劉志超 張良玉 楊梅 王義

關(guān)鍵詞： FlexRay; 車載網(wǎng)絡(luò); 神經(jīng)網(wǎng)絡(luò); 自適應(yīng)調(diào)節(jié); 預(yù)測控制; 網(wǎng)絡(luò)性能

中圖分類號： TN915?34; TP183 ? ? ? ? ? ? ? ? ? ?文獻標識碼： A ? ? ? ? ? ? ? ? ? ? 文章編號： 1004?373X（2019）03?0082?05

Abstract： A FlexRay bus predictive control system based on Levenberg?Marquardt （LM） algorithm and neural network is proposed to improve the control performance of the FlexRay vehicle?mounted network with automobile high?speed data transmission bus， and ensure the control system working stability of the FlexRay bus network while data transmitting in large load. The working condition of FlexRay vehicle?mounted network at present moment is sampled to predict the working condition of FlexRay vehicle?mounted network at next moment. The method of online adaptive workload regulation is used to adapt to the time?varying load in vehicle?mounted network system， which can improve the reliability and robustness of the FlexRay vehicle?mounted network system. The simulation results show that the LM?BP neural network predictive control has strong adaptability and robustness， and can improve the security and stability of FlexRay vehicle?mounted network effectively.

Keywords： FlexRay; vehicle?mounted network; neural network; adaptive regulation; predictive control; network performance

0 ?引 ?言

FlexRay總線控制系統(tǒng)是由多個傳感器、控制器、執(zhí)行器以及各種電氣設(shè)備構(gòu)成的相當復(fù)雜的分布式控制系統(tǒng)，系統(tǒng)中繁雜的控制任務(wù)以分時復(fù)用的方式傳輸數(shù)據(jù)。但由于網(wǎng)絡(luò)中數(shù)據(jù)流量變化的不規(guī)則性以及網(wǎng)絡(luò)帶寬的有限性，勢必造成了消息傳輸?shù)牟淮_定性和消息的傳輸延時，這就使得FlexRay網(wǎng)絡(luò)在高速傳輸消息時系統(tǒng)的控制性能下降，不能保證控制系統(tǒng)的可靠性和安全性。

由于FlexRay總線的發(fā)展時間不是很長，雖然國內(nèi)外許多研究人員從不同方面對FlexRay總線車載網(wǎng)絡(luò)控制系統(tǒng)進行一系列研究[1?4]也取得了一定的研究成果，但在網(wǎng)絡(luò)控制系統(tǒng)高速傳輸數(shù)據(jù)時，系統(tǒng)的控制性能方面仍然存在問題。在現(xiàn)有的控制方法中，模型預(yù)測控制是一種基于數(shù)學(xué)模型的預(yù)測控制方法，當模型失配時就會導(dǎo)致控制輸出的結(jié)果不能達到控制的要求;傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)在訓(xùn)練時容易出現(xiàn)陷入局部極小值，而且收斂速度慢;模糊控制自適應(yīng)性能較差，控制精度不能滿足系統(tǒng)的要求。

LM算法融合了梯度下降法和高斯?牛頓算法兩者的優(yōu)點，既有局部收斂性也有全局特性[5]。因此，將LM算法改進的BP神經(jīng)網(wǎng)絡(luò)作為FlexRay車載網(wǎng)絡(luò)的預(yù)測模型，克服了傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)收斂速度慢、易陷入局部極小值方面的缺陷。并將神經(jīng)網(wǎng)絡(luò)預(yù)測控制應(yīng)用于FlexRay網(wǎng)絡(luò)性能的跟蹤控制，充分利用神經(jīng)網(wǎng)絡(luò)較強的非線性映射能力和預(yù)測控制滾動優(yōu)化并進行反饋校正機理，更符合復(fù)雜控制系統(tǒng)的不確定性和時變的實際情況，在控制過程中利用網(wǎng)絡(luò)訓(xùn)練算法對網(wǎng)絡(luò)的權(quán)值和閾值進行在線滾動優(yōu)化，以提高預(yù)測精度和系統(tǒng)穩(wěn)定性。

1 ?FlexRay網(wǎng)絡(luò)通信協(xié)議概述

FlexRay是一種基于時分多址和柔性時分多址的總線技術(shù)，其中每個節(jié)點之間的通信按照通信周期循環(huán)進行，其時間層次如圖1所示。每個通信周期均分為靜態(tài)段、動態(tài)段、符號窗口以及網(wǎng)絡(luò)空閑時間四部分。大小固定的時隙組成了靜態(tài)段，時長可變的動態(tài)時隙組成了動態(tài)段，每個動態(tài)時隙又包含了若干微時隙[6]。

模型訓(xùn)練之后，通過建立基于神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)帶寬利用率[J]的預(yù)測控制模型對汽車車載網(wǎng)絡(luò)進行實時預(yù)測控制，設(shè)置相應(yīng)的仿真參數(shù)進行仿真，得到的仿真結(jié)果如圖7所示。圖7顯示的是系統(tǒng)的輸出和參考信號，data2是參考信號，data1是該系統(tǒng)的輸出結(jié)果。此次仿真中神經(jīng)網(wǎng)絡(luò)預(yù)測控制器的相關(guān)參數(shù)為：[P=7]，[M=4]，[ρ=0.03]，[λ=0.5]，優(yōu)化算法用于確定控制輸入。從圖中可以看出，該預(yù)測控制系統(tǒng)能夠?qū)ο乱粫r刻車載網(wǎng)絡(luò)系統(tǒng)的工作狀態(tài)做出有效的預(yù)測控制，可以很好地實現(xiàn)對FlexRay車載網(wǎng)絡(luò)的預(yù)測控制，提高了FlexRay網(wǎng)絡(luò)控制系統(tǒng)的安全性與可靠性。

5 ?結(jié) ?語

本文以FlexRay總線車載網(wǎng)絡(luò)的網(wǎng)絡(luò)資源利用率的數(shù)學(xué)模型為基礎(chǔ)，將神經(jīng)網(wǎng)絡(luò)預(yù)測控制應(yīng)用于任務(wù)工作量的跟蹤控制。結(jié)合LM算法對車載網(wǎng)絡(luò)控制系統(tǒng)的網(wǎng)絡(luò)資源利用率進行預(yù)測，避免了傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)易陷入局部最小化、收斂速度慢的缺陷，提高了神經(jīng)網(wǎng)絡(luò)的收斂速度。通過最后的仿真結(jié)果發(fā)現(xiàn)，神經(jīng)網(wǎng)絡(luò)預(yù)測控制能夠?qū)lexRay車載網(wǎng)絡(luò)系統(tǒng)的網(wǎng)絡(luò)資源利用率做出有效預(yù)測，通過調(diào)節(jié)任務(wù)工作量來適應(yīng)網(wǎng)絡(luò)中動態(tài)變化的負載，確保車載網(wǎng)絡(luò)系統(tǒng)中信息安全可靠地傳輸，能夠提高FlexRay網(wǎng)絡(luò)控制系統(tǒng)的可靠性和穩(wěn)定性。

注：本文通訊作者為王義。

參考文獻

[1] 趙睿，秦貴和，范鐵虎.FlexRay通信協(xié)議的總線周期優(yōu)化[J].計算機應(yīng)用研究，2010，27（10）：3847?3850.

ZHAO Rui， QIN Guihe， FAN Tiehu. Bus cycle optimization for FlexRay communication protocol [J]. Application research of computers， 2010， 27（10）： 3847?3850.

[2] 項欣南.FlexRay總線靜態(tài)段參數(shù)優(yōu)化及其在線控制動系統(tǒng)中的應(yīng)用[D].長沙：湖南大學(xué)，2016.

XIANG Xinnan. FlexRay bus static section parameters optimization and online control system [D]. Changsha： Hunan University， 2016.

[3] ZENG H， NATALE D I， GHOSAL M. Schedule optimization of time?triggered systems communicating over the FlexRay static segment [J]. IEEE transactions on industrial informatics， 2011， 7（1）： 1?17.

[4] KANG M， PARK K， JEONG M. Frame packing for minimizing the bandwidth consumption of the FlexRay static segment [J]. IEEE transactions on industrial electronics， 2013， 60（9）： 4001?4008.

[5] 張嶠，鄧貴仕.Levenberg?Maequardt神經(jīng)網(wǎng)絡(luò)在煤礦作業(yè)人員因可靠性評價中的應(yīng)用研究[J].大連理工大學(xué)學(xué)報，2015，55（4）：424?430.

ZHANG Qiao， DENG Guishi. Application of Levenberg?Maequardt neural networks in reliability evaluation of coal mine workers [J]. Journal of Dalian University of Technology， 2015， 55（4）： 424?430.

[6] 王剛，丁天寶，榮健，等.FlexRay網(wǎng)絡(luò)中帶寬利用率的理論研究[J].計算機應(yīng)用，2011，31（10）：2634?2637.

WANG Gang， DING Tianbao， RONG Jian， et al. Study on bandwidth utilization rate in FlexRay networks [J]. Computer applications， 2011， 31（10）： 2634?2637.

[7] 李斌，龍飛.一種FlexRay總線優(yōu)化方法研究[J].計算機軟件及應(yīng)用，2015，32（5）：142?143.

LI Bin， LONG Fei. A FlexRay bus optimization method [J]. Computer software and applications， 2015， 32（5）： 142?143.

[8] 陳曉雷.神經(jīng)網(wǎng)絡(luò)自適應(yīng)控制器仿真研究[D].太原：太原理工大學(xué)，2007.

CHEN Xiaolei. Neural network adaptive controller simulation [D]. Taiyuan： Taiyuan University of Technology， 2007.

[9] 王炳萱.LM優(yōu)化算法和神經(jīng)網(wǎng)絡(luò)預(yù)測控制在非線性系統(tǒng)中的研究[D].太原：太原理工大學(xué)，2016.

WANG Bingxuan. Research on LM optimization algorithm and neural network predictive control in nonlinear systems [D]. Taiyuan： Taiyuan University of Technology， 2016.

[10] 謝嘉樂.基于改進的LM?BP神經(jīng)網(wǎng)絡(luò)的車牌識別算法研究與應(yīng)用[D].廣州：廣東工業(yè)大學(xué)，2016.

XIE Jiale. Research and application of license plate recognition algorithm based on improved LM?BP neural network [D]. Guangzhou： Guangdong University of Technology， 2016.

[11] 程馳，帥志斌，李建秋，等.車載網(wǎng)絡(luò)通訊協(xié)議FlexRay網(wǎng)絡(luò)的分析及搭建[J].汽車安全與節(jié)能學(xué)報，2013，4（1）：75?81.

CHENG Chi， SHUAI Zhibin， LI Jianqiu， et al. Analysis and construction of vehicle network communication protocol FlexRay network [J]. Journal of automotive safety and energy conservation， 2013， 4（1）： 75?81.

[12] JANG K， PARK I， HAN J. Design framework for FlexRay network parameter optimization [J]. International journal of automotive technology， 2011， 12（4）： 589?597.

[13] 張澤旭.神經(jīng)網(wǎng)絡(luò)控制與Matlab仿真[M].哈爾濱：哈爾濱工業(yè)大學(xué)出版社，2011.

ZHANG Zexu. Neural network control and Matlab simulation [M]. Harbin： Harbin Institute of Technology Press， 2011.

[14] 魏東.非線性系統(tǒng)神經(jīng)網(wǎng)絡(luò)參數(shù)預(yù)測及控制[M].北京：機械工業(yè)出版社，2007.

WEI Dong. Prediction and control of parameters of nonlinear system neural network [M]. Beijing： Machinery Industry Press， 2007.

[15] LIU G Y， XU B G. A real?time scheduling scheme of quantized control systems under bandwidth constraints [C]// Proceedings of the 8th World Congress on Intelligent Control and Automation. Jinan， China： IEEE， 2010： 2334?2338.