墨衍会员
·
AI 创作全网分发
墨衍智能分发
本文由作者通过墨衍一键同步至各平台
1分发平台
100+累计阅读
139平均单平台
已同步平台
优快云
微信公众号
微博
知乎
掘金
百家号
博客园
抖音
小红书
你的文章也可以这样分发
墨衍会员 ¥399起/年，写一次发全网
我也要
AutoSAR
专栏收录该内容
《自动车辆诊断信息清除服务 AutoSAR》
在现代汽车行业，自动车辆诊断系统（UDS）起着至关重要的作用。它可以帮助检测和解决车辆故障，并提供准确的诊断信息，以便进行修复。本文将介绍一种名为AutoSAR的服务，它用于清除UDS中的诊断信息，以确保车辆的安全和可靠性。
AutoSAR是基于AutoSAR标准的一种服务，它旨在帮助汽车制造商和维修技术人员执行UDS诊断信息的清除操作。UDS是一种通信协议，它允许诊断工具与车辆的电子控制单元（ECU）进行通信，以获取诊断信息和执行特定功能。
为了演示AutoSAR服务的实际应用，我们将使用C++编写一个简单的示例程序。该程序将模拟车辆的一个ECU，并通过UDS协议与诊断工具进行通信。以下是示例代码：
#include <iostream>
void clearDiagnosticInformation()
Autosar学习笔记——（三）诊断服务
https://zhuanlan.zhihu.com/p/74579897 https://zhuanlan.zhihu.com/p/25198437 https://blog.csdn.net/xyfx_fhw/article/details/99714526 2.3.1.1 诊断服务 诊断事件管理器DEM 诊断事件管理器DEM（Diagnostic Event Manager）是一个子组件，如同AUTOSAR内诊断模块的诊断通信管理器（DCM）和功能禁止管理器（FIM）。它负责处理和存储诊断事件（错误）
车辆TBOX科普 第71次 深入解析AUTOSAR诊断通信（UDSonCAN）模块：从理论到实践
本文深入探讨了汽车诊断通信系统的核心技术——基于AUTOSAR标准的UDSonCAN实现。主要内容包括：首先解析了UDS协议的核心服务分类及CAN总线上的ISO-TP传输机制；其次剖析了AUTOSAR架构下诊断通信模块(DCM、DEM)的功能职责与交互关系；最后提供了基于开发工具的具体配置实践指南。文章系统性地阐述了从协议理论到工程实现的关键技术，为汽车电子诊断系统开发提供了实用参考。
【Autosar DEM 一 .初次了解 】
DEM全称diagnostic event manager，主要是用于处理诊断事件（如检测12伏电压是否异常）和存储相关数据（如扩展数据、冻结帧等）。同时也给其他模块通过标准接口提供信息，如DCM可以通过 Dem_ReturnGetStatusOfDTCType Dem_DcmGetStatusOfDTC( uint32 DTC, Dem_DTCOriginType DTCOrigin, uint8* DTCStatus) 这个标准接口同步或异步的读取到指定的DTC的故障状态。 下面将从以下几个方面，感性.
Autosar DEM模块
AUTOSAR 规范定义了 Dem（Diagnositic Event Manager， 诊断事件管理器） 模块来处理和存储故障信息， 并把存储的故障信息通过接口传递给 Dcm 模块
UDS诊断信息清除服务在AutoSAR中的应用
其中，UDS清除诊断信息服务在AutoSAR中具有重要的作用，本文将详细介绍UDS清除诊断信息服务的实现方式，并提供相应的源代码示例。配置工具可以根据具体的需求生成相应的代码和配置文件，以支持UDS清除诊断信息服务的运行。在ECU的软件中，需要实现相应的服务处理函数来处理诊断请求。对于UDS清除诊断信息服务，服务处理函数的主要任务是验证安全访问和执行诊断信息的清除操作。该服务可以在车辆制造商和维修技术人员之间进行诊断信息的交换和清除操作，以提高车辆的维修效率和性能。如有任何进一步的问题，请随时提问。
汽车故障诊断工作原理：从需求到AUTOSAR诊断模块协作的浅析
首先分析故障诊断的底层需求（如实时性、数据完整性），随后逐一解读DCM、DEM、FiM等模块的功能定义，最后通过具体案例展示模块间如何协同完成故障检测、存储、通信、功能降级的全流程。从早期的简单故障码（DTC）读取，到如今支持远程诊断、OTA升级的智能化系统，汽车故障诊断已发展为一个涵盖实时监测、数据分析、功能降级、云端协同的完整技术体系。DCM（诊断通信管理）、DEM（诊断事件管理）、FiM（功能抑制管理）**等核心模块，为诊断系统提供了模块化、分层次的解决方案，实现了从信号检测到云端交互的全链路覆盖。
【知识点】AUTOSAR基础——AOTOSAR诊断简介
AUTOSAR（automotive open system architecture）是由全球汽车制造商、部件供应商及其其他电子、半导体和软件系统公司联合提出的汽车开放系统架构标准，其中很重要的一部分就是诊断系统，AUTOSAR诊断系统的目的是适应所有的诊断标准和协议；在线诊断是通过车内诊断系统对ECU的状态进行监控，故障发生时通过仪表显示告知驾驶员，并在ECU内存储对应的故障码DTC（Diagnostic Trouble Codes）、冻结帧等信息。
AUTOSAR从入门到精通-统一诊断服务（UDS）（六）
源自百度：UDS协议(Unified Diagnostic Services，统一诊断服务)是诊断服务的规范化标准，比如读取故障码应该向ecu发什么指令，读数据流又发什么指令。OBD是关注车辆售后实时排放的理念形成的行业规范，而UDS是诊断服务的统一化规范，只是应用层的规范。UDS与OBD最大的区别就在于“Unified”上，它是面向整车所有ECU(电控单元)的，而OBD是面向排放系统ECU的。
AUTOSAR从入门到精通-诊断事件管理模块(DEM)(一)
Dem全称为Diagnostic Event Manager，负责故障事件的处理、故障数据的存储和管理。简单说其功能是故障事件确认前的故障debounce，故障事件确认时的故障数据存储，故障发生后的故障老化、故障替代（AUTOSAR的故障存储策略）。AUTOSAR标准中对Dem模块最上层分了两菜单栏（参见图1），分别是DemConfigSet，DemGeneral。
在AP AUTOSAR诊断中DID、RID、SID、AccessPermission分别代表什么？
在UDS（Unified Diagnostic Services）协议中，DID用于唯一标识车辆电子控制单元（ECU）中的特定数据项。UDS协议定义了一系列标准化的诊断服务，通过这些服务可以读取、写入或清除特定的DID数据。
Autosar BSW 之诊断 (1) UDS
Autosar 基础知识 诊断 Dem DTC
AUTOSAR 诊断服务-DEM功能概述
而DEM中又有大量数据需要存储在非易失性存储模块（如Dflash、EEPROM）中，但两者的交互关系都发生在上电初始化（startup）和下电（shutdown）过程中，当然，如果没有NvM_WriteAll的过程，也可以在运行过程中写入。但是DCM和DEM是两个不同的任务，所以以上几个函数一般是异步执行，DCM只负责把请求命令和写入目标给到DEM，在DEM任务中轮询DCM的任务请求，并实现数据的填充，后通知DCM任务完成。此外，Dem向Dcm提供故障信息(例如，从事件内存中读取所有存储的dtc)。
”COMSOL“竟然如此简单！我悟了！！
COMSOL Multiphysics具有强大的多物理场全耦合仿真分析功能、高效的计算性能，可以保证数值仿真的高度精确，已被广泛应用于各个学科领域，近年来运用COMSOL来解决电化学实际工程问题也越来越普遍。
DP_AUX辅助通道介绍
DisplayPort（简称DP）是一个由PC及芯片制造商联盟开发，视频电子标准协会（VESA）标准化的数字式视频接口标准。其中辅助通道（AUX）是一条独立双向半双工的传输通道，它也是一对差分信号线。其数据传输速率1Mbps，用来传输配置参数与指令。
ESP32开发环境避坑指南：用Thonny烧录MicroPython固件时常见的5个错误及解决方法
本文针对ESP32开发新手，详细解析了使用Thonny IDE烧录MicroPython固件时最常见的5个错误及其解决方案。内容涵盖驱动安装、端口识别、固件烧录失败、版本兼容性、连接不稳定以及文件系统操作异常等核心痛点，并提供硬件层面的深度排查指南，帮助开发者高效搭建稳定的ESP32开发环境。
STM32F4驱动海康工业相机实战：从PWM信号到精准触发拍照（附完整代码）
本文详细介绍了如何使用STM32F4开发板驱动海康工业相机，实现PWM信号精准触发拍照的完整方案。从硬件连接到PWM信号生成，再到相机触发配置与延迟补偿，提供了实战经验和完整代码，帮助开发者解决工业相机硬件触发中的关键问题。
桑基图实战指南：Excel/Python/R三工具高效绘制方法
桑基图是一种以线条宽度编码流量大小、以节点位置表达流程阶段、以连接关系呈现数据流向的专项可视化技术，其核心原理在于‘宽即量、位即序、连即逻辑’。它并非装饰性图表，而是面向业务诊断的分析前置工具，尤其适用于预算分配、能源损耗、用户转化等存在明确单向流动与显著数值差异的场景。相比传统柱状图或漏斗图，桑基图能天然暴露系统瓶颈与隐性损耗，大幅提升决策效率。本文聚焦工程落地，覆盖Excel插件快速交付、Python Plotly交互开发、R networkD3生态集成三大主流路径，兼顾数据准备铁律、索引映射规范与中文
11、气动外形优化中的连续伴随方法
本文探讨了连续伴随方法在气动外形优化中的理论背景、实现和验证过程。通过使用DLR的FLOWer求解器，将伴随方法应用于Euler和Navier-Stokes方程，以高效计算成本函数梯度，从而显著减少优化过程中的计算成本。文章还介绍了该方法在RAE2822翼型和ONERA M6机翼等案例中的应用，并展示了其准确性和效率。未来展望包括扩展到复杂流动模拟和多学科优化。
（代码可运行）半导体器件和工艺模拟 使用Silvaco设计构建NMOS并提取各项工艺及器件参数
win10。
【安全机制分析案例】从PDF预览页面提取原始PDF文件的方法原理与实践 篇二：基于致远互联（Seeyon）封装的SuwellLightRead技术
该HTML代码片段展示了致远OA协同办公系统的前端页面结构，包含多个CSS样式表和JavaScript文件的引用。页面设置了IE兼容模式，加载了全局环境变量、UI组件库和公告模块相关资源。代码中定义了系统路径、静态资源后缀等全局变量，并包含公告查看功能的相关配置参数。页面还引用了水印、文档处理、即时通讯等功能的JS文件，并设置了文件下载框架。整体呈现了一个典型的OA系统前端实现方案，包含浏览器兼容处理、资源加载和功能模块初始化等逻辑。
Data-Structures-and-Algorithm-Analysis-in-Java.pdf
作者: Weiss, Mark A. 出版社: Addison Wesley Data Structures and Algorithm Analysis in Java is an “advanced algorithms” book that fits between traditional CS2 and Algorithms Analysis courses. In the old ACM Curriculum Guidelines, this course was known as CS7. This text is for readers who want to learn good programming and algorithm analysis skills simultaneously so that they can develop such programs with the maximum amo...
VC中sqlite的使用
在VC中对sqlite的使用，实现数据库大批数据的快速插入，读取数据库中的数据在ListCtrl中显示
深度学习工具包 DeepLearningToolbox
深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[](https://bitdeli.com/free "Bitdeli Badge")
C# WinForm 基于DirectShow.dll编写的程序，可边预览边保存视频，音频和图片
基于微软的DirectShow.dll的二次开发1.自动识别连接的摄像头跟麦克风且可以对其进行选择（默认选中第一个）2.可录制wmv和avi两种格式的视频并且都带有音频，avi可以录制的分辨率和帧数进行选择，wmv默认进行了淸晰度优化如不喜欢可去除代码中有相关提示3.可在预览点开之后进行拍照，也可边录制视频边拍照4.添加了视频和音频的压缩功能（酌情使用）这次二次开发发现C#对DirectShow的相关信息太少，这次做完也不敢藏私共享出来，还望大家指正
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
5466
扫一扫
