干货分享 | TSMaster 信号映射的配置方法

TSMaster信号映射模块可以将数据库变量映射为系统变量,经过映射后的系统变量就等同于数据库中的变量,该系统变量的读写操作就等同于读写数据库变量。其在系统软件中的位置如下图所示:

图片

信号映射模块设计的目的,就是为了实现上层应用层逻辑和下层数据库变量的解耦合。如果上层应用层直接操作数据库中的变量,一旦数据库发生变动,介于这种强耦合关系,会造成上层开发,比如Panel,测试脚本等需要修改对应的数据库变量,对于大型工程项目来说,这种变动是不可接受的。采用信号映射模块,上层映射层不用直接操作数据库变量,直接使用映射后的系统变量,当下层数据库等发生变动时,只需重新将映射数据库变量到对应的系统变量即可,而不用修改上层的应用。本文将重点介绍TSMaster中添加信号映射的操作方法。

本文关键字:信号映射、系统变量、表达式映射


目录

Catalog

1.  直接映射的操作方法

2.  表达式映射的操作方法

3.  信号映射转换实例

一、直接映射的操作方法

1、信号映射模块路径:仿真-环境-信号映射

打开信号映射后,点击模块左上角激活按钮使能信号映射模块。如图1。

图片

图1

选择数据库中的信号进行映射,以CAN数据库为例,如图2所示:

▲ Step1:选择【通道1】的数据库报文信号;

▲ Step2:选择需要映射的信号,比如“EngSpeed”信号;

▲ Step3: 鼠标右键,选择【自动创建映射】;

▲ Step4:在【映射目标系统变量列表】自动生成目标系统变量,默认为直接映射类型。

图片

图2

▲ Step5: 当自动创建映射后,在【仿真-系统变量-用户变量列表】中会自动生成同名系统变量,如图3。

图片

图3

2、映射方向的三种方式

直接映射方式可以理解为一对一的映射方式,可以选择信号映射的方向,TSMaster提供了三种方式:双向传递、仅从信号映射至系统变量、仅从系统变量映射至信号,以适配不同的映射需求,如图4。

1)双向传递:系统变量值的改变会同步到信号,信号值的改变会同步到系统变量。

2)仅从信号映射至系统变量:信号值的改变会同步到系统变量,系统变量值的改变不会同步到信号。

3)仅从系统变量映射至信号:系统变量值的改变会同步到信号,信号值的改变不会同步到系统变量。

图片

图4

操作步骤如下:

① 选择映射列表条目中目标系统变量;

② 点击【映射方向】弹出菜单;

③ 选择映射方向;

④ 点击【设置】完成选择。

二、表达式映射操作方法

1、表达式映射的说明

将所选表达式设置为表达式映射后可以编辑表达式,最终将自定义的算法表达式计算得到的结果映射到系统变量,自变量可以选择常量、系统变量、FlexRay信号、CAN信号、LIN信号。

TSMaster提供了一系列的数学函数列表及表达式,其中数学函数列表:

abs, acos, asin, atan, atan2, ceil, cos, cosh, e, exp, fac, floor, ln.

log, log10, max, min, ncr, npr, pi, pow, sign, sin, sinh, sqrt, tan, tanh

表达式示例:

[1] sqrt(x1n1.5 + x2n2.5)

[2] x1 * 3 + x2 / 1.2 - 11.9

[3] (1/(x1+1)+2/(x2+2)+3/(x3+3))

[4] (x1 > 50) & ((x2 <30) |(x3 = 1)

2、表达式映射的操作步骤

选择映射对后点击设置为表达式映射,在窗口右侧编辑计算方法,如图5。

图片

图5

① 选择映射目标系统变量

② 设置为表达式映射

③ 点击加号添加自变量

图片

:添加自变量

图片

:删除自变量

图片

:查看任意表达式帮助

图片

:复制当前表达式映射的C代码

④ 编辑计算方法表达式

⑤ 给计算表达式中的自变量赋值,自变量可以选择常量、系统变量、FlexRay信号、CAN信号、LIN信号

【检查映射】:完成信号映射列表的添加和配置后,可以选择检查当前映射,可以避免出现无效映射的情况。

【配置】:自动激活对应的RBS发送信号。勾选后映射列表中涉及的信号将会以RBS的方式仿真发送,如图6。

图片

图6

配置好的映射信号列表,可以进行配置文件的保存与导入,如图7。

【配置文件保存】:信号映射对配置完成后可以将当前映射对配置导出到本地。

【配置文件导入】:可以将当前信号映射列表导出.ini文件。

图片

图7

三、信号映射转换实例

汽车车速与发动机转速之间有一种常见的转换关系计算,车速(km/小时)=发动机转速x 60 x 3.14 x轮胎直径/(1000X主减速比x对应档位传动比)。通常轮胎直径、主减速比、对应档位传动比可以通过汽车手册查得,再通过已知的发动机转速,使用信号映射计算出汽车的车速,即:车速CarSpeed= 发动机转速*60*3.14*0.724/(1000*3.683*0.672)。

在TSMaster的信号映射里创建好目标系统变量“CarspeedMappingFromEngSpeed”,设置为表达式映射,x1绑定汽车发动机转速EngSpeed,如图8。

CarspeedMappingFromEngSpeed = x1*60*3.14*0.724/(1000*3.683*0.672)

图片

图8

配置好信号映射表达式后,可以修改EngSpeed的发送值为1000 rpm,经过信号映射后可以自动计算车速为55.1 km/h, 如图9。

图片

图9

同样,继续修改EngSpeed的发送值为2000 rpm,经过信号映射后可以自动计算车速约为110.2 km/h, 如图10。

图片

图10 

以上是信号映射模块使用操作流程和示例,信号映射出来的系统变量可以直接被我们的panel模块、信号测试模块、信号比较模块、C小程序、图形模块等模块访问和使用,信号映射是我们TSMaster中实现模块互通的一员,合理使用信号映射模块可以有效提高基于TSMaster的工程开发效率。

  • 16
    点赞
  • 13
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
### 回答1: Spark Streaming 和 Flink 都是流处理框架,但在一些方面有所不同。 1. 数据处理模型 Spark Streaming 基于批处理模型,将流数据分成一批批进行处理。而 Flink 则是基于流处理模型,可以实时处理数据流。 2. 窗口处理 Spark Streaming 的窗口处理是基于时间的,即将一段时间内的数据作为一个窗口进行处理。而 Flink 的窗口处理可以基于时间和数据量,可以更加灵活地进行窗口处理。 3. 状态管理 Spark Streaming 的状态管理是基于 RDD 的,需要将状态存储在内存中。而 Flink 的状态管理是基于内存和磁盘的,可以更加灵活地管理状态。 4. 容错性 Flink 的容错性比 Spark Streaming 更加强大,可以在节点故障时快速恢复,而 Spark Streaming 则需要重新计算整个批次的数据。 总的来说,Flink 在流处理方面更加强大和灵活,而 Spark Streaming 则更适合批处理和数据仓库等场景。 ### 回答2: Spark Streaming 和 Flink 都是流处理框架,它们都支持低延迟的流处理和高吞吐量的批处理。但是,它们在处理数据流的方式和性能上有许多不同之处。下面是它们的详细比较: 1. 处理模型 Spark Streaming 采用离散化流处理模型(DPM),将长周期的数据流划分为离散化的小批量,每个批次的数据被存储在 RDD 中进行处理,因此 Spark Streaming 具有较好的容错性和可靠性。而 Flink 采用连续流处理模型(CPM),能够在其流处理过程中进行事件时间处理和状态管理,因此 Flink 更适合处理需要精确时间戳和状态管理的应用场景。 2. 数据延迟 Spark Streaming 在处理数据流时会有一定的延迟,主要是由于对数据进行缓存和离散化处理的原因。而 Flink 的数据延迟比 Spark Streaming 更低,因为 Flink 的数据处理和计算过程是实时进行的,不需要缓存和离散化处理。 3. 机器资源和负载均衡 Spark Streaming 采用了 Spark 的机器资源调度和负载均衡机制,它们之间具有相同的容错和资源管理特性。而 Flink 使用 Yarn 和 Mesos 等分布式计算框架进行机器资源调度和负载均衡,因此 Flink 在大规模集群上的性能表现更好。 4. 数据窗口处理 Spark Streaming 提供了滑动、翻转和窗口操作等灵活的数据窗口处理功能,可以使用户更好地控制数据处理的逻辑。而 Flink 也提供了滚动窗口和滑动窗口处理功能,但相对于 Spark Streaming 更加灵活,可以在事件时间和处理时间上进行窗口处理,并且支持增量聚合和全量聚合两种方式。 5. 集成生态系统 Spark Streaming 作为 Apache Spark 的一部分,可以充分利用 Spark 的分布式计算和批处理生态系统,并且支持许多不同类型的数据源,包括Kafka、Flume和HDFS等。而 Flink 提供了完整的流处理生态系统,包括流SQL查询、流机器学习和流图形处理等功能,能够灵活地适应不同的业务场景。 总之,Spark Streaming 和 Flink 都是出色的流处理框架,在不同的场景下都能够发挥出很好的性能。选择哪种框架取决于实际需求和业务场景。 ### 回答3: Spark Streaming和Flink都是流处理引擎,但它们的设计和实现方式有所不同。在下面的对比中,我们将比较这两种流处理引擎的主要特点和差异。 1. 处理模型 Spark Streaming采用离散流处理模型,即将数据按时间间隔分割成一批一批数据进行处理。这种方式可以使得Spark Streaming具有高吞吐量和低延迟,但也会导致数据处理的粒度比较粗,难以应对大量实时事件的高吞吐量。 相比之下,Flink采用连续流处理模型,即数据的处理是连续的、实时的。与Spark Streaming不同,Flink的流处理引擎能够应对各种不同的实时场景。Flink的实时流处理能力更强,因此在某些特定的场景下,它的性能可能比Spark Streaming更好。 2. 窗口计算 Spark Streaming内置了许多的窗口计算支持,如滑动窗口、滚动窗口,但支持的窗口计算的灵活性较低,只适合于一些简单的窗口计算。而Flink的窗口计算支持非常灵活,可以支持任意窗口大小或滑动跨度。 3. 数据库支持 在处理大数据时,存储和读取数据是非常重要的。Spark Streaming通常使用HDFS作为其数据存储底层的系统。而Flink支持许多不同的数据存储形式,包括HDFS,以及许多其他开源和商业的数据存储,如Kafka、Cassandra和Elasticsearch等。 4. 处理性能 Spark Streaming的性能比Flink慢一些,尤其是在特定的情况下,例如在处理高吞吐量的数据时,在某些情况下可能受制于分批处理的架构。Flink通过其流处理模型和不同的调度器和优化器来支持更高效的实时数据处理。 5. 生态系统 Spark有着庞大的生态系统,具有成熟的ML库、图处理库、SQL框架等等。而Flink的生态系统相对较小,但它正在不断地发展壮大。 6. 规模性 Spark Streaming适用于规模小且不太复杂的项目。而Flink可扩展性更好,适用于更大、更复杂的项目。Flink也可以处理无限制的数据流。 综上所述,Spark Streaming和Flink都是流处理引擎,它们有各自的优缺点。在选择使用哪一个流处理引擎时,需要根据实际业务场景和需求进行选择。如果你的业务场景较为复杂,需要处理海量数据并且需要比较灵活的窗口计算支持,那么Flink可能是更好的选择;如果你只需要简单的流处理和一些通用的窗口计算,Spark Streaming是更为简单的选择。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
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

打赏作者

TOSUN同星

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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