Change search
ReferencesLink to record
Permanent link

Direct link
Signalvalidering i tungt motorfordon med Neuarala Nätverk
KTH, School of Industrial Engineering and Management (ITM), Machine Design (Dept.).
2010 (Swedish)Independent thesis Advanced level (degree of Master (Two Years)), 20 credits / 30 HE creditsStudent thesisAlternative title
Signal validation in an automotive vehicle using Neural Networks (English)
Abstract [sv]

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. 

Abstract [en]

The goal of this thesis has been to design and develop new methods for automated testing and validation of information sent over CAN (controller-area-network) in a heavy truck. Signal content is realized in the several complex and distributed systems. An implementation has been made where logged CAN-traffic data taken from a HIL (Hardware-In-The-Loop) environment where automatically tested and analyzed. The tests were carried out at two levels: functional and non functional. The nonfunctional part has been designed to test message timing requirements with compensation for ignition interference. In addition, the signal content is tested to find invalid error levels. The results indicate that the proposed method can be used to detect invalid signal levels as well as timeouts using a log file. The functional tests have been developed using Neural Network which has been trained to imitate the behavior of a function at signal level. This has been implemented and tested on three systems: ABS (Anti-lock Brake System), Cruise Control and generator status. After a network has been trained, its output compared with the actual system and the difference is used to determine if the output is correct or not. To test this method error injection has been used to create artificial errors and then examine how well the Neural Network method is able to find these errors. The results indicate that Neural Networks can be used to find erroneous signal content. However the complexity of distributed systems makes the method more suitable for ECU-level testing due to the fact that in the latter case the inputs and outputs are more clearly defined. The proposed method leads to two main challenges: the first challenge especially in an automotive application is to understand the very intricate relationships between different signals. The second challenge is to create a training dataset which well represents the entire functionality of the modeled system.

Place, publisher, year, edition, pages
2010.
Series
, MMK 2010:45 MDA 379
National Category
Mechanical Engineering
Identifiers
URN: urn:nbn:se:kth:diva-32883OAI: oai:DiVA.org:kth-32883DiVA: diva2:412740
Uppsok
Technology
Supervisors
Examiners
Available from: 2011-04-27 Created: 2011-04-26 Last updated: 2015-11-03Bibliographically approved

Open Access in DiVA

fulltext(2317 kB)195 downloads
File information
File name FULLTEXT01.pdfFile size 2317 kBChecksum SHA-512
2b45aecc94188079817bbb5e2ca6793a23eaf568d109c1cee11ac218494e2ef17d1ed7734b4e8537af6c861df6cea87cc01659a1ddff68424a48130fde19bc74
Type fulltextMimetype application/pdf

By organisation
Machine Design (Dept.)
Mechanical Engineering

Search outside of DiVA

GoogleGoogle Scholar
Total: 195 downloads
The number of downloads is the sum of all downloads of full texts. It may include eg previous versions that are now no longer available

Total: 160 hits
ReferencesLink to record
Permanent link

Direct link