基于LM-BP神經網絡的FlexRay總線系統的預測控制

劉志超 張良玉 楊梅 王義

關鍵詞： FlexRay; 車載網絡; 神經網絡; 自適應調節; 預測控制; 網絡性能

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總線控制系統是由多個傳感器、控制器、執行器以及各種電氣設備構成的相當復雜的分布式控制系統，系統中繁雜的控制任務以分時復用的方式傳輸數據。但由于網絡中數據流量變化的不規則性以及網絡帶寬的有限性，勢必造成了消息傳輸的不確定性和消息的傳輸延時，這就使得FlexRay網絡在高速傳輸消息時系統的控制性能下降，不能保證控制系統的可靠性和安全性。

由于FlexRay總線的發展時間不是很長，雖然國內外許多研究人員從不同方面對FlexRay總線車載網絡控制系統進行一系列研究[1?4]也取得了一定的研究成果，但在網絡控制系統高速傳輸數據時，系統的控制性能方面仍然存在問題。在現有的控制方法中，模型預測控制是一種基于數學模型的預測控制方法，當模型失配時就會導致控制輸出的結果不能達到控制的要求;傳統的BP神經網絡在訓練時容易出現陷入局部極小值，而且收斂速度慢;模糊控制自適應性能較差，控制精度不能滿足系統的要求。

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神經網絡作為FlexRay車載網絡的預測模型，克服了傳統BP神經網絡收斂速度慢、易陷入局部極小值方面的缺陷。并將神經網絡預測控制應用于FlexRay網絡性能的跟蹤控制，充分利用神經網絡較強的非線性映射能力和預測控制滾動優化并進行反饋校正機理，更符合復雜控制系統的不確定性和時變的實際情況，在控制過程中利用網絡訓練算法對網絡的權值和閾值進行在線滾動優化，以提高預測精度和系統穩定性。

1 ?FlexRay網絡通信協議概述

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

模型訓練之后，通過建立基于神經網絡的網絡帶寬利用率[J]的預測控制模型對汽車車載網絡進行實時預測控制，設置相應的仿真參數進行仿真，得到的仿真結果如圖7所示。圖7顯示的是系統的輸出和參考信號，data2是參考信號，data1是該系統的輸出結果。此次仿真中神經網絡預測控制器的相關參數為：[P=7]，[M=4]，[ρ=0.03]，[λ=0.5]，優化算法用于確定控制輸入。從圖中可以看出，該預測控制系統能夠對下一時刻車載網絡系統的工作狀態做出有效的預測控制，可以很好地實現對FlexRay車載網絡的預測控制，提高了FlexRay網絡控制系統的安全性與可靠性。

5 ?結 ?語

本文以FlexRay總線車載網絡的網絡資源利用率的數學模型為基礎，將神經網絡預測控制應用于任務工作量的跟蹤控制。結合LM算法對車載網絡控制系統的網絡資源利用率進行預測，避免了傳統BP神經網絡易陷入局部最小化、收斂速度慢的缺陷，提高了神經網絡的收斂速度。通過最后的仿真結果發現，神經網絡預測控制能夠對FlexRay車載網絡系統的網絡資源利用率做出有效預測，通過調節任務工作量來適應網絡中動態變化的負載，確保車載網絡系統中信息安全可靠地傳輸，能夠提高FlexRay網絡控制系統的可靠性和穩定性。

注：本文通訊作者為王義。

參考文獻

[1] 趙睿，秦貴和，范鐵虎.FlexRay通信協議的總線周期優化[J].計算機應用研究，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總線靜態段參數優化及其在線控制動系統中的應用[D].長沙：湖南大學，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神經網絡在煤礦作業人員因可靠性評價中的應用研究[J].大連理工大學學報，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網絡中帶寬利用率的理論研究[J].計算機應用，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總線優化方法研究[J].計算機軟件及應用，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.神經網絡自適應控制器仿真研究[D].太原：太原理工大學，2007.

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

[9] 王炳萱.LM優化算法和神經網絡預測控制在非線性系統中的研究[D].太原：太原理工大學，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神經網絡的車牌識別算法研究與應用[D].廣州：廣東工業大學，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.車載網絡通訊協議FlexRay網絡的分析及搭建[J].汽車安全與節能學報，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.神經網絡控制與Matlab仿真[M].哈爾濱：哈爾濱工業大學出版社，2011.

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

[14] 魏東.非線性系統神經網絡參數預測及控制[M].北京：機械工業出版社，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.