Использование машинного обучения для противодействия деградации автосенсоров

По мере эволюции автомобилей от наследических систем к передовой технологии, индуктивные датчики позиции готовы заменить эффекта Холла сенсоры. Этот переход опирается на превосходное управление деградацией автомобильных сенсоров.

Microchip Technology представила индуктивные датчики позиции для ключевых автомобильных приложений — включая дроссельные заслонки, определение передаточной шестерёнки, электроусилитель руля и педали акселератора. Эти датчики выдают позиционные данные, иммунные к паразитным магнитным полям, и устраняют необходимость во внешнем магните.

Инженерам нужно обеспечить производительность сенсора в широком температурном диапазоне, однако они остаются обеспокоенными механическими вариациями и деградацией магнита, которые могут эродировать точность. Индуктивные сенсоры, использующие металлический элемент вместо магнита, демонстрируют гораздо меньшее старение со временем, решая эту ключевую проблему.

«Деградация сенсора — критически важный компонент для мониторинга, будь то проблема внутри ИС или внешняя среда», — сказал Марк Смит, старший менеджер по маркетингу в Microchip. Он подчеркнул, что долговечность печатной платы — главная забота при развёртывании индуктивных датчиков позиции.

Индуктивные датчики позиции Microchip — LX3301A, LX3302A и LX34050 — соответствуют требованиям сертификации ASIL‑B, позволяя системным дизайнерам обнаруживать ≥90 % всех одиночных точек отказа. Рисунок 1 показывает расширенную EEPROM LX3302A, поддерживающую восемь точек калибровки для поддержания точности измерений. Источник: Microchip

Рисунок 1. Большее пространство EEPROM в индуктивном датчике позиции LX3302A обеспечивает восемь точек калибровки для точного измерения. Источник: Microchip

Управление деградацией сенсоров

Текущая отраслевая практика адресует деградацию сенсоров снизу вверх для удовлетворения стандартов ASIL. Инженеры должны предвосхищать потенциальные отказы транзисторов или неисправности схем и оценивать их влияние. «Это детерминистичный и затратный по времени подход», — отметил Смит.

Целевые эксперименты валидируют покрытие, и диаграммы надёжности от отраслевых стандартов помогают инженерам гарантировать обнаруживаемость ошибок. «Это относительно простая система, с которой инженеры могут эффективно справиться», — добавил он.

Современные автомобили обычно используют около 50 датчиков позиции, делая переход от эффекта Холла к индуктивным сенсорам ключевым для управления деградацией. Помимо выбора долговечных материалов, инженеры исследуют передовые стратегии — наиболее заметно машинное обучение — для оптимизации мониторинга деградации.

Смит объяснил, что модели машинного обучения могут выполнять распознавание паттернов до проявления отказов. «Автомобильные инженеры могут анализировать данные с пяти разных сенсоров и обнаруживать системные отказы и деградацию на более высоком уровне», — сказал он.

Машинное обучение — будущее

Хотя автомобильный сектор традиционно подходит к деградации сенсоров детерминистически, существует значительный потенциал использования передовых вычислительных техник. Машинное обучение может проводить анализ деградации эффективнее, хотя подход всё ещё в зачаточном состоянии и требует существенных вычислительных ресурсов.

Рисунок 2. Машинное обучение, возникающее на уровне сенсора, может моделировать и смягчать деградацию автосенсоров. (Источник: MathWorks)

Собирая обширные данные, вводя их в модель машинного обучения и ища сигнатуры надвигающегося отказа, инженеры могут предвосхищать проблемы — подход, уже принятый в дизайне автономных автомобилей. «Машинное обучение поднимается на уровне сенсора, упрощая измерение деградации и повышая эффективность смягчения», — заявил Смит.

Деградация автомобильных сенсоров представляет ещё одну арену, где машинное обучение может принести значительные приросты надежности и экономию затрат.

» Эта статья была впервые опубликована на нашем партнёрском сайте EDN.