19、OpenVX在安全关键应用中的使用与挑战

OpenVX在安全关键系统中的挑战与优化

OpenVX在安全关键应用中的使用与挑战

1. 开发流程与同步性

在开发过程中,需要确保所有工作产品(需求、设计、实现、测试)在发布时保持同步。可以采用分段式的冲刺方式,每个冲刺就像一个独立的小型V模型。要始终保证规格、测试、设计和实现的一致性。

在Scrum或设计会议后,如果不同人员独立并行地更新规格、测试、设计和实现,可能会因对会议决策的理解不同而导致问题。即使有准确的二次审查流程,也可能会浪费大量精力。因此,最好先确定需求,然后编写功能测试(或至少是测试设计),并根据需求进行审核,再进行设计和实现。

为了达到最佳质量并确保满足安全目标,应该有一个持续改进的过程,代码覆盖率和静态分析结果等指标不能下降。以下是合并请求接受的标准:
- 测试的代码覆盖率百分比不能下降。
- 现有测试不能出现回归,除非能证明是暂时情况(需要讨论)。
- 静态分析不能有新的违规(允许豁免,但需要讨论)。
- 请求必须能证明对现有故事有贡献。
- 代码通过同行评审。
- 代码满足复杂度要求。
- 代码符合风格指南(最好自动化)。

2. 确定性问题

ISO26262等标准要求代码具有确定性。但在实际中,复杂硬件上实现的大型系统往往不具有确定性。

例如,在寻找场景中的物体(如道路边缘)时,会找到候选线并筛选。由于处理时间有限,会限制最大线数,找到100条线后停止处理。对于给定的图像输入,不一定总能找到相同的线,且线的顺序也可能不同。这可能是由于硬件原因,如任务分配到多个独立时钟的核心,时钟速度的微小变化或抖动会导致数据到达顺序改变。

在这种情况下,每次找

【故障诊断】【pytorch】基于CNN-LSTM故障分类的轴承故障诊断研究[西储大学数据](Python代码实现)内容概要:本文介绍了基于CNN-LSTM神经网络模型的轴承故障分类方法,利用PyTorch框架实现,采用西储大学(Case Western Reserve University)公开的轴承故障数据集进行实验验证。该方法结合卷积神经网络(CNN)强大的特征提取能力和长短期记忆网络(LSTM)对时序数据的建模优势,实现对轴承不同故障类型和严重程度的高精度分类。文中详细阐述了数据预处理、模型构建、训练流程及结果分析过程,并提供了完整的Python代码实现,属于典型的工业设备故障诊断领域深度学习应用研究。; 适合人群:具备Python编程基础和深度学习基础知识的高校学生、科研人员及工业界从事设备状态监测故障诊断的工程师,尤其适合正在开展相关课题研究或希望复现EI级别论文成果的研究者。; 使用场景及目标:① 学习如何使用PyTorch搭建CNN-LSTM混合模型进行时间序列分类;② 掌握轴承振动信号的预处理特征学习方法;③ 复现并改进基于公开数据集的故障诊断模型,用于学术论文撰写或实际工业场景验证; 阅读建议:建议读者结合提供的代码逐行理解模型实现细节,重点关注数据加载、滑动窗口处理、网络结构设计及训练策略部分,鼓励在原有基础上尝试不同的网络结构或优化算法以提升分类性能。
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符  | 博主筛选后可见
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值