückt. Absatzzahlen stimmen

Massive Kundenbeschwerden. Bei Schaltvorgängen von der 2ten in die 3te kann es zu einem Ruck durchs Fahrzeug kommen.

Motivation

Motivation: Data Mining

Was können Sie tun?

Problem: Finde die Nadel im Heuhaufen

Bestimmte Ereignisse in aufgezeichneten Daten finden

Eine große Datenmenge durchsuchen

Die meisten Daten sind nicht relevant

Nicht effizient die Daten manuell zu durchsuchen

Review Erprobungsdaten

9

Stellen Sie sich vor:

Sie als OEM bringen ein neues Fahrzeug auf den Markt.

Markteinführung glückt. Absatzzahlen stimmen

Massive Kundenbeschwerden. Bei Schaltvorgängen von der 2ten in die 3te kann es zu einem Ruck durchs Fahrzeug kommen.

Motivation

Motivation: Data Mining

Was können Sie tun?

Problem: Finde die Nadel im Heuhaufen

Bestimmte Ereignisse in aufgezeichneten Daten finden

Eine große Datenmenge durchsuchen

Die meisten Daten sind nicht relevant

Nicht effizient die Daten manuell zu durchsuchen

Review Erprobungsdaten

Binden Resourcen

10

Stellen Sie sich vor:

Sie als OEM bringen ein neues Fahrzeug auf den Markt.

Markteinführung glückt. Absatzzahlen stimmen

Massive Kundenbeschwerden. Bei Schaltvorgängen von der 2ten in die 3te kann es zu einem Ruck durchs Fahrzeug kommen.

Motivation

Motivation: Data Mining

Was können Sie tun?

Problem: Finde die Nadel im Heuhaufen

Bestimmte Ereignisse in aufgezeichneten Daten finden

Eine große Datenmenge durchsuchen

Die meisten Daten sind nicht relevant

Nicht effizient die Daten manuell zu durchsuchen

Review Erprobungsdaten

Binden ResourcenZeit

aufwenden

11

Stellen Sie sich vor:

Sie als OEM bringen ein neues Fahrzeug auf den Markt.

Markteinführung glückt. Absatzzahlen stimmen

Massive Kundenbeschwerden. Bei Schaltvorgängen von der 2ten in die 3te kann es zu einem Ruck durchs Fahrzeug kommen.

Motivation

Motivation: Data Mining

Was können Sie tun?

Problem: Finde die Nadel im Heuhaufen

Bestimmte Ereignisse in aufgezeichneten Daten finden

Eine große Datenmenge durchsuchen

Die meisten Daten sind nicht relevant

Nicht effizient die Daten manuell zu durchsuchen

Review Erprobungsdaten

Binden ResourcenZeit

aufwenden

12

Motivation

Motivation: Data Mining

Problem: Finde die Nadel im Heuhaufen

Bestimmte Ereignisse in aufgezeichneten Daten finden

Eine große Datenmenge durchsuchen

Die meisten Daten sind nicht relevant

Nicht effizient die Daten manuell zu durchsuchen

Lösung: Data Mining

Automatisierte Analyse von vielen Log-und

Mess- Dateien (MDF, BLF, etc.)

Performantes analysieren der Daten

Suche nach Events/Bedingungen

Indizierung von “Treffern”

Direkter Zugriff auf die Treffer

Erstellen eines Reports

Log-Dateien

Treffer

C-Funktionen und Simulink Modelle

CANape/ vSignalyzer

MDF, BLF, INCA DAT, ASC, CLF, CSV, ATF, XLG

13

CANape und vSignalyzer

Offline Analysis Tools

Vorteil

Nutzen Sie CANape Projekte in vSignalyzer.

CANape

vSignalyzer

vSignalyzer ist:

Bestandteil von CANape

Ein Tool für die Analyse von Messdaten.

Ein Tool zum Erstellen von Berichten

Unterstützt eine Vielzahl von Datenformaten.MDF, INCA dat, tdms, mat 7.3, XLS, blf, uvm.

14

Schritte zu Ihrer Data Mining Analyse

Motivation des Data Mining Features

Vorteil

Manuelles Durchsuchen der Messdateien wird unnötig

Direkter Zugriff auf einzelne “Treffer”

Eine Datenexperte kann die Analyse erstellen. Ein Messingenieur kann sie ausführen und nutzen.

1. Vorbereitung der CANape/vSignalyzer -Konfiguration

Starten Sie eine neue Konfiguration und schließen gegebenenfalls sämtliche Messdateien im Symbol Explorer.

Visualisieren Sie die zu analysierenden Messgrößen exemplarisch aus einer Messdatei in einem Grafikfenster.

2. Konfiguration der Analyse in der Data Mining Konsole

Definieren Sie die Dateifilterliste

Definieren Sie die Analyse-Methode

Konfigurieren Sie die Methoden-Optionen

3. Auswertung der Reportdatei

Sichtung der Treffer gesteuert über Symbol Explorer oder Data Mining Oberfläche oder CANape/vSignalyzer Menüleiste (Shortcuts)

15

Sollten Sie weitere Fragen zu diesem Thema haben kontaktieren Sie bitte

Dr. Alexander Sundt

Alexander.Sundt@vector.com

All available downloads or further info material are stored in our download center:

https://vector.com/vi_downloadcenter_en.html

You will find all scheduled Vector webinars and events in our event calendar:

http://vector.com/vi_events_calendar_en.html

Visit also our website for all published webinar recordings :

http://vector.com/vi_events_archives_en.html

Have a nice day! See you next time!

Vielen Dank für Ihr Interesse