Mecanismo de predição de falhas de comunicação em protocolo CAN automotivo

Abstract

A crescente complexidade e responsabilidade dos dispositivos embarcados em veículos modernos tem direcionado os esforços de desenvolvimento para que esses sistemas sejam mais rápidos, precisos, robustos e, acima de tudo, seguros. Isso tem elevado os protocolos de comunicação a novos níveis de exigência em termos de capacidade e confiabilidade. Sistemas como freios ABS/EBD, suspensão ativa, frenagem autônoma de emergência (AEB) e controle adaptativo de velocidade e distância (ACC), que envolvem várias unidades de controle eletrônico (ECU) distribuídas pelo veículo, exigem comunicação segura e tolerante a falhas, com restrições temporais rigorosas. Atualmente, os veículos passam por grandes mudanças conceituais, incorporando sistemas que demandam mais energia das fontes de alimentação. Esses sistemas geram ruídos, como os Transientes Elétricos Rápidos (EFT), presentes em operações cotidianas como ligar e desligar faróis, ar condicionado e limpadores de para-brisas. Sistemas mais potentes, como conversores CC/CA e regeneradores de energia, aumentam os desafios relacionados aos transientes elétricos. A eletrificação da frota, com tensões superiores a 300 Vdc, intensifica esses desafios devido ao aumento de ruídos prejudiciais. No contexto de sistemas vitais, a retransmissão é o principal método para contornar falhas de comunicação, embora sua eficácia seja discutível. A retransmissão não garante a comunicação e ainda causa latências que comprometem os rigorosos slots temporais, expondo os sistemas a problemas imprevisíveis. O maior problema da retransmissão é a incapacidade de identificar as causas das falhas de comunicação, o que pode levar à paralisação da troca de dados e à falha dos sistemas em cumprir suas funções essenciais. Esta tese apresenta o desenvolvimento e a implementação de um hardware especializado, projetado de acordo com os rigorosos requisitos da norma IEC 62228(2019), com a finalidade de realizar ensaios de injeção de ruídos caracterizados como transientes elétricos rápidos (EFT). Este hardware foi concebido para coletar dados detalhados, os quais serão utilizados na criação de um conjunto de dados (dataset) focado na comunicação através do protocolo CAN em sistemas embarcados. A partir dos ensaios realizados em ambiente controlado de laboratório, este trabalho propõe a aplicação avançada de técnicas de aprendizado de máquina para analisar os dados obtidos, com o objetivo de desenvolver um modelo preditivo robusto. Tal modelo tem como função principal identificar, com elevada precisão, as falhas de comunicação e suas possíveis causas subjacentes. Ao prever e mitigar a evolução de falhas triviais em falhas catastróficas, o modelo proposto contribui para o aumento da robustez e da confiabilidade dos sistemas de comunicação intra-veicular, desempenhando um papel crucial na segurança e eficiência dos veículos modernos.

The increasing complexity and responsibility of devices embedded in modern vehicles have directed development efforts toward making these systems faster, more accurate, robust, and, above all, safe. This has elevated communication protocols to new levels of demand in terms of capacity and reliability. Systems such as ABS/EBD brakes, active suspension, autonomous emergency braking (AEB), and adaptive cruise control (ACC), which involve several electronic control units (ECU) distributed throughout the vehicle, require secure and fault-tolerant communication with strict temporal constraints. Currently, vehicles are undergoing significant conceptual changes, incorporating systems that demand more power from power sources. These systems generate noise, such as Fast Electrical Transients (EFT), present in everyday operations like turning on and off headlights, air conditioning, and windshield wipers. More powerful systems, like DC/AC converters and energy regenerators, increase the challenges related to electrical transients. The electrification of the fleet, with voltages over 300 Vdc, intensifies these challenges due to the increase in harmful noises. In the context of vital systems, retransmission is the main method to circumvent communication failures, although its effectiveness is debatable. Retransmission does not guarantee communication and still causes latencies that compromise the strict time slots, exposing the systems to unpredictable problems. The biggest issue with retransmission is its inability to identify the causes of communication failures, which can lead to data exchange halt and system failures in performing their essential functions. This thesis presents the development and implementation of specialized hardware, designed according to the rigorous requirements of the IEC 62228(2019) standard, with the purpose of performing noise injection tests characterized as fast electrical transients (EFT). This hardware was conceived to collect detailed data, which will be used to create a dataset focused on communication through the CAN protocol in embedded systems. From the tests conducted in a controlled laboratory environment, this work proposes the advanced application of machine learning techniques to analyze the obtained data, with the aim of developing a robust predictive model. Such a model’s primary function is to identify, with high accuracy, communication failures and their possible underlying causes. By predicting and mitigating the evolution of trivial failures into catastrophic ones, the proposed model contributes to the increase in robustness and reliability of intra-vehicular communication systems, playing a crucial role in the safety and efficiency of modern vehicles.