Signalvalidering i tungt motorfordon med NeuaralaNätverk
SammanfattningDetta examensarbete har haft till syfte att ta fram nya metoder för automatiseradtestning och validering av information som skickas över CAN (Controller-Area-Network)i en tung Lastbil. Signalinnehållet realiseras i flertalet komplexa och distribueradesystem. En implementering har gjorts där loggad CAN-trafikdata från en HIL (HardwareIn the Loop) miljö automatiskt analyserats och testats.Testen har genomförts på två nivåer: funktionell och ickefunktionell. Där denickefunktionella delen har testat tidkrav på meddelanden med kompensation förtändningsstörningar. Dessutom har signalinnehållet testats för att finna ogiltigafelflaggor. Resultaten för den ickefunktionella delen indikerar att den valda metodenlämpar sig för att hitta både felaktiga signalflaggor men även timeouter påmeddelanden. På funktionell nivå har en metod tagits fram där Neurala Nätverk haranvänts för att lära sig att härma en funktions beteende på signalnivå. I detta fall: ABS(Anti Brake lock System), Cruise Control och generatorstatus. Efter det att ett nätverktränats upp har dess utsignal jämförts med det faktiska systemets. För att testametoden har felinjicering använts för att skapa artificiella fel och därefter undersöka hurbra metoden är på att finna dessa fel. Resultaten visar att Neurala Nätverk kananvändas för att hitta felaktigheter i signalinnehåll. Komplexiteten hos distribueradesystem gör dock att metoden lämpar sig bättre på ECU-nivå där ingående och utgåendevärden är tydligare definierade.Användandet av den föreslagna metoden leder till två stora utmaningar: Den förstaligger i att förstå komplexiteten mellan olika signaler. Den andra är att skapa ettträningsdataset som väl representerar det modellerade systemet.