0
  • 聊天消息
  • 系统消息
  • 评论与回复
登录后你可以
  • 下载海量资料
  • 学习在线课程
  • 观看技术视频
  • 写文章/发帖/加入社区
会员中心
创作中心

完善资料让更多小伙伴认识你,还能领取20积分哦,立即完善>

3天内不再提示

怎样高效打造汽车电子的“神经网络”?

454398 来源:网络 作者:网络 2022-12-23 13:30 次阅读

来源:网络

当代汽车的创新70%来源于汽车电子系统的创新。

伴随着新能源汽车的崛起,电子产品的成本在汽车中比重日益加高。根据盖世汽车网的统计,目前紧凑型车型、中高档车型、混合动力车型及纯电动车型汽车电子成本占比分别为15%、28%、47%、65%。预期到2030年,电子产品在汽车中的平均比例将达到50%。

汽车中的电子化程度越高,对信息传输量的需求就越大,汽车网络化的趋势就越明显。车载的各种电子设备在赋予汽车更多功能的同时,也导致了汽车电子系统的复杂化。在各电子单元之间进行数据共享和功能协调已经变得举足轻重。现有的做法就是利用汽车总线将汽车中各种电控单元、智能传感器、智能仪表联接起来构成汽车内部局域网,在各单元独立运行的同时,进行功能的统一调配,并实现数据的快速交换。可以说,汽车总线已经成为车内系统的神经网络

汽车总线发展迅速,类型繁多,但是CAN总线以其稳定的表现一直居于主流,也成为了汽车电子设计的首选。

汽车中的神经网

CAN 是 Controller Area Network 的缩写,即控制器局域网络,通常称为CAN BUS,即 CAN 总线。可以归属于工业现场总线的范畴,是目前国际上应用最为广泛的开放式现场总线之一。

做为一种多主控(Multi-Master)的总线系统,不同于USB以太网等传统总线系统是在总线控制器的协调下,实现A节点到B节点大量数据的传输,CAN总线网络的消息是广播式发出的,亦即在同一时刻网络上所有节点侦测的数据是一致的,因此比较适合传输诸如控制、温度、转速等短消息。这就使得其非常适合汽车电子的应用。

CAN总线在车内所连接的节点,主要是ECU(车内电控单元Electrical Control Unit)。由于ECU数量众多(目前可多达70个左右),除了引擎控制单元外,还存在传动控制、安全气囊、ABS、巡航控制、EPS、音响系统、门窗控制和电池管理等模块,虽然某些模块是单一的子系统,但是模块之间的互连依然非常重要。因此,CAN总线要满足这些子系统数据传输的要求,如有的子系统需要控制执行器和接收传感器反馈等。

CAN总线总是能很好地完成任务。相比传统汽车网络架构中模块单元直接连接,CAN总线通过在汽车内子模块之间架起稳定的互连架构,使得软件可以更轻易地实现安全、经济和便利等新特性。CAN总线还实现了汽车内互连系统由传统的点对点互连向总线式系统的进化,大大降低汽车内电子系统布线的复杂度。

自动驾驶的出现更是助推了CAN的发展。通过使用激光雷达(LIDAR)之类的传感器,无人汽车具备了超凡的“感知”世界的能力,车内的主控制器可以做出引导、加速、刹车等决定。不过,这些传感器的信号都是CAN总线传递的。

除此之外,很多人习惯使用的紧急刹车辅助系统、盲点检测以及自动停车的系统等高级驾驶辅助系统,正在大批量装备新车。这些系统中大量采用的雷达、超声波等感应元器件,需要高速、可靠和稳定的车载网络接入到系统中,而这正是CAN总线的优势。

提升CAN总线开发的效率关键

要发挥CAN总线的优势,就要开发出一个稳定高效的CAN总线系统。这里存在诸多挑战,很重要的一个就是如何进行高效测试。

在CAN总线的开发测试阶段,需要对其单节点性能,多节点组网通讯,网络拓扑结构等进行开发测试。具体来说,就是对总线长度,节点数量、拓扑结构、元器件参数、信号/电源完整性、电磁兼容等逐一进行精确测试。

软件仿真是一个高效而低成本的选择。通过对CAN系统进行建模和模拟分析,就可以提前发现总线信号是否能够稳定而有效的传输,这样可以减少用硬件实体原型机反复验证/测试的次数,从而节省昂贵的硬件实体的成本和测试时间的成本。因为修改设计意味着时间上的延迟,这种延迟在产品快速面市的压力下是不能接受的。所以,现在问题的关键就变成了如何去选择一款合适的仿真工具对电路进行准确和高效的评估。

从更高的层面来说,CAN总线系统属于数模混合信号电路。对数模混合信号电路如何仿真,也一直是业界最为关心的话题

当代的数模混合信号电路,数据速度传输效率越来越高,供电电压越来越低,电路板密度越来高,这些变化会导致以往的工具不能够完全解决各种信号问题或者甚至是得出错误结论。

此外,数模混合电路的仿真,还存在模型的问题,许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实际状况,因此要进行完整的电路仿真就非常困难。

不过,这些困扰在Xpedition AMS工具面前都能化解。做为从PCB概念设计到生产制造的全流程解决方案都能覆盖的Xpedition平台中的一员,Xpedition AMS在数模混合信号仿真方面称得上是游刃有余。

强大的仿真工具

Xpedition是一个企业级解决方案,具有完整的设计流程,包括元器件库设计与管理、原理图设计、PCB设计、生产数据的处理、SI/PI仿真、EMC/EMI分析、热分析及数模混合仿真等。

与同类产品相比,强大的流程管理和数据管理、并行设计,协同设计,集成式验证等优势是Xpedition独有的标签。Xpedition流程可消除设计流程中的冗余工作,进而最大限度地提高团队效率,同时还可借助数据管理基础设施优化产品性能和可靠性。其数据管理解决方案实现了单一环境内的高效设计协作和项目管理,能够缩短设计周期并减少成本。

做为Xpedition平台下用于模拟/混合信号设计的集成仿真环境,Xpedition AMS支持高级SPICE和基于HDL的建模技术。该环境将电子电路仿真扩展到标准时域和频域分析之外,从而在Xpedition PCB设计流程中提供了高级性能仿真(扫描,统计,应力,最坏情况)和虚拟系统内验证。

Xpedition AMS能使用PCB布局的系统原理图驱动电路仿真,与其他仿真环境不一样,它不需要单独的仿真原理图,仿真后的原理图可以直接用于PCB布局布线,PCB布局布线的寄生参数可以自动提取,这样可以减少文件导入导出所带来的风险并加快设计。

目前,大部分模拟/混合信号电路仿真器在建模时最大的问题是将PCB上各器件的连接视为理想连接,将电路互连视为0欧姆电阻。但在实际的PCB中,这些互连是走线、连接器,始终带有可能影响电路性能的相关寄生参数。这些寄生参数会影响模拟滤波器的特性,或者使数字信号耦合的噪声干扰敏感模拟信号的行为。在仿真中需要正确考虑电路板走线的特性及其行为对建模的影响。同时,PCB上的过孔、焊盘、绿油等也会影响到信号的传输,亦需要考虑。针对于此,Xpedition AMS提供了独特,功能强大且用途广泛的解决方案,可用于评估模拟和混合信号设计中互连寄生参数的影响,可以根据项目实际需求调用混合/全波电磁场求解器,在精度和速度上做折中权衡。

除标准SPICE建模外,Xpedition AMS还支持IEEE标准VHDL-AMS建模语言,从而在建模和分析组件及设计行为方面增加了灵活性。 VHDL- AMS支持模拟和事件驱动的行为,以对模拟、数字和混合信号设计进行建模和分析。该语言已超越了电气领域,进入了其他设计技术,因此用户可以对电路的目标系统进行建模,然后使用虚拟原型进行系统内验证。

Xpedition AMS的众多优势,使其非常适合CAN总线电路的仿真。因为在汽车的环境中,CAN总线的节点很多,拓扑结构很复杂,并且应用环境很复杂,高温、振动都会对信号的传输造成影响。这就需要一个全面、精准的仿真方案。

凭借在汽车行业多年的积累,Xpedition AMS可以对CAN总线长度、拓扑结构,元器件参数,还能考虑PCB布局布线对电路造成的影响对电路进行分析,以全方位的仿真方案解决汽车类客户没有现成CAN仿真方案的困扰。

CAN总线的开发已经成为了汽车电子开发最重要的一个环节之一,而在其设计初期、识别、预防和改正设计错误,防止电路出错,这种操作模式比以往任何时候都至关重要。仿真就是目前最好的方法之一,而Xpedition AMS可以让CAN总线的仿真分析事半功倍。

很多进行汽车电子开发的朋友想必已经感觉到仿真的重要性,但是苦于没有能掌握Xpedition AMS这样的强大工具。不过不要紧,现在就有一个最好的机会。

审核编辑 黄昊宇

声明:本文内容及配图由入驻作者撰写或者入驻合作网站授权转载。文章观点仅代表作者本人,不代表电子发烧友网立场。文章及其配图仅供工程师学习之用,如有内容侵权或者其他违规问题,请联系本站处理。 举报投诉
  • 汽车电子
    +关注

    关注

    3023

    文章

    7840

    浏览量

    166135
收藏 人收藏

    评论

    相关推荐

    卷积神经网络与传统神经网络的比较

    在深度学习领域,神经网络模型被广泛应用于各种任务,如图像识别、自然语言处理和游戏智能等。其中,卷积神经网络(CNNs)和传统神经网络是两种常见的模型。 1. 结构差异 1.1 传统神经网络
    的头像 发表于 11-15 14:53 136次阅读

    BP神经网络和卷积神经网络的关系

    BP神经网络(Backpropagation Neural Network)和卷积神经网络(Convolutional Neural Network,简称CNN)是两种在人工智能和机器学习领域
    的头像 发表于 07-10 15:24 1129次阅读

    BP神经网络和人工神经网络的区别

    BP神经网络和人工神经网络(Artificial Neural Networks,简称ANNs)之间的关系与区别,是神经网络领域中一个基础且重要的话题。本文将从定义、结构、算法、应用及未来发展等多个方面,详细阐述BP
    的头像 发表于 07-10 15:20 757次阅读

    rnn是递归神经网络还是循环神经网络

    RNN(Recurrent Neural Network)是循环神经网络,而非递归神经网络。循环神经网络是一种具有时间序列特性的神经网络,能够处理序列数据,具有记忆功能。以下是关于循环
    的头像 发表于 07-05 09:52 479次阅读

    递归神经网络是循环神经网络

    递归神经网络(Recurrent Neural Network,简称RNN)和循环神经网络(Recurrent Neural Network,简称RNN)实际上是同一个概念,只是不同的翻译方式
    的头像 发表于 07-04 14:54 613次阅读

    循环神经网络和卷积神经网络的区别

    循环神经网络(Recurrent Neural Network,RNN)和卷积神经网络(Convolutional Neural Network,CNN)是深度学习领域中两种非常重要的神经网络
    的头像 发表于 07-04 14:24 1061次阅读

    深度神经网络与基本神经网络的区别

    在探讨深度神经网络(Deep Neural Networks, DNNs)与基本神经网络(通常指传统神经网络或前向神经网络)的区别时,我们需要从多个维度进行深入分析。这些维度包括
    的头像 发表于 07-04 13:20 619次阅读

    卷积神经网络与循环神经网络的区别

    在深度学习领域,卷积神经网络(Convolutional Neural Networks, CNN)和循环神经网络(Recurrent Neural Networks, RNN)是两种极其重要
    的头像 发表于 07-03 16:12 2412次阅读

    反向传播神经网络和bp神经网络的区别

    反向传播神经网络(Backpropagation Neural Network,简称BP神经网络)是一种多层前馈神经网络,它通过反向传播算法来调整网络中的权重和偏置,以达到最小化误差的
    的头像 发表于 07-03 11:00 636次阅读

    bp神经网络是深度神经网络

    BP神经网络(Backpropagation Neural Network)是一种常见的前馈神经网络,它使用反向传播算法来训练网络。虽然BP神经网络在某些方面与深度
    的头像 发表于 07-03 10:14 647次阅读

    bp神经网络和卷积神经网络区别是什么

    BP神经网络(Backpropagation Neural Network)和卷积神经网络(Convolutional Neural Network,简称CNN)是两种不同类型的人工神经网络,它们在
    的头像 发表于 07-03 10:12 941次阅读

    卷积神经网络的原理是什么

    卷积神经网络(Convolutional Neural Network,简称CNN)是一种深度学习模型,广泛应用于图像识别、语音识别、自然语言处理等领域。本文将详细介绍卷积神经网络的原理,包括其
    的头像 发表于 07-02 14:44 540次阅读

    卷积神经网络和bp神经网络的区别

    卷积神经网络(Convolutional Neural Networks,简称CNN)和BP神经网络(Backpropagation Neural Networks,简称BPNN)是两种
    的头像 发表于 07-02 14:24 2646次阅读

    神经网络架构有哪些

    神经网络架构是机器学习领域中的核心组成部分,它们模仿了生物神经网络的运作方式,通过复杂的网络结构实现信息的处理、存储和传递。随着深度学习技术的不断发展,各种神经网络架构被提出并广泛应用
    的头像 发表于 07-01 14:16 582次阅读

    卷积神经网络的优点

    卷积神经网络的优点  卷积神经网络(Convolutional Neural Network,CNN)是一种基于深度学习的神经网络模型,在图像识别、语音识别、自然语言处理等领域有着广泛的应用。相比于
    的头像 发表于 12-07 15:37 4034次阅读