基于改进连续型Hopfield神经网络的CAN总线负载率优化

doi:10.19562/j.chinasae.qcgc.2023.12.016

摘要/Abstract

摘要：

CAN总线负载率对于车载总线的安全性与时延性有至关重要的作用。鉴于传统的连续型Hopfield神经网络（CHNN）在解决此类问题时存在惩罚参数鲁棒性差和所得解易陷入局部最优的缺陷，本文借助模拟退火算法中的蒙特卡洛思想，提出应用于CAN总线负载率优化问题的改进连续性Hopfield神经网络算法（SA-CHNN）。选取微型电动车中99条通信信号作为实验数据进行测试，结果表明，SA-CHNN算法成功解决传统CHNN算法求解CAN总线负载率优化问题的不足，具有明显的优越性。最后，基于搭建的Simulink-Speedgoat CAN总线实验平台对SA-CHNN算法得到的最优信号分配的报文进行实时负载率仿真验证，结果表明SA-CHNN算法的准确性。

关键词: CAN总线, 负载率, 神经网络, 模拟退火法, Metropolis准则

Abstract:

The Busload rate of CAN bus is of vital importance to the security and delay bounds of Vehicle-Bus. Whereas， the traditional continuous Hopfield neural network （Continuous Hopfield Neural Network， CHNN） has the defects of poor penalty parameter robustness and the resulting solution that easy to be trapped in local optimality when solving such problems， based on the Metropolis thought in the simulated annealing algorithm， an improved continuous Hopfield neural network algorithm （SA-CHNN） applied to the CAN bus load rate optimization problem is proposed in this paper. Micro-electric vehicle’s ninety-nine communication signals are selected and tested as experimental data. The results show that the SA-CHNN algorithm successfully solves the problems of the traditional CHNN algorithm in solving the CAN bus load rate optimization， which has obvious advantages. Finally， based on the Simulink-Speedgoat CAN bus experimental platform， the real-time load rate simulation with the optimal signal distribution messages is conducted and the result reveals the accuracy of the SA-CHNN algorithm.

Key words: CAN bus, load rate, neural network, simulate annealing algorithm, Metropolis guidelines

何智成,杜磊浩,周恩临,覃高峰,黄晋. 基于改进连续型Hopfield神经网络的CAN总线负载率优化[J]. 汽车工程, 2023, 45(12): 2338-2347.

Zhicheng He,Leihao Du,Enlin Zhou,Gaofeng Qin,Jin Huang. CAN Bus Load Rate Optimization Based on Improved Continuous Hopfield Neural Network[J]. Automotive Engineering, 2023, 45(12): 2338-2347.

图/表 15

图1

图2

表1

图3

表2

图4

图5

图6

表3

图7

图8

图9

图10

图11

图12

参考文献 16

1	SPECIFICATION C A N. Bosch［J］. Robert Bosch GmbH， Postfach， 1991， 50.
2	DI NATALE M， ZENG H， GIUSTO P， et al. Understanding and using the controller area network communication protocol： theory and practice［M］. Springer Science & Business Media， 2012.
3	SHUAI Z， ZHANG H， WANG J， et al. Combined AFS and DYC control of four-wheel-independent-drive electric vehicles over CAN network with time-varying delays［J］. IEEE Transactions on Vehicular Technology， 2013， 63（2）： 591-602.
4	TAUBE J， HARTWICH F， BEIKIRCH H. Comparison of CAN gateway modules for automotive and industrial control applications［C］.Proceedings of the 10th international CAN Conference （iCC2005）， 2005.
5	SOMMER J， BLIND R. Optimized resource dimensioning in an embedded CAN-CAN gateway［C］. 2007 International Symposium on Industrial Embedded Systems. IEEE， 2007： 55-62.
6	SOJKA M， PÍŠA P， ŠPINKA O， et al. Measurement automation and result processing in timing analysis of a Linux-based CAN-to-CAN gateway［C］. Proceedings of the 6th IEEE International Conference on Intelligent Data Acquisition and Advanced Computing Systems. IEEE， 2011， 2： 963-968.
7	AZKETA E， GUTIÉRREZ J J， PALENCIA J C， et al. Schedulability analysis of multi-packet messages in segmented CAN［C］.Proceedings of 2012 IEEE 17th International Conference on Emerging Technologies & Factory Automation （ETFA 2012）. IEEE， 2012： 1-8.
8	LIU J， ZHANG S， SUN W， et al. In-vehicle network attacks and countermeasures： challenges and future directions［J］. IEEE Network， 2017， 31（5）： 50-58.
9	刘洪鹏，唐国强. CAN 总线负载率算法及优化设计［J］. 客车技术与研究， 2019， 5.
	LIU H P， TANG G Q. Algorithm and optimization design of CAN bus load rate［J］. Bus & Coach Technology and Research， 2019， 5.
10	COOK J A， FREUDENBERG J S. Controller area network （CAN）［J］. EECS， 2007， 461： 1-5.
11	NOLTE T， HANSSON H， NORSTROM C. Minimizing CAN response-time jitter by message manipulation［C］.Proceedings. Eighth IEEE Real-Time and Embedded Technology and Applications Symposium. IEEE， 2002： 197-206.
12	NAN J R， CUI S C， CHAI Z. Research on CAN bus of pure electric vehicles based on SAEJ1939［C］. Advanced Materials Research. Trans Tech Publications Ltd， 2012， 512： 2650-2656.
13	POLZLBAUER F， BATE I， BRENNER E. Optimized frame packing for embedded systems［J］. IEEE Embedded Systems Letters， 2012， 4（3）： 65-68.
14	赵公旗，冯宝存，赵红玉，等.浅谈车载总线负载对网络传输影响及优化［J］.汽车电器，2015（12）：22-24.
	ZHAO G Q， FENG B C， ZHAO H Y， et al. Influence of vehicle busload on network transmission and its optimization［J］. Automotive Appliances， 2015（12）：22-24.
15	巢宽宏. 基于神经网络的CAN总线负载率优化的研究［D］.长沙：湖南大学，2020.
	CHAO K H. Research on the load rate optimization of CAN bus based on neural network［D］. Changsha： Hunan University， 2020.
16	刘青.汽车 CAN 总线实时性优化研究［D］.长春：吉林大学， 2013.
	LIU Q. Optimization research on real time performance of CAN bus in automobile［D］.Changchun： Jilin University， 2013.

信号	报文1	报文2	报文3
信号1	1	0	0
信号2	0	1	0
信号3	1	0	0
信号4	0	0	1
信号5	0	0	1
信号6	0	0	1

信号标识	长度/bit	周期/ms	信号标识	长度/bit	周期/ms	信号标识	长度/bit	周期/ms	信号标识	长度/bit	周期/ms
S1	8	10	S26	1	200	S51	8	10	S76	1	200
S2	8	10	S27	2	200	S52	8	10	S77	2	200
S3	1	200	S28	1	400	S53	1	200	S78	1	400
S4	1	10	S29	2	400	S54	1	10	S79	2	400
S5	2	100	S30	1	300	S55	2	100	S80	1	300
S6	1	100	S31	16	100	S56	1	100	S81	16	100
S7	1	100	S32	8	200	S57	1	100	S82	8	200
S8	1	100	S33	2	300	S58	1	100	S83	2	300
S9	8	100	S34	2	100	S59	8	100	S84	2	100
S10	1	10	S35	10	300	S60	1	10	S85	10	300
S11	1	10	S36	1	100	S61	1	10	S86	1	100
S12	2	10	S37	1	100	S62	2	10	S87	1	100
S13	2	10	S38	1	100	S63	2	10	S88	1	100
S14	2	100	S39	10	100	S64	2	100	S89	10	100
S15	16	10	S40	10	400	S65	16	10	S90	10	400
S16	16	10	S41	8	400	S66	16	10	S91	8	400
S17	1	100	S42	1	100	S67	1	100	S92	1	100
S18	1	100	S43	1	400	S68	1	100	S93	1	400
S19	8	200	S44	1	100	S69	8	200	S94	1	100
S20	8	200	S45	1	100	S70	8	200	S95	1	100
S21	1	100	S46	8	200	S71	1	100	S96	8	200
S22	3	100	S47	8	300	S72	3	100	S97	8	300
S23	1	100	S48	2	300	S73	1	100	S98	2	300
S24	1	100	S49	2	300	S74	1	100	S99	2	300
S25	1	100	S50	4	200	S75	1	100

算法	数据	CAN总线负载率（Busload）										均值	总计
CHNN	A	0.308 4	0.299 4	0.308 4	0.308 4	0.334 4	0.326 4	0.308 4	0.309 4	0.308 4	0.298 4	0.308 1	0.546 7
		0.307 9	0.298 4	0.297 9	0.308 4	0.308 9	0.308 4	0.307 9	0.308 4	0.297 9	0.307 4
		0.025 7	0.025 4	0.025 9	0.025 7	0.025 4	0.025 4	0.025 7	0.025 7	0.025 2	0.025 4
	B	0.229 3	0.239 3	0.239 3	0.239 3	0.239 3	0.229 3	0.239 3	0.239 3	0.239 3	0.247 3	0.238 6
	B	0.239 3	0.239 3	0.239 3	0.239 3	0.247 3	0.229 3	0.239 3	0.239 3	0.239 3	0.239 3	0.238 6
SA-CHNN	A	0.298 4	0.298 4	0.298 4	0.297 9	0.298 4	0.297 9	0.297 9	0.298 4	0.297 9	0.298 4	0.298 2	0.528 0
		0.298 4	0.298 4	0.297 9	0.298 4	0.298 4	0.297 9	0.298 4	0.297 9	0.297 9	0.298 4
		0.025 4	0.025 2	0.025 2	0.025 2	0.025 4	0.024 9	0.025 2	0.024 9	0.025 2	0.025 2
	B	0.229 3	0.229 3	0.229 3	0.229 3	0.229 3	0.229 3	0.229 3	0.229 3	0.229 3	0.229 3	0.229 8
	B	0.229 3	0.229 3	0.229 3	0.229 3	0.229 3	0.229 3	0.229 3	0.229 3	0.239 3	0.229 3	0.229 8

[1]	王彦鑫,李海岩,崔世海,贺丽娟,吕文乐. 基于BP神经网络的儿童乘员头部损伤预测模型及评估参数研究[J]. 汽车工程, 2024, 46(2): 329-336.
[2]	胡明辉,朱广曜,刘长贺,唐国峰. 考虑迟滞特性的卡尔曼滤波和门控循环单元神经网络的锂离子电池SOC联合估计[J]. 汽车工程, 2023, 45(9): 1688-1701.
[3]	管欣,仲昭辉,詹军,奚腾龙,叶昊,高深圳,成健,廖世辉,蔡均. 基于卷积神经网络的汽车操纵稳定性试验类型识别方法[J]. 汽车工程, 2023, 45(9): 1765-1771.
[4]	王明,唐小林,杨凯,李国法,胡晓松. 考虑预测风险的自动驾驶车辆运动规划方法[J]. 汽车工程, 2023, 45(8): 1362-1372.
[5]	陈国强,申正义,孙利,支梦帆,李彤. 基于BP神经网络优化遗传算法的智能座舱感性意象预测[J]. 汽车工程, 2023, 45(8): 1479-1488.
[6]	张雷, 关可人, 丁晓林, 郭鹏宇, 王震坡, 孙逢春. 基于图像识别与动力学融合的路面附着系数估计方法[J]. 汽车工程, 2023, 45(7): 1222-1234.
[7]	韩勇,林旭洁,黄红武,蔡鸿瑜,罗金镕,李燕婷. 典型汽车碰撞事故场景中行人运动轨迹预测方法[J]. 汽车工程, 2023, 45(6): 1022-1030.
[8]	赵霞,李朝,付锐,葛振振,王畅. 基于深度卷积-Tokens降维优化视觉Transformer的分心驾驶行为实时检测[J]. 汽车工程, 2023, 45(6): 974-988.
[9]	梁旺,秦兆博,陈亮,边有钢,胡满江. 基于改进BP神经网络的智能车纵向控制方法[J]. 汽车工程, 2022, 44(8): 1162-1172.
[10]	毕贵红,谢旭,蔡子龙,骆钊,陈臣鹏,赵鑫. 动态条件下基于深度学习的锂电池容量估计[J]. 汽车工程, 2022, 44(6): 868-878.
[11]	张哲雨,吕超,李景行,熊光明,吴绍斌,龚建伟. 基于车辆视角数据的行人轨迹预测与风险等级评定[J]. 汽车工程, 2022, 44(5): 675-683.
[12]	石琴,刘鑫,应贺烈,王铭伟,贺泽佳,贺林. 电液线控制动系统压力反步控制算法研究[J]. 汽车工程, 2022, 44(5): 747-755.
[13]	陈勇,魏长银,李晓宇,李彦林,刘彩霞,林霄喆. 融合工况识别的增程式电动汽车模糊能量管理策略研究[J]. 汽车工程, 2022, 44(4): 514-524.
[14]	谢德胜,徐友春,陆峰,潘世举. 基于多传感器信息融合的3维目标实时检测[J]. 汽车工程, 2022, 44(3): 340-349.
[15]	冯润泽,江昆,于伟光,杨殿阁. 基于两阶段分类算法的中国交通标志牌识别[J]. 汽车工程, 2022, 44(3): 434-441.