新闻详情

新闻详情

首页 / 资讯中心 / 详情

TSMaster诊断功能之Diagnostic TP参数配置

发布时间:2026/11/18 15:52:26来源:尧图网络
TSMaster诊断功能之Diagnostic TP参数配置
TSMaster提供了诊断控制台基础功能用户可以根据需求配置自己的发送和应答请求。按照如下步骤操作即可。一、传输层参数其中各个参数解释如下1Bus Type: 诊断传输层类型目前已经支持CAN/CANFD/LIN接下来支持以太网和Flexray等。通过下拉列表可以选择如下图所示2Channel诊断模块用到的逻辑通道。TSMaster支持多个诊断模块同时在线工作这里用于选择当前诊断模块使用系统的哪一个逻辑通道。通过下拉列表进行选择如下图所示3Request ID/Response ID/Function ID设置诊断模块PC工具端的诊断请求/应答/功能帧的ID。4Request ID Type/Response ID Type /Function ID Type设置诊断模块PC工具端的诊断请求/应答/功能帧的ID类型是标准帧11位还是扩展帧29位如下图所示5Filled Byte传输过程中实际有效字节不足一个CAN报文数据端的时候剩余数据段的填充字节。比如一帧CAN报文8个字节如果有效传输字节是【0x020x100x02】,填充字节是0xAA则实际的报文字节是【0x020x100x020xAA0xAA0xAA0xAA0xAA】。6STMin最短接收时间间隔。TSMaster诊断模块作为接收端在接收连续帧报文的时候能够支持的诊断帧之间的最短时间间隔这个参数是回复给诊断客户端的。设置为0表示支持以最短的时间间隔接收。7BlockSize接收Block的大小。TSMaster诊断模块作为接收端在接收连续帧报文的时候一次能够接收的数据块的大小。这个参数是回复给诊断客户端的。设置为0表示一次性能够接收任意大小的数据块。8FD Max DLC当传输层设置为CANFD的时候。此时传输层单帧的最大传输字节数量是64字节DLC15但是这个参数是可以调节的调节范围如下所示9Max Length: 该参数对于普通CAN/LIN是无意义的。多帧传输的时候。当DLC长度 8字节的时候首帧First Frame采用第0字节低四位第一个字节的8位共12Bit表示一次传输的包的大小也就是最多4095个字节如下图所示但是FDCAN中设置DLC长度8字节的时候可以采用更多的Bits来传输信息。因此FDCAN的传输层支持采用第2,3,4,5四个字节共32bit来传输一个数据Block的长度。也就是说FDCAN的传输层一次支持传输最多4个G的数据。但是具体支持多少让用户可以配置。注释第一个字节的高四位 1表示该帧是首帧First Frame无论是FDCAN还是Class CAN的传输层都是如此。比如如下图所示配置位4095个字节则跟普通传输层一样。如果配置为大于4095则要使用FD帧扩容的传输层。二、服务层参数服务层参数主要包含S3P2时间参数以及加载SeedKey的dll。如下图所示1S3参数包括S3 ServiceTime和S3 Client Time。S3 Service Time表示该ECU从Default会话被切换到其他会话过后经过多场时间会自动切换回默认会话的超时时间。S3 Client Time表示作为诊断Tester端发送TesterPresent帧的时间间隔。上述两个参数的示意图可以点开Detail按钮查看图示说明如下图所示2P2参数包括P2 Timeout和P2 Extended参数。P2 Timeout: 表示ECU收到诊断请求帧过后最短回复的时间间隔。对于诊断工具端该参数可以作为发送请求过后等待回复的超时判断参数。比如诊断工具发送了一个诊断报文P2Timeout时间段内都没有收到回复则认为请求失败超时退出。P2 Extended当诊断工具发出诊断报文过后被测ECU来不及在P2 Timeout时间段内做出应答则回复一帧3F XX 78报文告诉诊断工具端自己来不及响应需要延长等待时间再回复。ECU发送了延迟等待报文后则把等待时间参数切换为P2Extended。诊断工具端的超时判断参数在收到延迟等待报文后需要切换到P2Extended。上述两个参数示意图如下所示3使能Tester Present命令TSMaster诊断模块中可以选择配置并使能TSMaster Present命令如下图所示当使能了该命令过后在模块的最上方会出现启动Tester Present命令的开关。打开Tester Presnet则按照设定的S3ClientTime时间间隔发送该报文。Tester Present的发送字节是可选的。支持三种类型【Default Request】也就是最常用的0x3E 0x80【From Basic Config】从Basic Config中选择配置好的3E命令【Manual Definition】用于自定义的字节4加载SeedKey DLL在诊断过程中会设计到安全访问的问题也就是所说的SeedKey。TSMaster诊断模块支持通过dll载入SeedKey算法该算法dll跟主流工具的计算接口兼容接口定义如下图所示DLL加载界面如下图所示加载DLL删除DLLDLL校验器通过此按钮用户可以判断自己加载的dll接口是否正确算法是否符合设计要求。如下图所示如上图所示界面用户选择Seed的Level过后输入Demo Seed值点击GenKey进行判断。如果该DLL接口跟模板定义接口统一则会输出提示信息Generate Key Success然后用户根据Key值跟目标值对比进一步确认DLL中的算法是否符合设计要求。打开TSMaster安装目录下SeedKey接口工程所在的路径。用户可以拷贝该工程添加自己的SeedKey算法。三、TesterPresent在Diagnostic Tp参数配置中使能TesterPresenterTSMaster会提供一个全局的开关。用户通过该开关可以直接打开和关闭TesterPresent命令如下图所示除了该全局开关如果用户想更加灵活的控制TesterPresent命令的打开和关闭在后续的自动化流程步骤中TSMaster也提供了基于步骤配置该命令的方式让用户选择在需要的步骤打开和关闭TesterPresent命令。
网站建设高端定制企业官网
RELATED

相关资讯

更多精彩内容,欢迎继续阅读

较早相关资讯

最新相关资讯

【外设】之大彩串口显示屏 2026/11/17 7:04:08

【外设】之大彩串口显示屏

大彩串口屏初步使用 1 .官网下载 STM32 屏幕 GUI 设计资料 http://www.gz-dc.com/category/typeid/4112 找到 STM32 Keil 工程,移植相关代码因项目而异进行移植,由于项目简单,本人只对用到的指令接口进行修改。 比如:注意事项&…

阅读更多 →
无法下载Windows系统iso文件 2026/11/18 14:20:46

无法下载Windows系统iso文件

当我遇到这个问题的时候,我打开了一个网站: 登录 然后我打算下载的时候: 突然那个官方的连接就可以下载了:

阅读更多 →
【清华代码熊】DeepSeek V4.1 Flash 后训练详解 2026/11/17 19:43:34

【清华代码熊】DeepSeek V4.1 Flash 后训练详解

📌 上期解析了 DeepSeek V4.1 Flash 模型架构改进,本期解析 DeepSeek V4.1 Flash 预训练/后训练技术: 🌟 预训练:45T 文本 多模态混合语料、直接训练 sparse attention(取消 DeepSeek V4 的 dense 冷启动&…

阅读更多 →
Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ... 2026/11/18 11:04:06

Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ...

文章主要内容和创新点 主要内容 本文聚焦于多模态大语言模型(MLLM)强化学习(RL)训练中的效率问题,提出了一个名为Shuffle-R1的框架。研究发现,当前RL训练存在两个关键缺陷: 优势值坍缩(Advantage Collapsing):批次中大多数优势值集中在零附近,导致有效梯度信号被淹…

阅读更多 →
PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction 2026/11/17 5:57:47

PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction

一、文章主要内容总结 本文聚焦于利用大型语言模型(LLMs)实现个人身份信息(PII)脱敏的研究,旨在解决传统脱敏方法(如基于规则的系统、领域特定命名实体识别(NER)模型)泛化能力差、跨格式/跨语境适应性弱的问题。 研究通过全面评估多种LLM架构(包括密集型LLM(D-LLM…

阅读更多 →
LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model 2026/11/17 19:43:32

LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model

文章主要内容和创新点 主要内容 本文聚焦于二进制图像-文本相关性评估任务(判断图像与文本“相关”或“不相关”),针对该任务中文本格式多样、相关性定义随场景变化等挑战,提出了基于多模态大语言模型(MLLM)的解决方案LLaVA-RE。 模型设计:LLaVA-RE基于LLaVA 1.5架构,…

阅读更多 →

今日资讯

本周资讯

本月资讯

看完文章仍有疑问?

联系尧图顾问,获取一对一建站咨询

立即免费咨询 📞 400-888-8888
📞 ✉