Dự đoán và cảnh báo sớm tình trạng ô tô qua cổng OBD-II - Phan Minh Ngàn

Tham khảo tài liệu luận văn thạc sĩ của học viên Phan Minh Ngân mã số 21141351. Định dạng trình bày chuẩn theo quy định cho đồ án và đề tài tốt nghiệp.

• Tác giả: Phan Minh Ngàn
• Người hướng dẫn: TS. Lê Ngọc Trân
• Trường học: Trường Đại học Công nghiệp Thành phố Hồ Chí Minh
• Chuyên ngành: Kỹ thuật Ô tô
• Đề tài: Xây dựng phần mềm dự đoán & cảnh báo sớm tình trạng của xe thông qua cổng OBD-II
• Loại tài liệu: Luận văn thạc sĩ
• Năm xuất bản: 2025
• Địa điểm: Thành phố Hồ Chí Minh

Tóm tắt

I. Tổng quan luận văn ths Phan Minh Ngàn MSHV 21141351 OBD II

Đề tài nghiên cứu của học viên Phan Minh Ngàn mã số học viên 21141351 thuộc chuyên ngành Kỹ thuật Ô tô tại Trường Đại học Công nghiệp Thành phố Hồ Chí Minh. Công trình được thực hiện dưới sự hướng dẫn khoa học của Tiến sĩ Lê Ngọc Trân và Tiến sĩ Đặng Tiến Phúc. Mục tiêu cốt lõi là phát triển hệ thống phần mềm thông minh có khả năng thu thập dữ liệu thời gian thực từ phương tiện giao thông. Hệ thống khai thác cổng chẩn đoán tiêu chuẩn OBD-II để trích xuất các thông số vận hành quan trọng như vòng tua máy, nhiệt độ động cơ và tốc độ di chuyển. Nghiên cứu tích hợp các mô hình học máy tiên tiến nhằm dự báo xu hướng biến thiên kỹ thuật và phát hiện sớm các dấu hiệu bất thường. Việc cảnh báo kịp thời giúp chủ phương tiện chủ động bảo dưỡng, ngăn ngừa hư hỏng nghiêm trọng và tối ưu chi phí vận hành. Toàn bộ kiến trúc phần mềm được thiết kế theo cấu trúc module linh hoạt, đảm bảo tính mở rộng cao và khả năng tích hợp đa nền tảng cho nhiều dòng xe hiện đại.

1.1. Thông tin học viên và bối cảnh thực hiện đề tài

Học viên Phan Minh Ngàn sinh năm 1996 tại Gia Lai, theo học chương trình thạc sĩ chuyên ngành Công nghệ Kỹ thuật Ô tô khóa 2021. Đề tài được giao nhiệm vụ chính thức vào ngày 20/03/2025 và hoàn thành vào ngày 20/09/2025 tại Trường Đại học Công nghiệp TP.HCM. Bối cảnh nghiên cứu xuất phát từ nhu cầu số hóa quy trình quản lý kỹ thuật ô tô. Ngành công nghiệp xe hơi đang chuyển dịch mạnh mẽ sang xu hướng kết nối Internet vạn vật. Các giải pháp giám sát truyền thống bộc lộ nhiều hạn chế về tính kịp thời. Đề tài cung cấp cơ sở học thuật vững chắc cho việc ứng dụng công nghệ thông tin vào bảo dưỡng dự đoán phương tiện.

1.2. Mục tiêu nghiên cứu và phạm vi ứng dụng phần mềm

Mục tiêu trọng tâm của nghiên cứu là xây dựng phần mềm toàn diện hỗ trợ dự báo và cảnh báo tình trạng kỹ thuật xe. Phần mềm thu thập dữ liệu chuẩn OBD-II thông qua module kết nối viễn thông 4G truyền về máy chủ trung tâm. Phạm vi ứng dụng bao gồm việc theo dõi nhiệt độ nước làm mát, nhiệt độ khí nạp, tốc độ động cơ và lượng tiêu thụ nhiên liệu. Hệ thống đưa ra cảnh báo tự động khi các thông số vượt ngưỡng an toàn quy định. Giải pháp đáp ứng yêu cầu quản lý cho các doanh nghiệp vận tải, trung tâm sửa chữa và người sở hữu xe cá nhân.

II. Phân tích thách thức giám sát xe trong luận văn Phan Minh Ngàn

Hệ thống chẩn đoán ô tô truyền thống phụ thuộc hoàn toàn vào đèn cảnh báo Check Engine trên bảng đồng hồ điều khiển. Đèn báo chỉ sáng khi sự cố vật lý hoặc lỗi mạch đã thực sự xảy ra trong hệ thống. Cách tiếp cận bị động này khiến chi phí sửa chữa tăng cao và tiềm ẩn nhiều nguy cơ mất an toàn khi xe vận hành. Việc đọc mã lỗi DTCs thông thường chỉ diễn ra định kỳ tại các gara chuyên dụng. Phương thức này không cung cấp thông tin liên tục về tình trạng suy giảm hiệu năng của các cụm chi tiết động cơ. Dữ liệu cảm biến biến thiên liên tục nhưng không được ghi nhận và phân tích tức thời. Thách thức lớn đặt ra là làm thế nào để truyền tải khối lượng lớn dữ liệu cảm biến OBD-II về máy chủ với độ trễ thấp và băng thông tối thiểu. Hơn nữa, việc phát hiện các sai lệch nhỏ trong chuỗi dữ liệu trước khi phát sinh hư hỏng đòi hỏi các thuật toán phân tích chuyên sâu.

2.1. Hạn chế của phương pháp chẩn đoán lỗi bị động

Phương pháp chẩn đoán truyền thống dựa vào mã lỗi DTCs bộc lộ nhiều điểm yếu. Mã lỗi chỉ xuất hiện khi chi tiết cơ khí hoặc cảm biến đã vượt qua ngưỡng hư hại cho phép. Người điều khiển phương tiện thường không nhận biết được các rủi ro tiềm ẩn trong quá trình vận hành. Ví dụ, nhiệt độ nước làm mát tăng dần do rò rỉ két nước sẽ không kích hoạt đèn cảnh báo ngay lập tức. Động cơ có thể bị quá nhiệt và bó máy trước khi hệ thống kịp ghi nhận mã lỗi chính thức. Hậu quả là chi phí khắc phục hư hỏng động cơ tăng lên rất nhiều lần.

2.2. Vấn đề truyền nhận và xử lý dữ liệu viễn thông lớn

Dữ liệu phát sinh từ cổng OBD-II có tần suất cao và liên tục theo từng mili giây. Việc truyền toàn bộ dữ liệu thô qua mạng di động 4G gây tốn kém chi phí băng thông và gây nghẽn mạng. Môi trường di chuyển ngoài thực tế thường xuyên xảy ra tình trạng mất sóng hoặc chập chờn tín hiệu mạng. Nếu không có cơ chế lưu trữ đệm và đồng bộ hóa thông minh, các gói dữ liệu quan trọng sẽ bị thất thoát. Do đó, hệ thống cần một kiến trúc truyền thông nhẹ, tối ưu hóa giao thức truyền tải và có khả năng khôi phục kết nối tự động nhằm đảm bảo tính toàn vẹn dữ liệu.

III. Giải pháp học máy và kiến trúc MQTT theo luận văn ths 21141351

Nghiên cứu của tác giả Phan Minh Ngàn đề xuất mô hình giải pháp kết hợp giữa phần cứng thu thập OBD-II và máy chủ xử lý đám mây. Hệ thống sử dụng giao thức truyền thông MQTT với kiến trúc Publish/Subscribe gọn nhẹ và tối ưu băng thông di động. Thiết bị OBD-II tích hợp module 4G đóng vai trò Publisher gửi định kỳ dữ liệu cảm biến và tọa độ GPS lên Broker trung gian. MQTT Broker như Mosquitto hoặc HiveMQ tiếp nhận, quản lý phiên kết nối và chuyển tiếp dữ liệu đến máy chủ phân tích. Tại máy chủ, module xử lý tiến hành làm sạch, chuẩn hóa dữ liệu và lọc nhiễu tín hiệu. Các thuật toán học máy được áp dụng song song để thực hiện hai nhiệm vụ then chốt. Mô hình LSTM và ARIMA được ứng dụng để dự báo chuỗi thời gian đối với các thông số như nhiệt độ khí nạp và mức tiêu hao nhiên liệu. Đồng thời, thuật toán Isolation Forest và Random Forest đảm nhận vai trò phát hiện các điểm bất thường và phân loại nguy cơ hỏng hóc tức thời.

3.1. Thiết kế kiến trúc truyền thông MQTT và định tuyến dữ liệu

Hạ tầng truyền thông sử dụng mô hình ba thành phần gồm Publisher, Broker và Subscriber. Thiết bị OBD-II trên xe đóng vai trò Publisher gửi các gói dữ liệu telemetry và GPS theo chu kỳ mười giây một lần. MQTT Broker duy trì kết nối liên tục qua phiên làm việc TCP/IP, hỗ trợ lưu trữ tạm thời và gửi lại gói tin khi mạng phục hồi. Các chủ đề topic được cấu trúc phân cấp linh hoạt theo định dạng định danh phương tiện. Máy chủ phân tích đóng vai trò Subscriber đăng ký nhận dữ liệu theo từng topic tương ứng. Cấu trúc này tối ưu tốc độ truyền nhận và cho phép mở rộng không giới hạn số lượng phương tiện kết nối.

3.2. Ứng dụng mô hình học máy trong dự đoán chuỗi thời gian

Mô hình học sâu LSTM được ứng dụng để phân tích và dự báo chuỗi thời gian cho các thông số nhiệt độ động cơ. Thuật toán có khả năng ghi nhớ các phụ thuộc dài hạn trong dữ liệu vận hành thực tế. Khi nhiệt độ khí nạp vượt ngưỡng 50 độ C hoặc có tốc độ tăng trên 5 độ C mỗi phút, hệ thống tự động kích hoạt cảnh báo sớm. Thuật toán Random Forest kết hợp phân tích tương quan giữa tốc độ xe và vòng tua máy để phát hiện mức tiêu hao nhiên liệu bất thường. Cơ chế học máy giúp phát hiện các nguy cơ hỏng hóc tiềm ẩn trước khi chúng chuyển thành sự cố kỹ thuật nghiêm trọng.

IV. Đánh giá ứng dụng thực tiễn từ luận văn ths MSHV 21141351 IUH

Luận văn thạc sĩ của học viên Phan Minh Ngàn đã xây dựng thành công giải pháp phần mềm dự đoán và cảnh báo sớm tình trạng ô tô qua cổng OBD-II. Kết quả nghiên cứu chứng minh tính hiệu quả vượt trội của việc kết hợp học máy và điện toán đám mây trong chẩn đoán kỹ thuật ô tô. Hệ thống không chỉ xử lý chính xác dữ liệu viễn thông lớn mà còn cung cấp khả năng cảnh báo sớm với độ trễ tối thiểu. Thông tin cảnh báo được gửi tự động đến người dùng qua ứng dụng di động, hệ thống thông báo đẩy và email quản trị. Đề tài mở ra hướng đi mới trong việc ứng dụng trí tuệ nhân tạo vào ngành công nghiệp ô tô tại Việt Nam. Công trình có khả năng ứng dụng thực tiễn cao cho các doanh nghiệp quản lý đội xe vận tải nhằm tối ưu hóa chi phí vận hành và bảo dưỡng định kỳ. Trong tương lai, hệ thống có thể mở rộng tích hợp thêm các cảm biến phụ trợ và nâng cấp mô hình học sâu để nâng cao hơn nữa độ chính xác dự đoán.

4.1. Lợi ích kinh tế và kỹ thuật trong quản lý phương tiện

Hệ thống giúp các đơn vị vận tải giảm thiểu đáng kể chi phí bảo dưỡng thông qua cơ chế phát hiện sớm hư hỏng. Việc ngăn ngừa sự cố quá nhiệt động cơ hoặc tiêu hao nhiên liệu bất thường kéo dài tuổi thọ cho phương tiện. Ban quản lý đội xe có thể theo dõi trực quan vị trí và trạng thái kỹ thuật của từng đầu xe trên giao diện bản đồ số. Quy trình phân tích dữ liệu tự động giúp loại bỏ thao tác kiểm tra thủ công rườm rà. Doanh nghiệp nâng cao hiệu suất khai thác đội xe và giảm thiểu thời gian dừng hoạt động do sự cố kỹ thuật bất ngờ.

4.2. Hướng phát triển và hoàn thiện hệ thống trong tương lai

Nghiên cứu mở ra nhiều triển vọng mở rộng và nâng cấp tính năng cho hệ thống trong tương lai. Tác giả đề xuất tích hợp thêm các cảm biến độ rung và cảm biến âm thanh chuyên dụng vào kiến trúc phần cứng. Việc bổ sung nguồn dữ liệu đa phương thức giúp mô hình học sâu nhận diện chính xác các hao mòn cơ khí phức tạp. Ngoài ra, giao diện người dùng trên nền tảng web và thiết bị di động có thể được tối ưu hóa hơn nữa. Nghiên cứu cũng hướng đến khả năng triển khai mô hình học máy trực tiếp tại thiết bị biên Edge Computing nhằm giảm tải cho máy chủ đám mây.

Trích đoạn nội dung tài liệu

CHƯƠNG 1 TỔNG QUAN 1.1 Nghiên cứu trong và ngoài nước 1.1 Nghiên cứu trong nước Trong những năm gần đây, việc ứng dụng giao tiếp qua giao thức OBD-II trong giám sát tình trạng kỹ thuật của xe đã nhận được nhiều sự quan tâm tại Việt Nam. Nghiên cứu [1] ứng dụng thiết bị OBD-II WiFi để nghiên cứu tiêu hao nhiên liệu thực tế của ô tô Hyundai i20, kết quả cho thấy suất tiêu hao nhiên liệu thực tế cao hơn 16% so với công bố của hãng, và tăng đáng kể trong điều kiện đô thị hoặc đèo dốc. Một nghiên cứu khác [2] dẫn đầu đã thiết kế thiết bị đọc dữ liệu động qua OBD-II dựa trên Arduino Uno và Can Bus Shield, áp dụng chẩn đoán theo ngưỡng tín hiệu với thời gian khảo sát nhanh hơn 50 lần so với máy chẩn đoán thông thường, giá thành rẻ hơn 60%. Các tài liệu từ OBD Việt Nam cung cấp hướng dẫn sử dụng máy chẩn đoán cầm tay cho OBD-II.

Tổng thể, nghiên cứu trong nước còn hạn chế về quy mô lớn và ứng dụng học máy, nhưng đang phát triển hướng tới tích hợp IoT và học máy cho giám sát thời gian thực, phù hợp với nhu cầu địa phương[1]. Trong nghiên cứu [3] đã đề xuất sử dụng các mô hình học sâu như Autoencoder để phát hiện các bất thường trong lưu lượng mạng, giúp cảnh báo sớm các cuộc tấn công mạng. Một hướng tiếp cận khác của nghiên cứu [4] dùng các phương pháp phân cụm để phân tích dữ liệu logs máy chủ, tự động phát hiện các trạng thái vận hành bất thường và gửi cảnh báo cho quản trị viên hệ thống. Về mảng “dự đoán”, nghiên cứu [5] đã thực hiện so sánh các mô hình học máy truyền thống (như ARIMA, Hồi quy) và các mô hình học sâu (như LSTM, GRU) để dự báo lưu lượng truy cập mạng, nhằm tối ưu hóa tài nguyên.

Trong lĩnh vực tài chính, nghiên cứu [6] cũng áp dụng các mô hình học máy để dự đoán xu hướng giá của các mã cổ phiếu hoặc giá nông sảng, dựa trên dữ liệu lịch sử dạng chuỗi thời gian. Qua tổng quan trên, có thể nhận thấy rằng các nghiên cứu tại Việt Nam chủ yếu phát triển theo hai hướng rõ rệt: (1) Nhóm nghiên cứu tập trung vào ứng dụng thực tiễn 5 của OBD-II, chủ yếu phục vụ giám sát trạng thái xe ở mức cơ bản như đọc thông số và chẩn đoán dựa trên ngưỡng cố định; và (2) Nhóm nghiên cứu chuyên sâu về phương pháp luận, bao gồm phát hiện bất thường và dự báo chuỗi thời gian, tuy không trực tiếp hướng vào OBD-II nhưng được triển khai trong nhiều lĩnh vực khác. Các phương pháp xử lý và dự đoán chuỗi thời gian ở hướng (2) hoàn toàn có thể được kế thừa và tích hợp vào bài toán dự đoán xu hướng các tham số kỹ thuật của xe, chẳng hạn nhiệt độ động cơ, RPM, hoặc điện áp; dựa trên dữ liệu thu được từ giao thức OBD-II. Điều này mở ra khả năng nâng cấp mô hình giám sát từ mức "theo ngưỡng" sang mức "dự báo và cảnh báo sớm" có cơ sở khoa học hơn.2 Nghiên cứu ngoài nước Trong những năm gần đây, cùng với sự phát triển mạnh mẽ của công nghệ Internet vạn vật (IoT), học máy (Machine Learning – ML) và trí tuệ nhân tạo (Artificial Intelligence – AI), việc ứng dụng các kỹ thuật này vào lĩnh vực giám sát, dự đoán và cảnh báo sớm tình trạng xe thông qua chuẩn giao tiếp OBD-II (On-Board Diagnostics II) đã trở thành một hướng nghiên cứu nổi bật.

Mục tiêu chính của các công trình này là tăng độ tin cậy vận hành, giảm thiểu thời gian ngừng hoạt động, nâng cao hiệu quả bảo dưỡng và đảm bảo an toàn cho người sử dụng. Dữ liệu thu thập từ cổng OBD-II bao gồm các thông số động cơ, vận tốc, vòng tua, nhiệt độ nước làm mát, mức tiêu thụ nhiên liệu, hay tình trạng khí thải - đóng vai trò nền tảng trong quá trình xây dựng các mô hình dự đoán và phân tích bất thường của hệ thống phương tiện. Theo nghiên cứu [7], việc phân tích xu hướng tiêu thụ nhiên liệu qua OBD-II giúp dự đoán hỏng hóc hệ thống phun nhiên liệu với độ nhạy 91%. Phương pháp này hiệu quả hơn ngưỡng cố định, nhưng đòi hỏi dữ liệu lịch sử đủ lớn.

Nghiên cứu của [8] đã áp dụng mạng nơ-ron sâu để phát hiện bất thường trong hệ thống động cơ, đạt độ chính xác 94%. Dù vậy, phương pháp này phức tạp và cần tài nguyên tính toán lớn, chưa tối ưu cho ứng dụng cá nhân. Nghiên cứu [9] trong đó nhóm tác giả đề xuất phương pháp học máy để phát hiện bất thường không giám sát cho bảo dưỡng dự đoán xe, dựa trên dữ liệu cảm biến thu từ OBD-II như tốc độ động cơ, nhiệt độ nước làm mát và mức tải của động cơ. Phương pháp này không dựa trên dữ liệu nhãn mà chuyển đổi các 6 chuỗi dữ liệu cảm biến thành ma trận tương quan giữa các tín hiệu, sau đó áp dụng thuật toán Closest-Pair để xác định mức độ sai lệch so với trạng thái vận hành tham chiếu (reference state).

Kết quả thực nghiệm cho thấy mô hình đạt độ chính xác 78% và có khả năng phát hiện gần 50% sự cố tiềm ẩn trong vòng 30 ngày, vượt trội hơn các mô hình học sâu tiên tiến như TranAD, đồng thời giảm đáng kể yêu cầu về dữ liệu huấn luyện có nhãn. Nghiên cứu này mở ra hướng đi mới trong việc ứng dụng học không giám sát để phát hiện sớm hư hỏng cơ học mà không cần dữ liệu lỗi lịch sử phong phú. Theo tác giả nghiên cứu [10] tập trung vào việc phát triển mô hình ra quyết định tối ưu dựa trên học sâu cho hệ thống giám sát sức khỏe xe (Vehicle Health Monitoring System). Nhóm tác giả tiến hành phân tích tài liệu kỹ thuật và dữ liệu thực nghiệm để xác định 9 thành phần chính dễ bị hỏng của xe (như động cơ, hộp số, hệ thống làm mát, phanh, v.), từ đó xây dựng mô hình mạng nơ-ron ngẫu nhiên (Random Neural Network – NNRW) gồm 4 lớp ẩn để phân loại tình trạng xe thành bốn mức độ: tốt, nhẹ, trung bình và nghiêm trọng.

Mô hình đề xuất đạt độ chính xác 95,5%, cao hơn đáng kể so với các thuật toán học máy truyền thống như SVM, KNN và Decision Tree. Kết quả này khẳng định hiệu quả vượt trội của các mô hình học sâu phi tuyến tính trong việc nhận dạng và dự báo mức độ suy giảm hiệu suất của phương tiện. Bên cạnh đó, nghiên cứu [11]đã thực hiện một tổng quan hệ thống (systematic review) về các ứng dụng học máy dựa trên dữ liệu OBD-II trong các lĩnh vực lái xe bền vững, hiệu quả nhiên liệu và an toàn giao thông. Nghiên cứu này chỉ ra rằng các mô hình tiên tiến như LSTM (Long Short-Term Memory), Random Forest (RF) và XGBoost đang được sử dụng phổ biến nhằm tối ưu hóa hiệu suất động cơ và kiểm soát khí thải.

Đặc biệt, mô hình PA-LSTM (Pollutant-Aware LSTM) đạt hệ số xác định R² = 97,58% trong việc dự đoán đồng thời nhiều loại khí ô nhiễm (NO, NO₂, CO, CO₂), cho thấy tiềm năng to lớn của học sâu trong dự đoán đa biến và bảo dưỡng dự đoán dựa trên môi trường. Công trình này nhấn mạnh vai trò của OBD-II như nguồn dữ liệu trọng yếu phục vụ phân tích hành vi vận hành và phát thải của xe, hướng đến mục tiêu phát triển giao thông thông minh và bền vững. Một hướng nghiên cứu của [12] đáng chú ý là mô hình bảo dưỡng dự đoán tích hợp học sâu kết hợp giữa LSTM và thuật toán phân cụm K-means nhằm phân tích dữ liệu thời gian thực từ 7 OBD-II trong điều kiện không có nhãn. Mô hình này cho phép phân nhóm các trạng thái vận hành của xe và đồng thời dự đoán xu hướng thay đổi thông số động cơ theo thời gian, đạt giá trị R² = 97,5% trong đánh giá thực nghiệm.

So với các mô hình riêng lẻ như GRU (Gated Recurrent Unit) hay RNN (Recurrent Neural Network), mô hình lai ghép này thể hiện hiệu quả cao hơn trong việc nắm bắt động học phức tạp của hệ thống cơ điện tử, giúp giảm thiểu sự cố bất ngờ và kéo dài tuổi thọ của phương tiện. Tổng hợp các nghiên cứu trên cho thấy xu hướng quốc tế đang chuyển dịch từ mô hình bảo dưỡng phản ứng sang mô hình bảo dưỡng dự đoán chủ động dựa trên học máy và dữ liệu OBD-II. Các phương pháp hiện đại không chỉ hướng đến độ chính xác cao trong dự báo lỗi mà còn chú trọng khả năng triển khai thực tế, mở rộng và tự động hóa, giúp tối ưu hóa chi phí, nâng cao độ an toàn và kéo dài tuổi thọ phương tiện. Đây chính là nền tảng lý luận và thực tiễn quan trọng cho các nghiên cứu và phát triển hệ thống dự đoán và cảnh báo sớm tình trạng xe thông minh trong bối cảnh cách mạng công nghiệp 4.

8 CHƯƠNG 2 CƠ SỞ LÝ THUYẾT 2.1 Thông số kỹ thuật, dự đoán và ngưỡng cảnh báo Các thông số kỹ thuật trong hệ thống OBD-II là các dữ liệu thu thập từ cảm biến, phản ánh tình trạng vận hành của xe, bao gồm cả xe động cơ đốt trong và xe điện. Những thông số này được sử dụng để đặt ngưỡng cảnh báo, dự đoán tình trạng tương lai dựa trên phân tích dữ liệu, và hỗ trợ ra quyết định bảo dưỡng. Phương pháp dự đoán thường dựa trên các kỹ thuật như ngưỡng cố định phân tích xu hướng, và học máy, nhằm phát hiện bất thường sớm để tránh hỏng hóc lớn, giảm chi phí và tăng an toàn. Ví dụ, ngưỡng cảnh báo có thể được định nghĩa bằng công thức đơn giản như: Nếu giá trị đo 𝑣 > 𝑣𝑚𝑎𝑥 hoặc 𝑣 < 𝑣𝑚𝑖𝑛 , thì kích hoạt cảnh báo, trong đó 𝑣𝑚𝑎𝑥 và 𝑣𝑚𝑖𝑛 là giới hạn dựa trên tiêu chuẩn nhà sản xuất hoặc quy định môi trường như California Air Resources Board (CARB)[11].

Phương pháp áp đụng trên các thông số kỹ thuật để phân tích dữ liệu dựa theo Bảng 2.1 Thông số kỹ thuật của xe động cơ đốt trong Thông số OBD-II Dự đoán/Cảnh báo Tốc độ động cơ Động cơ vượt ngưỡng Tốc độ xe Cảnh báo vi phạm vận tốc bất thường Nhiệt độ nước làm mát Quá nhiệt động cơ Áp suất khí nạp Áp suất tăng bất thường Nhiên liệu tiêu thụ L/100km Lượng tiêu hao nhiên liệu tăng bất thường Nhiệt độ khí nạp Nhiệt độ khí nạp quá nóng Bảng 2.