ВВЕДЕНИЕ 5
1 Анализ автоматизированных систем испытаний 6
1.1 Автоматизированные испытания электронных блоков управления
автомобилем 6
1.2 MIL тестирование 8
1.3 HIL тестирование 8
2 Анализ рынка HIL лабораторий 9
2.1 Программно-аппаратный комплекс полунатурных испытаний
компании dSPACE 9
2.1.1 Implementation Software 10
2.1.2 Test and Experiment Software 11
2.1.3 dSPACE Simulator 11
2.1.4 SCALEXIO 11
2.1.5 HIL-Системы: Software-Компоненты 14
2.1.6 Компоненты HIL-симуляции 15
2.1.7 Клиенты компании 17
2.1 Программно-аппаратный комплекс полунатурных испытаний
компании VECTOR 19
2.1.1 Интегрированный интерфейс для ECU 20
2.1.2 Выполняемые функции 20
2.1.3 Электрические характеристики для автомобильного испытания ECU 20
2.1.4 Виды стендов испытания 20
2.1.5 Управление периферийными устройствами ЭБУ 20
2.1.6 Модуль нагрузки и измерения VT1004-Обзор 21
2.1.7 Концепция Интерфейса 23
2.2 Программно-аппаратный комплекс полунатурных испытаний
компании National Instruments 25
2.2.1 Архитектура 25
2.3 Программно-аппаратный комплекс полунатурных испытаний
компании ETAS 27
2.3.1 Обзор компонентов LABCAR HiL Systems 27
2.3.2 Функции HIL ETAS 27
2.3.3 Моделирование в реальном времени 28
2.3.4 Конфигурация моделей до фактического тестирования ECU.... 29
2.3.6 Операционная система 31
2.3.7 ETAS LABCAR-OPERATOR 31
2.3.8 LABCAR-АВТОМАТИКА 32
2.3.9 PT-LABCAR 33
2.4 Сравнение HIL систем производителей 34
3 Разработка систем моделирования управления ЭБУ, испытания и
прототипирования 37
3.1 HIL тестирование 39
3.2 Модель системы окружения 41
3.3 Модель системы управления 44
3.4 Тестовая последовательность 48
3.5 Блок быстрого прототипирования для MIL тестирования на базе
нейронной сети 49
3.6 База правил ЭБУ 49
3.7 Формирование выборки для НС 53
3.8 Вывод результатов тестирования 53
3.9 MIL тестирование 58
3.10 Полнофункциональная модель ЭБУ 59
3.11 Результат динамических испытаний 65
4 Математический аппарат 67
4.1 Классификация ИС 74
4.3 Методы классификации и прогнозирования. Нейронные сети 78
4.2 Элементы нейронных сетей 81
4.3 MATLAB Neural Network Toolbox 85
4.3.1 Neural Network Toolbox 85
4.3.2 Аппроксимация данных, кластеризация и распознавание образов .... 86
4.3.3 Контролируемые нейронные сети (обучения с учителем) 87
4.3.4 Неконтролируемые сети (обучение без учителя) 88
4.3.5 Алгоритмы тренировки и обучения 89
4.3.6 Подготовка данных и обработка результатов (препроцессинг и
постпроцессинг) 91
4.3.7 Улучшение обобщающей способности 93
4.3.8 Блоки Simulink и приложения для систем управления 93
4.3.9 Приложения для систем управления 94
4.3.10 Распределенные вычисления 95
4.3.11 Вычисления на GPU 95
5 Алгоритм Левенберга — Марквардта 96
5.1 Алгоритм Левенберга — Марквардта для нелинейного метода наименьших квадратов 96
6 Реализация 101
6.1 Сходимость данных 119
ЗАКЛЮЧЕНИЕ 121
СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ 122
В Российской федерации требования ЕВРО 4 вступили в силу 1 февраля 2012 года. Требования ЕВРО 4 невозможно выполнить, используя механические системы топливоподачи, по этой причине автопроизводители перешли на электронное управление ДВС с многофазным впрыском, после этого появилась необходимость внедрять электронное управление в остальные системы автомобиля. Появились блоки управления электрооборудованием автомобиля, бортовой электрики, центральный блок управления автомобилем, тормозной системой, рулевым механизмом, замком зажигания, подвеской, трансмиссией, системой нейтрализации отработавших газов, комбинацией приборов. Каждый электронный компонент необходимо испытать по требованиям ГОСТ Р 50571.16-99. Натурных испытаний достаточно при малом количестве выходных данных ЭБУ. А если выходных сигналов, больше 1000, то провести натурные испытания не представляется возможным, или занимает слишком много времени. Натурные испытания это субъективный анализ, есть человеческий фактор, есть необходимость человеку сравнивать результаты тестирования с контрольными значениями. Трудно записать лог файл для анализа значений входа и выхода ЭБУ. При постоянно расширяющемся функционале ЭБУ, появляется необходимость в автоматизированных испытаниях. Это могут MIL, или HIL тестирование. Для MIL тестирования часто не хватает информации о алгоритмах обработки данных электронным блоком. По этой причине чаще всего испытания на HIL оказываются наиболее быстрым и результативным. Есть необходимость разработать систему управления ЭБУ, испытаний и прототипирования с использованием методов искусственного интеллекта.
Использование полунатурных-программно аппаратных комплексов в автомобильной промышленности для испытаний электроники, сокращает время испытания ЭБУ, а также устраняет необходимость использования целого автомобиля и привлечения большого количества людей для тестирования одной функции, что является более экономически выгодным. Для проведения HIL тестирования достаточно одного человека. Применение методов искусственного интеллекта для формирования базы правил, упрощает реконфигурацию стенда, и автоматически формирует отчет результатов тестирования, в удобном для восприятия виде. Была разработана модель для проведения автоматизированной подготовки испытаний MIL на базе HIL тестирования, с автоматической валидацией прототипа ЭБУ. Для прототипа была выбрана двухслойная сеть с прямой связью, со скрытым слоем нейронов сигмоидального типа и линейными выходными нейронами. Этот тип сети подходит для многомерных задач отображения, при задании согласованных данных и достаточном количестве нейронов в скрытом слое. В процессе испытаний при первом приближении была достигнута сходимость результатов тестирования ЭБУ и прототипа на 92%, данное значение не соответствует целевому значению максимального отклонения 5%, по этой причине был проведен еще один цикл испытаний при котором была сформирована новая выборка и проведено второе приближение, в котором было достигнуто значение сходимости 99%. Разработанная модель работоспособна и позволяет с достаточной степенью точности имитировать внешнее окружение ЭБУ, проводить стендовые испытания и формировать модель испытываемого блока управления.
