Signalvalidering i tungt motorfordon med NeuaralaNätverk

Sammanfattning

Sammanfattning

Detta examensarbete har haft till syfte att ta fram nya metoder för automatiserad

testning och validering av information som skickas över CAN (Controller-Area-Network)

i en tung Lastbil. Signalinnehållet realiseras i flertalet komplexa och distribuerade

system. En implementering har gjorts där loggad CAN-trafikdata från en HIL (Hardware

In the Loop) miljö automatiskt analyserats och testats.

Testen har genomförts på två nivåer: funktionell och ickefunktionell. Där den

ickefunktionella delen har testat tidkrav på meddelanden med kompensation för

tändningsstörningar. Dessutom har signalinnehållet testats för att finna ogiltiga

felflaggor. Resultaten för den ickefunktionella delen indikerar att den valda metoden

lämpar sig för att hitta både felaktiga signalflaggor men även timeouter på

meddelanden. På funktionell nivå har en metod tagits fram där Neurala Nätverk har

använts 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 nätverk

tränats upp har dess utsignal jämförts med det faktiska systemets. För att testa

metoden har felinjicering använts för att skapa artificiella fel och därefter undersöka hur

bra metoden är på att finna dessa fel. Resultaten visar att Neurala Nätverk kan

användas för att hitta felaktigheter i signalinnehåll. Komplexiteten hos distribuerade

system gör dock att metoden lämpar sig bättre på ECU-nivå där ingående och utgående

värden är tydligare definierade.

Användandet av den föreslagna metoden leder till två stora utmaningar: Den första

ligger i att förstå komplexiteten mellan olika signaler. Den andra är att skapa ett

träningsdataset som väl representerar det modellerade systemet.