女人自慰AV免费观看内涵网,日韩国产剧情在线观看网址,神马电影网特片网,最新一级电影欧美,在线观看亚洲欧美日韩,黄色视频在线播放免费观看,ABO涨奶期羡澄,第一导航fulione,美女主播操b

0
  • 聊天消息
  • 系統消息
  • 評論與回復
登錄后你可以
  • 下載海量資料
  • 學習在線課程
  • 觀看技術視頻
  • 寫文章/發帖/加入社區
會員中心
創作中心

完善資料讓更多小伙伴認識你,還能領取20積分哦,立即完善>

3天內不再提示

怎樣高效打造汽車電子的“神經網絡”?

454398 ? 來源:網絡 ? 作者:網絡 ? 2022-12-23 13:30 ? 次閱讀
加入交流群
微信小助手二維碼

掃碼添加小助手

加入工程師交流群

來源:網絡

當代汽車的創新70%來源于汽車電子系統的創新。

伴隨著新能源汽車的崛起,電子產品的成本在汽車中比重日益加高。根據蓋世汽車網的統計,目前緊湊型車型、中高檔車型、混合動力車型及純電動車型汽車電子成本占比分別為15%、28%、47%、65%。預期到2030年,電子產品在汽車中的平均比例將達到50%。

汽車中的電子化程度越高,對信息傳輸量的需求就越大,汽車網絡化的趨勢就越明顯。車載的各種電子設備在賦予汽車更多功能的同時,也導致了汽車電子系統的復雜化。在各電子單元之間進行數據共享和功能協調已經變得舉足輕重。現有的做法就是利用汽車總線將汽車中各種電控單元、智能傳感器、智能儀表聯接起來構成汽車內部局域網,在各單元獨立運行的同時,進行功能的統一調配,并實現數據的快速交換。可以說,汽車總線已經成為車內系統的神經網絡

汽車總線發展迅速,類型繁多,但是CAN總線以其穩定的表現一直居于主流,也成為了汽車電子設計的首選。

汽車中的神經網

CAN 是 Controller Area Network 的縮寫,即控制器局域網絡,通常稱為CAN BUS,即 CAN 總線。可以歸屬于工業現場總線的范疇,是目前國際上應用最為廣泛的開放式現場總線之一。

做為一種多主控(Multi-Master)的總線系統,不同于USB以太網等傳統總線系統是在總線控制器的協調下,實現A節點到B節點大量數據的傳輸,CAN總線網絡的消息是廣播式發出的,亦即在同一時刻網絡上所有節點偵測的數據是一致的,因此比較適合傳輸諸如控制、溫度、轉速等短消息。這就使得其非常適合汽車電子的應用。

CAN總線在車內所連接的節點,主要是ECU(車內電控單元Electrical Control Unit)。由于ECU數量眾多(目前可多達70個左右),除了引擎控制單元外,還存在傳動控制、安全氣囊、ABS、巡航控制、EPS、音響系統、門窗控制和電池管理等模塊,雖然某些模塊是單一的子系統,但是模塊之間的互連依然非常重要。因此,CAN總線要滿足這些子系統數據傳輸的要求,如有的子系統需要控制執行器和接收傳感器反饋等。

CAN總線總是能很好地完成任務。相比傳統汽車網絡架構中模塊單元直接連接,CAN總線通過在汽車內子模塊之間架起穩定的互連架構,使得軟件可以更輕易地實現安全、經濟和便利等新特性。CAN總線還實現了汽車內互連系統由傳統的點對點互連向總線式系統的進化,大大降低汽車內電子系統布線的復雜度。

自動駕駛的出現更是助推了CAN的發展。通過使用激光雷達(LIDAR)之類的傳感器,無人汽車具備了超凡的“感知”世界的能力,車內的主控制器可以做出引導、加速、剎車等決定。不過,這些傳感器的信號都是CAN總線傳遞的。

除此之外,很多人習慣使用的緊急剎車輔助系統、盲點檢測以及自動停車的系統等高級駕駛輔助系統,正在大批量裝備新車。這些系統中大量采用的雷達、超聲波等感應元器件,需要高速、可靠和穩定的車載網絡接入到系統中,而這正是CAN總線的優勢。

提升CAN總線開發的效率關鍵

要發揮CAN總線的優勢,就要開發出一個穩定高效的CAN總線系統。這里存在諸多挑戰,很重要的一個就是如何進行高效測試。

在CAN總線的開發測試階段,需要對其單節點性能,多節點組網通訊,網絡拓撲結構等進行開發測試。具體來說,就是對總線長度,節點數量、拓撲結構、元器件參數、信號/電源完整性、電磁兼容等逐一進行精確測試。

軟件仿真是一個高效而低成本的選擇。通過對CAN系統進行建模和模擬分析,就可以提前發現總線信號是否能夠穩定而有效的傳輸,這樣可以減少用硬件實體原型機反復驗證/測試的次數,從而節省昂貴的硬件實體的成本和測試時間的成本。因為修改設計意味著時間上的延遲,這種延遲在產品快速面市的壓力下是不能接受的。所以,現在問題的關鍵就變成了如何去選擇一款合適的仿真工具對電路進行準確和高效的評估。

從更高的層面來說,CAN總線系統屬于數模混合信號電路。對數模混合信號電路如何仿真,也一直是業界最為關心的話題。

當代的數模混合信號電路,數據速度傳輸效率越來越高,供電電壓越來越低,電路板密度越來高,這些變化會導致以往的工具不能夠完全解決各種信號問題或者甚至是得出錯誤結論。

此外,數模混合電路的仿真,還存在模型的問題,許多仿真工具所提供的仿真模型并不全面,或者是模型并不接近實際狀況,因此要進行完整的電路仿真就非常困難。

不過,這些困擾在Xpedition AMS工具面前都能化解。做為從PCB概念設計到生產制造的全流程解決方案都能覆蓋的Xpedition平臺中的一員,Xpedition AMS在數模混合信號仿真方面稱得上是游刃有余。

強大的仿真工具

Xpedition是一個企業級解決方案,具有完整的設計流程,包括元器件庫設計與管理、原理圖設計、PCB設計、生產數據的處理、SI/PI仿真、EMC/EMI分析、熱分析及數模混合仿真等。

與同類產品相比,強大的流程管理和數據管理、并行設計,協同設計,集成式驗證等優勢是Xpedition獨有的標簽。Xpedition流程可消除設計流程中的冗余工作,進而最大限度地提高團隊效率,同時還可借助數據管理基礎設施優化產品性能和可靠性。其數據管理解決方案實現了單一環境內的高效設計協作和項目管理,能夠縮短設計周期并減少成本。

做為Xpedition平臺下用于模擬/混合信號設計的集成仿真環境,Xpedition AMS支持高級SPICE和基于HDL的建模技術。該環境將電子電路仿真擴展到標準時域和頻域分析之外,從而在Xpedition PCB設計流程中提供了高級性能仿真(掃描,統計,應力,最壞情況)和虛擬系統內驗證。

Xpedition AMS能使用PCB布局的系統原理圖驅動電路仿真,與其他仿真環境不一樣,它不需要單獨的仿真原理圖,仿真后的原理圖可以直接用于PCB布局布線,PCB布局布線的寄生參數可以自動提取,這樣可以減少文件導入導出所帶來的風險并加快設計。

目前,大部分模擬/混合信號電路仿真器在建模時最大的問題是將PCB上各器件的連接視為理想連接,將電路互連視為0歐姆電阻。但在實際的PCB中,這些互連是走線、連接器,始終帶有可能影響電路性能的相關寄生參數。這些寄生參數會影響模擬濾波器的特性,或者使數字信號耦合的噪聲干擾敏感模擬信號的行為。在仿真中需要正確考慮電路板走線的特性及其行為對建模的影響。同時,PCB上的過孔、焊盤、綠油等也會影響到信號的傳輸,亦需要考慮。針對于此,Xpedition AMS提供了獨特,功能強大且用途廣泛的解決方案,可用于評估模擬和混合信號設計中互連寄生參數的影響,可以根據項目實際需求調用混合/全波電磁場求解器,在精度和速度上做折中權衡。

除標準SPICE建模外,Xpedition AMS還支持IEEE標準VHDL-AMS建模語言,從而在建模和分析組件及設計行為方面增加了靈活性。 VHDL- AMS支持模擬和事件驅動的行為,以對模擬、數字和混合信號設計進行建模和分析。該語言已超越了電氣領域,進入了其他設計技術,因此用戶可以對電路的目標系統進行建模,然后使用虛擬原型進行系統內驗證。

Xpedition AMS的眾多優勢,使其非常適合CAN總線電路的仿真。因為在汽車的環境中,CAN總線的節點很多,拓撲結構很復雜,并且應用環境很復雜,高溫、振動都會對信號的傳輸造成影響。這就需要一個全面、精準的仿真方案。

憑借在汽車行業多年的積累,Xpedition AMS可以對CAN總線長度、拓撲結構,元器件參數,還能考慮PCB布局布線對電路造成的影響對電路進行分析,以全方位的仿真方案解決汽車類客戶沒有現成CAN仿真方案的困擾。

CAN總線的開發已經成為了汽車電子開發最重要的一個環節之一,而在其設計初期、識別、預防和改正設計錯誤,防止電路出錯,這種操作模式比以往任何時候都至關重要。仿真就是目前最好的方法之一,而Xpedition AMS可以讓CAN總線的仿真分析事半功倍。

很多進行汽車電子開發的朋友想必已經感覺到仿真的重要性,但是苦于沒有能掌握Xpedition AMS這樣的強大工具。不過不要緊,現在就有一個最好的機會。

審核編輯 黃昊宇

聲明:本文內容及配圖由入駐作者撰寫或者入駐合作網站授權轉載。文章觀點僅代表作者本人,不代表電子發燒友網立場。文章及其配圖僅供工程師學習之用,如有內容侵權或者其他違規問題,請聯系本站處理。 舉報投訴
  • 汽車電子
    +關注

    關注

    3037

    文章

    8345

    瀏覽量

    170155
收藏 人收藏
加入交流群
微信小助手二維碼

掃碼添加小助手

加入工程師交流群

    評論

    相關推薦
    熱點推薦

    BP神經網絡與卷積神經網絡的比較

    BP神經網絡與卷積神經網絡在多個方面存在顯著差異,以下是對兩者的比較: 一、結構特點 BP神經網絡 : BP神經網絡是一種多層的前饋神經網絡
    的頭像 發表于 02-12 15:53 ?665次閱讀

    如何優化BP神經網絡的學習率

    訓練過程中發生震蕩,甚至無法收斂到最優解;而過小的學習率則會使模型收斂速度緩慢,容易陷入局部最優解。因此,正確設置和調整學習率對于訓練高效、準確的神經網絡模型至關重要。 二、學習率優化算法 梯度下降法及其變種 : 標準梯
    的頭像 發表于 02-12 15:51 ?938次閱讀

    BP神經網絡的優缺點分析

    BP神經網絡(Back Propagation Neural Network)作為一種常用的機器學習模型,具有顯著的優點,同時也存在一些不容忽視的缺點。以下是對BP神經網絡優缺點的分析: 優點
    的頭像 發表于 02-12 15:36 ?919次閱讀

    什么是BP神經網絡的反向傳播算法

    BP神經網絡的反向傳播算法(Backpropagation Algorithm)是一種用于訓練神經網絡的有效方法。以下是關于BP神經網絡的反向傳播算法的介紹: 一、基本概念 反向傳播算法是BP
    的頭像 發表于 02-12 15:18 ?766次閱讀

    BP神經網絡與深度學習的關系

    BP神經網絡與深度學習之間存在著密切的關系,以下是對它們之間關系的介紹: 一、BP神經網絡的基本概念 BP神經網絡,即反向傳播神經網絡(Backpropagation Neural N
    的頭像 發表于 02-12 15:15 ?855次閱讀

    BP神經網絡的基本原理

    BP神經網絡(Back Propagation Neural Network)的基本原理涉及前向傳播和反向傳播兩個核心過程。以下是關于BP神經網絡基本原理的介紹: 一、網絡結構 BP神經網絡
    的頭像 發表于 02-12 15:13 ?856次閱讀

    人工神經網絡的原理和多種神經網絡架構方法

    在上一篇文章中,我們介紹了傳統機器學習的基礎知識和多種算法。在本文中,我們會介紹人工神經網絡的原理和多種神經網絡架構方法,供各位老師選擇。 01 人工神經網絡 ? 人工神經網絡模型之所
    的頭像 發表于 01-09 10:24 ?1188次閱讀
    人工<b class='flag-5'>神經網絡</b>的原理和多種<b class='flag-5'>神經網絡</b>架構方法

    卷積神經網絡與傳統神經網絡的比較

    在深度學習領域,神經網絡模型被廣泛應用于各種任務,如圖像識別、自然語言處理和游戲智能等。其中,卷積神經網絡(CNNs)和傳統神經網絡是兩種常見的模型。 1. 結構差異 1.1 傳統神經網絡
    的頭像 發表于 11-15 14:53 ?1869次閱讀

    RNN模型與傳統神經網絡的區別

    神經網絡是機器學習領域中的一種強大工具,它們能夠模擬人腦處理信息的方式。隨著技術的發展,神經網絡的類型也在不斷增加,其中循環神經網絡(RNN)和傳統神經網絡(如前饋
    的頭像 發表于 11-15 09:42 ?1125次閱讀

    LSTM神經網絡的結構與工作機制

    LSTM(Long Short-Term Memory,長短期記憶)神經網絡是一種特殊的循環神經網絡(RNN),設計用于解決長期依賴問題,特別是在處理時間序列數據時表現出色。以下是LSTM神經網絡
    的頭像 發表于 11-13 10:05 ?1631次閱讀

    LSTM神經網絡與傳統RNN的區別

    在深度學習領域,循環神經網絡(RNN)因其能夠處理序列數據而受到廣泛關注。然而,傳統RNN在處理長序列時存在梯度消失或梯度爆炸的問題。為了解決這一問題,LSTM(長短期記憶)神經網絡應運而生。 循環
    的頭像 發表于 11-13 09:58 ?1213次閱讀

    LSTM神經網絡的基本原理 如何實現LSTM神經網絡

    LSTM(長短期記憶)神經網絡是一種特殊的循環神經網絡(RNN),它能夠學習長期依賴信息。在處理序列數據時,如時間序列分析、自然語言處理等,LSTM因其能夠有效地捕捉時間序列中的長期依賴關系而受到
    的頭像 發表于 11-13 09:53 ?1583次閱讀

    Moku人工神經網絡101

    Moku3.3版更新在Moku:Pro平臺新增了全新的儀器功能【神經網絡】,使用戶能夠在Moku設備上部署實時機器學習算法,進行快速、靈活的信號分析、去噪、傳感器調節校準、閉環反饋等應用。如果您
    的頭像 發表于 11-01 08:06 ?664次閱讀
    Moku人工<b class='flag-5'>神經網絡</b>101

    matlab 神經網絡 數學建模數值分析

    matlab神經網絡 數學建模數值分析 精通的可以討論下
    發表于 09-18 15:14

    如何構建多層神經網絡

    構建多層神經網絡(MLP, Multi-Layer Perceptron)模型是一個在機器學習和深度學習領域廣泛使用的技術,尤其在處理分類和回歸問題時。在本文中,我們將深入探討如何從頭開始構建一個多層神經網絡模型,包括模型設計、數據預處理、模型訓練、評估以及優化等方面的內
    的頭像 發表于 07-19 17:19 ?1565次閱讀