DE102018201710A1 - Method and device for checking a function of a neural network - Google Patents
Method and device for checking a function of a neural network Download PDFInfo
- Publication number
- DE102018201710A1 DE102018201710A1 DE102018201710.7A DE102018201710A DE102018201710A1 DE 102018201710 A1 DE102018201710 A1 DE 102018201710A1 DE 102018201710 A DE102018201710 A DE 102018201710A DE 102018201710 A1 DE102018201710 A1 DE 102018201710A1
- Authority
- DE
- Germany
- Prior art keywords
- test
- neurons
- neural network
- control unit
- input
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
- G06N3/063—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using electronic means
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/36—Preventing errors by testing or debugging software
- G06F11/3668—Software testing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Abstract
Die Erfindung betrifft eine Vorrichtung zum Testen eines Testbereichs eines neuronalen Netzes (1) mit mehreren in Hardware ausgebildeten Neuronen (3), umfassend:- eine Teststeuereinheit (13) zum Durchführen eines Tests eines aus den mehreren Neuronen (3) ausgewählten Testbereichs in einem Testbetrieb;- Multiplexer (11), die mit eingangsseitigen Neuronen des Testbereichs verbunden sind und die durch die Teststeuereinheit (13) ansteuerbar sind, um abhängig von dem Vorliegen des Testbetriebs Eingangstestdaten (TE) an eingangsseitige Neuronen des Testbereichs anzulegen;- Demultiplexer (12), die mit ausgangsseitigen Neuronen (3) des Testbereichs verbunden sind und die durch die Teststeuereinheit (13) ansteuerbar sind, um abhängig von dem Vorliegen des Testbetriebs Ausgangstestdaten (TA) der Teststeuereinheit (3) bereitzustellen; wobei die Teststeuereinheit (13) ausgebildet ist, um die Ausgangstestdaten (TA) mit Testerwartungsdaten, die den Eingangstestdaten (TE) zugeordnet sind, zu vergleichen und um bei einer Abweichung einen Fehler festzustellen.The invention relates to an apparatus for testing a test area of a neural network (1) with a plurality of hardware-formed neurons (3), comprising: - a test control unit (13) for performing a test of a test area selected from the plurality of neurons (3) in a test mode - multiplexers (11) connected to input side neurons of the test area and controllable by the test control unit (13) to apply input test data (TE) to input side neurons of the test area depending on the existence of the test operation; demultiplexer (12), which are connected to output side neurons (3) of the test area and which are controllable by the test control unit (13) to provide output test data (TA) to the test control unit (3) depending on the existence of the test operation; wherein the test control unit (13) is adapted to compare the output test data (TA) with test maintenance data associated with the test input data (TE) and to detect an error in the event of a deviation.
Description
Technisches GebietTechnical area
Die Erfindung betrifft neuronale Netze, insbesondere tiefe neuronale Netze, mit einer hohen Anzahl von Schichten mit einer hohen Anzahl von Neuronenfunktionen. Die Erfindung betrifft weiterhin Maßnahmen zum Überprüfen von Neuronenfunktionen von in Hardware realisierten Neuronen eines tiefen neuronalen Netzes.The invention relates to neural networks, in particular deep neural networks, having a high number of layers with a high number of neuron functions. The invention further relates to measures for checking neuron functions of hardware implemented neurons of a deep neural network.
Technischer HintergrundTechnical background
Die Realisierung von neuronalen Netzen, insbesondere tiefen neuronalen Netzen, in Hardware führt zu komplexen Verschaltungen, insbesondere aufgrund der Kaskadierung von Neuronenschichten mit jeweils einer hohen Anzahl von Neuronen. Eine Überprüfung und Überwachung der Funktionsweise einer solchen Hardware ist aufgrund der Komplexität der Schaltung nur mit hohem Aufwand und/oder einer geringen Zuverlässigkeit möglich, die insbesondere bei sicherheitskritischen Systemen den Anforderungen, insbesondere den gesetzlichen Anforderungen, nicht genügt. Auch benötigt eine solche Überprüfung eine längere Zeitdauer, die einer Anwendung während einer Überprüfung nicht zur Verfügung steht.The realization of neural networks, in particular deep neural networks, in hardware leads to complex interconnections, in particular due to the cascading of neuron layers, each with a high number of neurons. A review and monitoring of the operation of such hardware is possible due to the complexity of the circuit only with great effort and / or low reliability, which does not meet the requirements, especially the legal requirements, especially in safety-critical systems. Also, such a review requires a longer amount of time that is not available to an application during a review.
Die Druckschrift
Die Druckschrift
Offenbarung der ErfindungDisclosure of the invention
Erfindungsgemäß sind eine Vorrichtung mit mehreren in Hardware ausgebildeten Neuronen, die miteinander zu einem neuronalen Netz gekoppelt sind, gemäß Anspruch 1 sowie ein Verfahren zum Testen einer solchen Vorrichtung mit einem in Hardware ausgebildeten neuronalen Netz gemäß dem nebengeordneten Anspruch vorgesehen.According to the invention, a device with a plurality of hardware-formed neurons coupled together to form a neural network according to claim 1 and a method for testing such a device with a hardware-formed neural network according to the independent claim are provided.
Weitere Ausgestaltungen sind in den abhängigen Ansprüchen angegeben.Further embodiments are specified in the dependent claims.
Gemäß einem ersten Aspekt ist eine Vorrichtung zum Testen eines Testbereichs eines neuronalen Netzes mit mehreren in Hardware ausgebildeten Neuronen vorgesehen, umfassend:
- - eine Teststeuereinheit zum Durchführen eines Tests eines aus den mehreren Neuronen ausgewählten Testbereichs;
- - Multiplexer, die mit eingangsseitigen Neuronen des Testbereichs verbunden sind und die durch die Teststeuereinheit ansteuerbar sind, um abhängig von dem Vorliegen eines Testbetriebs Eingangstestdaten an die eingangsseitigen Neuronen weiterzureichen;
- - Demultiplexer, die mit ausgangsseitigen Neuronen des Testbereichs verbunden sind und die durch die Teststeuereinheit ansteuerbar sind, um abhängig von dem Vorliegen des Testbetriebs Ausgangstestdaten an die Teststeuereinheit anzulegen;
- a test control unit for performing a test on a test area selected from the plurality of neurons;
- Multiplexers connected to input-side neurons of the test area and controllable by the test control unit to pass input test data to the input-side neurons in response to the presence of a test operation;
- Demultiplexers connected to output side neurons of the test area and controllable by the test control unit to apply output test data to the test control unit depending on the existence of the test operation;
Bisherige Verfahren zum Überprüfen einer Funktion eines in Hardware realisierten neuronalen Netzes überprüfen mithilfe von Testmustern die gesamte Hardware auf eine korrekte Funktionsweise. Dadurch ist die gesamte Berechnungshardware für die Dauer eines vollständigen Berechnungsdurchlaufs für weitere Berechnungen blockiert. Die obige Vorrichtung ermöglicht es, Testbereiche als Teile der Berechnungshardware des neuronalen Netzes zu testen und somit die Dauer des Ausfalls für den Testdurchlauf durch die Wahl der Größe des Testbereiches vorzugeben.Previous methods for verifying a function of a hardware-implemented neural network use test patterns to check all hardware for proper operation. This blocks all computational hardware for further computation for the duration of a complete computation pass. The above device makes it possible to test test areas as parts of the neural network computing hardware and thus to specify the duration of the test runout failure by choosing the size of the test area.
Weiterhin können die Multiplexer mit einem Eingang des neuronalen Netzes oder mit Neuronenausgängen mindestens eines weiteren Neurons verbunden sein, um abhängig von dem Vorliegen des Testbetriebs entweder Eingangsdaten des neuronalen Netzes bzw. Berechnungsergebnisse von weiteren Neuronen des neuronalen Netzes oder die Eingangstestdaten an die eingangsseitigen Neuronen anzulegen.Furthermore, the multiplexers can be connected to an input of the neural network or to neuron outputs of at least one further neuron, in order to apply either input data of the neural network or calculation results of further neurons of the neural network or the input test data to the input-side neurons, depending on the existence of the test operation.
Die Demultiplexer können weiterhin mit Neuroneneingängen von weiteren Neuronen des neuronalen Netzes bzw. einem Ausgang des neuronalen Netzes verbunden sein, um abhängig von dem Vorliegen des Testbetriebs entweder Berechnungsergebnisse an den Ausgang des neuronalen Netzes bzw. an weiteren Neuronen des neuronalen Netzes oder als Ausgangstestdaten an die Teststeuereinheit anzulegen. The demultiplexers can furthermore be connected to neuron inputs of further neurons of the neural network or to an output of the neural network, depending on the existence of the test operation, either calculation results at the output of the neural network or at other neurons of the neural network or as output test data to the Create test control unit.
Es kann vorgesehen sein, dass der Testbereich so gewählt ist, dass dieser zwischen den eingangsseitigen Neuronen des Testbereichs und den ausgangsseitigen Neuronen des Testbereichs in sich geschlossen ist, wobei insbesondere die übrigen Neuronen außerhalb des Testbereichs keine Verbindungen zu Neuroneneingängen von Neuronen innerhalb des Testbereichs besitzen und jedes der Neuronen in dem Testbereich mit seinen Neuronenausgängen mit Neuroneneingängen eines oder mehrerer weiterer Neuronen des Testbereichs oder den Demultiplexern verbunden ist.It can be provided that the test area is selected such that it is self-contained between the input-side neurons of the test area and the output-side neurons of the test area, wherein in particular the remaining neurons outside the test area have no connections to neuron inputs of neurons within the test area and each of the neurons in the test area is connected to its neuron outputs with neuron inputs of one or more further neurons of the test area or demultiplexers.
Gemäß einer Ausführungsform kann die Steuereinheit ausgebildet sein, um vor dem Testbetrieb die Berechnung in dem neuronalen Netz zu stoppen und Zwischenergebnisse und Berechnungsergebnisse zu speichern bzw. gespeichert zu lassen und insbesondere nach dem Testbetrieb die Berechnung basierend auf den gespeicherten Zwischenergebnissen und Berechnungsergebnissen fortzusetzen.According to one embodiment, the control unit may be configured to stop the calculation in the neural network and to store intermediate results and calculation results before the test operation, and in particular to continue the calculation based on the stored intermediate results and calculation results after the test operation.
Durch Zwischenspeichern der eingangsseitig des Testbereichs ankommenden Daten besteht die Möglichkeit, die aktuelle Berechnung des neuronalen Netzes anzuhalten, so dass das Testen des Testbereiches durchgeführt werden kann und im Anschluss die zwischengespeicherten Daten zur Fortsetzung der Berechnung in dem neuronalen Netz verwendet werden können. Somit gehen keine Rechnungsergebnisse verloren.By buffering the incoming data on the input side of the test area, it is possible to stop the current calculation of the neural network, so that testing of the test area can be performed and subsequently the buffered data can be used to continue the calculation in the neural network. Thus, no invoice results are lost.
Es kann vorgesehen sein, dass die Teststeuereinheit ausgebildet ist, um vor dem Testbetrieb Neuronenparameter von Neuronen im Testbereich zu ändern.It can be provided that the test control unit is designed to change neuron parameters of neurons in the test area before the test operation.
Insbesondere kann die Teststeuereinheit ausgebildet sein, Neuronenparameter für den Testbetrieb so zu ändern, dass Berechnungspfade innerhalb des Testbereichs definiert werden, so dass bei Feststellen eines Fehlers anhand des Berechnungspfades dieser als ein Fehler in Neuronen des Berechnungspfades identifiziert wird.In particular, the test control unit may be configured to change neuron parameters for the test operation to define calculation paths within the test area such that upon detection of an error from the calculation path, it is identified as an error in neurons of the calculation path.
Dazu kann die Teststeuereinheit ausgebildet sein, die Berechnungspfade für mehrere Testdurchgänge des Testbetriebs so zu ändern, dass in den mehreren Testdurchgängen jedes der Neuronen mindestens eine Berechnung durchführt.For this purpose, the test control unit may be configured to change the calculation paths for a plurality of test runs of the test operation such that in the multiple test passes each of the neurons performs at least one calculation.
Die Teststeuereinheit kann alternativ oder zusätzlich ausgebildet sein, die Berechnungspfade für mehrere Testdurchgänge des Testbetriebs so zu ändern, dass bei Feststellen eines Fehlers in zwei der Berechnungspfade der Fehler einem der in beiden Berechnungspfaden gemeinsam enthaltenen Neuronen zugeordnet wird.The test control unit may alternatively or additionally be configured to change the calculation paths for a plurality of test runs of the test operation such that, when an error is detected in two of the calculation paths, the error is assigned to one of the neurons jointly contained in both calculation paths.
Gemäß einem weiteren Aspekt ist ein neuronales Netz vorgesehen, umfassend mehrere in Hardware ausgebildete, miteinander gekoppelte Neuronen, wobei ein Teil der Neuronen einen Testbereich bilden, und die obige Vorrichtung.According to another aspect, there is provided a neural network comprising a plurality of hardware-trained, coupled-together neurons, wherein a part of the neurons form a test area, and the above device.
Gemäß einem weiteren Aspekt ist ein Verfahren zum Testen der obigen Vorrichtung vorgesehen, mit folgenden Schritten:
- - Einstellen eines Testbetriebs;
- - Anlegen von Eingangstestdaten an eingangsseitige Neuronen des Testbereichs mithilfe der Multiplexer;
- - Auslesen von Ausgangstestdaten mithilfe der Demultiplexer;
- - Feststellen eines Fehlers abhängig von einem Vergleich der Ausgangstestdaten mit vorgegebenen Testerwartungsdaten.
- - Setting a test operation;
- - applying input test data to input side neurons of the test area using the multiplexers;
- - reading out output test data using the demultiplexer;
- - Determining an error depending on a comparison of the output test data with given tester maintenance data.
Figurenlistelist of figures
Ausführungsformen werden nachfolgend anhand der beigefügten Zeichnungen näher erläutert. Es zeigen:
-
1 den Aufbau eines herkömmlichen neuronalen Netzes; -
2 eine schematische Darstellung einer Berechnungshardware eines neuronalen Netzes mit mehreren Schichten und mit einer Testschaltung zum Testen eines Testbereichs als ein Teil der Berechnungsschaltung des neuronalen Netzes; und -
3 eine schematische Darstellung eines Verfahrens zum Betreiben der Berechnungsschaltung zum Testen eines Testbereichs. -
4a und4b Berechnungspfade durch einen Testbereich bei einem Testbereich mit Neuronenschichten mit identischer Anzahl von Neuronen; -
5a und5b Berechnungspfade durch einen Testbereich bei einem Testbereich mit Neuronenschichten mit unterschiedlicher Anzahl von Neuronen.
-
1 the construction of a conventional neural network; -
2 a schematic representation of a computational hardware of a neural network with multiple layers and with a test circuit for testing a test area as part of the calculation circuit of the neural network; and -
3 a schematic representation of a method for operating the calculation circuit for testing a test area. -
4a and4b Calculation paths through a test area in a test area with neuron layers with identical numbers of neurons; -
5a and5b Computational paths through a test area in a test area with neuron layers with different numbers of neurons.
Beschreibung von Ausführungsformen Description of embodiments
Die Neuronen
Die Neuronenausgänge eines Neurons
So gebildete neuronale Netze
Zum Testen der Funktionalität der Berechnungshardware wird eine Testfunktionalität vorgesehen, die es in einem Testbetrieb ermöglicht, einzelne Testbereiche der Berechnungshardware zu selektieren. Die Funktion dieser Testbereiche aus mehreren Neuronen in einer oder mehreren Neuronenschichten bzw. Teile einer oder mehrerer Neuronenschichten können durch Anlegen von Eingangstestdaten
Die Testbereiche innerhalb der Berechnungshardware sind so gewählt, dass diese zwischen den eingangsseitigen Neuronen des Testbereichs und den ausgangsseitigen Neuronen des Testbereichs in sich geschlossen ist, d. h. dass die übrigen Neuronen außerhalb des Testbereichs keine Verbindungen zu Neuroneneingängen von Neuronen innerhalb des Testbereichs besitzen und dass jedes der Neuronen in dem Testbereich mit seinem Neuronenausgang mit mindestens einem Eingang eines weiteren Neurons
Wie in einer detaillierten Darstellung eines Testbereichs eines neuronalen Netzes in der
Die Demultiplexer
Entsprechend sind die Ausgänge der ausgangsseitigen Neuronen des Testbereichs über die Demultiplexer
Die Eingangstestdaten
Wenn der Testbereich getestet wird, kann vorgesehen sein, dass die Teststeuereinheit
Gemäß einer weiteren Ausführungsform kann vorgesehen sein, dass zum Testen der Neuronen im Testbereich die darin gespeicherten Neuronenparameter während des Testens zwischengespeichert werden und stattdessen Neuronentestparameter eingeschrieben werden. Durch geeignete Wahl der Neuronentestparameter kann sichergestellt werden, dass die Funktionalität jedes der Neuronen innerhalb des Testbereichs ordnungsgemäß überprüft werden kann. Nach Beenden des Tests können dann die zwischengespeicherten Neuronenparameter wieder in die Neuronen des Testbereichs zurückgeschrieben werden.According to a further embodiment it can be provided that, for testing the neurons in the test area, the neuron parameters stored therein are buffered during testing and instead neuron test parameters are written. By appropriate choice of the neuron test parameters, it can be ensured that the functionality of each of the neurons within the test area can be properly checked. After completion of the test, the cached neuron parameters can then be written back into the neurons of the test area.
In
Im Schritt
In Schritt
Die entsprechend zugeordneten Demultiplexer
In Schritt
In Schritt
In einem nachfolgenden Schritt
Bei einer Überprüfung in Schritt
In Schritt
Anschließend werden in Schritt
Durch die Möglichkeit, während des Testens die Neuronenparameter zu ändern, können durch geeignete Wahl der Gewichtungen Neuronenpfade durch den Testbereich definiert werden. Dies ist beispielhaft in
In
Eine weitere Möglichkeit für die Überprüfung der Funktion eines Testbereichs von Neuronen kann durch das Einspeisen bestimmter Eingangstestdaten TE ermöglicht werden. Indem die Gewichtungsparameter angepasst und Informationen aus einem Neuron nur horizontal durch das Netz propagiert werden, kann am Ende der Testkette eine Aussage über die Funktionsweise der in dieser Testkette enthaltenen Neuronen getroffen werden. Werden als Eingangstestdaten TE für a = 1, b = 2, c = 4, d = 8 angelegt, so können die Gewichtungsparameter und die Aktivierungsfunktionen so gewählt werden, dass bei korrekter Berechnung in den Neuronen und der Aktivierungsfunktion [bspw. ReLU]) die Werte der Ausgangstestdaten identisch zu den Werten der Werte der Eingangstestdaten
Bei Neuronenschichten mit unterschiedlicher Anzahl von Neuronen im Testbereich können die Verbindungen durch die Gewichtungsparameter so selektiert werden, dass stets ein definierter Berechnungspfad durch den Testbereich besteht. Die
Filternde Neuronenschichten in einer Berechnungshardware, wie z.B. MaxPooling-Layer bei CNN, sollten für ein Testverfahren besonders behandelt werden. Hierfür sollte vor der filternden Neuronenschicht das Berechnungsergebnis bis an diese Stelle berechnet und überprüft werden und im Anschluss mit neuen vordefinierten Eingangstestdaten
ZITATE ENTHALTEN IN DER BESCHREIBUNG QUOTES INCLUDE IN THE DESCRIPTION
Diese Liste der vom Anmelder aufgeführten Dokumente wurde automatisiert erzeugt und ist ausschließlich zur besseren Information des Lesers aufgenommen. Die Liste ist nicht Bestandteil der deutschen Patent- bzw. Gebrauchsmusteranmeldung. Das DPMA übernimmt keinerlei Haftung für etwaige Fehler oder Auslassungen.This list of the documents listed by the applicant has been generated automatically and is included solely for the better information of the reader. The list is not part of the German patent or utility model application. The DPMA assumes no liability for any errors or omissions.
Zitierte PatentliteraturCited patent literature
- CN 101110155 A [0003]CN 101110155 A [0003]
- EP 1806636 B1 [0004]EP 1806636 B1 [0004]
Claims (13)
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102018201710.7A DE102018201710A1 (en) | 2018-02-05 | 2018-02-05 | Method and device for checking a function of a neural network |
CN201910109949.8A CN110119349A (en) | 2018-02-05 | 2019-02-11 | Method and apparatus for examining the function of neural network |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102018201710.7A DE102018201710A1 (en) | 2018-02-05 | 2018-02-05 | Method and device for checking a function of a neural network |
Publications (1)
Publication Number | Publication Date |
---|---|
DE102018201710A1 true DE102018201710A1 (en) | 2019-08-08 |
Family
ID=67308813
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
DE102018201710.7A Pending DE102018201710A1 (en) | 2018-02-05 | 2018-02-05 | Method and device for checking a function of a neural network |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN110119349A (en) |
DE (1) | DE102018201710A1 (en) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111767220A (en) * | 2020-06-24 | 2020-10-13 | 深兰人工智能芯片研究院(江苏)有限公司 | Test method and device |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1806636A1 (en) | 2006-01-07 | 2007-07-11 | Deutsche Telekom AG | HiL system and method for testing ECU (embbeded control unit) of a car control system |
CN101110155A (en) | 2007-08-27 | 2008-01-23 | 北京交通大学 | Built-in intelligent fault diagnosing device based on data inosculating pattern recognition and method thereof |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE4124501C2 (en) * | 1991-07-24 | 1994-09-15 | Dieter Prof Dr Ing Barschdorff | Neural network with automatic installation of intermediate neurons |
CN202404912U (en) * | 2011-12-16 | 2012-08-29 | 大唐微电子技术有限公司 | Neural network test module and test system of smart card chip memory |
FR3023027B1 (en) * | 2014-06-27 | 2016-07-29 | St Microelectronics Crolles 2 Sas | METHOD FOR MANAGING THE OPERATION OF A MAJOR-RESOLVED REDUNDANT CIRCUIT AND ASSOCIATED DEVICE |
CN105677496B (en) * | 2016-01-12 | 2018-07-10 | 电子科技大学 | Testability index distribution method based on two layers of neural network |
CN106628097B (en) * | 2016-11-22 | 2018-08-28 | 南京航空航天大学 | A kind of ship equipment method for diagnosing faults based on improvement radial base neural net |
-
2018
- 2018-02-05 DE DE102018201710.7A patent/DE102018201710A1/en active Pending
-
2019
- 2019-02-11 CN CN201910109949.8A patent/CN110119349A/en active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1806636A1 (en) | 2006-01-07 | 2007-07-11 | Deutsche Telekom AG | HiL system and method for testing ECU (embbeded control unit) of a car control system |
CN101110155A (en) | 2007-08-27 | 2008-01-23 | 北京交通大学 | Built-in intelligent fault diagnosing device based on data inosculating pattern recognition and method thereof |
Also Published As
Publication number | Publication date |
---|---|
CN110119349A (en) | 2019-08-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
DE10307342B4 (en) | Device and method for model-based on-board diagnostics | |
DE102017213119A1 (en) | Method and apparatus for detecting anomalies in a communication network | |
DE3702408C2 (en) | ||
DE102015216265A1 (en) | Method and subsystem for installing a software update in a vehicle | |
DE102017211433A1 (en) | Method for performing a functional test of a control unit in a hardware-in-the-loop test, HIL test, and HIL test bench and control unit | |
DE102017210787A1 (en) | Method and apparatus for detecting anomalies in a communication network | |
DE102018201710A1 (en) | Method and device for checking a function of a neural network | |
DE2654389B2 (en) | ||
DE4233837A1 (en) | Dual lane computing system | |
DE102009034242A1 (en) | Method for testing controller utilized for controlling e.g. brake lamp of lorry, involves automatically operating regulator to determine whether controller properly operates or not upon detected output signal | |
DE102007041848A1 (en) | Method and device for detecting faulty components of coupled chains of action | |
DE10213582A1 (en) | Data calculation device and method for using the data calculation device for setting an electronic control device | |
DE102021200789A1 (en) | Computer-implemented method and device for manipulation detection for exhaust aftertreatment systems using artificial intelligence methods | |
DE102015209033A1 (en) | Method and apparatus for providing a test response | |
DE102020206321A1 (en) | Method and device for testing a technical system | |
DE102019209536A1 (en) | Method and apparatus for evaluating and selecting signal comparison metrics | |
DE102016224253A1 (en) | Method for monitoring a sensor system of a vehicle and sensor system | |
DE102018212801A1 (en) | Diagnosing complex systems | |
DE102017214610A1 (en) | Method for checking at least one vehicle function and testing device | |
DE102017213764A1 (en) | Device for the reliability analysis of a mechatronic system | |
DE102017213771A1 (en) | Method and apparatus for detecting anomalies in a communication network | |
DE2606669C2 (en) | Method for testing digital systems and device for carrying out the method | |
EP0762246B1 (en) | Method and device for checking a control unit | |
DE102021101876A1 (en) | Formal verification of a program of a control unit | |
DE10235380B4 (en) | Method for dynamic memory management |