基于无监督机器学习的汽车 AMS 电路功能安全性提升

Ayush Arunachalam; Ian Kintz; Suvadeep Banerjee; Arnab Raha; Xiankun Jin; Fei Su; Viswanathan Pillai Prasanth; Rubin A. Parekhji; Suriyaprakash Natarajan; Kanad Basu

基于无监督机器学习的汽车 AMS 电路功能安全性提升

机器学习 2024-04-03 v1 系统与控制系统与控制

作者: Ayush Arunachalam , Ian Kintz , Suvadeep Banerjee , Arnab Raha , Xiankun Jin , Fei Su , Viswanathan Pillai Prasanth , Rubin A. Parekhji , Suriyaprakash Natarajan , Kanad Basu

在 arXiv 上查看 ↗ PDF ↗

摘要

鉴于功能安全关键应用在汽车领域的广泛使用, 确保汽车系统中电路和组件的功能安全(FuSa)至关重要. 汽车领域常见的模拟和混合信号(AMS)电路相对于其数字对手更容易受到参数扰动、噪声、环境应力和其他因素引起的故障影响. 然而, 其连续信号特性为早期异常检测提供了机会, 可用于实施安全机制以防止系统故障. 为此, 我们提出了一种基于无监督机器学习的 novel 框架用于 AMS 电路的早期异常检测. 该方法涉及在各个电路位置和单个组件注入异常以创建多样且全面的异常数据集, 随后从观察到的电路信号中提取特征. 随后, 我们采用聚类算法来实现异常检测. 此外, 我们提出了一种时序框架以提高和加速异常检测性能. 我们的做法涵盖了针对汽车领域的异常抽象在多个层面的系统性分析, 从硬件到模块层面, 在其中注入异常以创建多样的故障情景. 通过监测这些异常条件下的系统行为, 我们捕获异常的传播及其在不同抽象层面的影响, 从而可能为确保汽车 SoC 可靠功能安全性的实现铺平了道路. 我们的实验结果表明, 该方法实现了 100% 的异常检测准确率, 并显著优化了相关延迟, 降低了 5 倍, 凸显了我们所构思解决方案的有效性.

关键词

功能安全 AMS 电路无监督机器学习异常检测汽车

引用

@article{arxiv.2404.01632,
  title  = {Enhancing Functional Safety in Automotive AMS Circuits through Unsupervised Machine Learning},
  author = {Ayush Arunachalam and Ian Kintz and Suvadeep Banerjee and Arnab Raha and Xiankun Jin and Fei Su and Viswanathan Pillai Prasanth and Rubin A. Parekhji and Suriyaprakash Natarajan and Kanad Basu},
  journal= {arXiv preprint arXiv:2404.01632},
  year   = {2024}
}

备注

12 pages, 12 figures

基于无监督机器学习的汽车 AMS 电路功能安全性提升

摘要

关键词

引用

备注

相关论文