Машинное обучение может уменьшить деградацию сенсора

В рамках перехода современных транспортных средств от старых технологий к новым технологиям индуктивные датчики положения призваны заменить датчики на эффекте Холла, и этот переход неразрывно связан с более эффективным решением проблем, связанных с деградацией автомобильных датчиков.

Например, Microchip Technology представила индуктивные датчики положения для автомобильных приложений, таких как автомобильная дроссельная заслонка, датчики трансмиссии, электронный усилитель рулевого управления и педали акселератора. Ценностное предложение:измерения местоположения невосприимчивы к паразитным магнитным полям и не требуют внешнего магнитного устройства.

Хотя автомобильные инженеры хотят гарантировать, что датчики работают в широком диапазоне температур, они обеспокоены изменениями механической структуры и деградацией магнита, влияющими на точность. С другой стороны, в индуктивном датчике положения вместо магнита используется кусок металла, который со временем не сильно стареет.

«Это важный компонент деградации сенсора, независимо от того, происходит ли что-то с микросхемой или внешне, - сказал Марк Смит, старший менеджер по маркетингу Microchip. Когда дело доходит до деградации датчика, инженеры должны больше всего беспокоиться о долговечности печатной платы при использовании индуктивных датчиков положения, добавил Смит.

Это также важно, потому что микросхемы датчиков, обслуживающие автомобильные приложения, все чаще требуют сертификатов ASIL. Индуктивные датчики положения Microchip - LX3301A, LX3302A и LX34050 - соответствуют сертификации ASIL-B, что позволяет разработчикам систем обнаруживать ≥90% всех одноточечных отказов.

Рис. 1. Увеличенное пространство EEPROM в индуктивном датчике положения LX3302A позволяет использовать восемь точек калибровки для обеспечения точности измерения датчика. Источник:Microchip

Контроль износа сенсора

В настоящее время промышленность решает проблемы, связанные с деградацией сенсоров, с нуля, чтобы соответствовать сертификатам ASIL. Что произойдет, если этот транзистор выйдет из строя или неисправна схема? Что могут сделать инженеры, если датчик выходит из строя? "Это очень детерминированный и трудоемкий подход", - сказал Смит.

Необходимо провести специальные эксперименты, чтобы проверить или обосновать определенные числа, также известные как коэффициенты охвата. Автомобильные инженеры могут создать неисправность и обеспечить ее обнаружение, используя диаграммы надежности по отраслевым стандартам. «Это относительно простая система, и инженеры могут эффективно с ней справиться», - добавил Смит.

В современных транспортных средствах используется около 50 датчиков положения, поэтому переход от датчиков на эффекте Холла к индуктивным датчикам положения может иметь решающее значение для предотвращения деградации автомобильных датчиков. Помимо выбора датчиков, в которых материалы не сильно стареют, что еще нужно сделать для эффективного управления деградацией датчиков в транспортных средствах? Смит считает, что машинное обучение - это путь вперед.

Смит сказал, что в моделях машинного обучения можно реализовать распознавание образов до того, как в автомобильных датчиках обнаружатся неисправности. «Автомобильные инженеры могут анализировать пять различных датчиков и обнаруживать сбой на системном уровне, а также деградацию на более высоком уровне».

Машинное обучение - это будущее

В то время как автомобильная промышленность очень детерминистически смотрит на проблемы деградации сенсоров, двигаясь вперед, есть широкие возможности для использования некоторых передовых вычислительных методов для выполнения анализа, связанного с деградацией, с использованием машинного обучения. Однако идея использования машинного обучения для управления деградацией сенсоров в транспортных средствах в настоящее время находится в зачаточном состоянии и потребует гораздо большей вычислительной мощности.

Рис. 2. Машинное обучение, вплоть до сенсорного уровня, можно использовать для создания моделей для измерения и смягчения деградации автомобильных сенсоров. (Источник:Mathworks)

Такой подход позволяет инженерам собирать массив данных, помещать их в модель машинного обучения, а затем искать подпись. Именно этим сейчас занимаются конструкции автономных транспортных средств (АВ). «Машинное обучение постоянно развивается на сенсорном уровне, и его можно использовать для упрощения процесса измерения деградации и повышения эффективности процесса смягчения последствий», - сказал Смит.

Деградация автомобильных датчиков - еще одна сфера, в которой машинное обучение может выиграть. Тот факт, что машинное обучение берет много данных и помещает их в модель для обнаружения неисправностей датчиков, может привести к значительному повышению надежности и экономии средств.

>> Эта статья была первоначально опубликована на наш дочерний сайт EDN.