Machine Learning benutten om automotivesensor‑degradatie te bestrijden

Naarmate voertuigen evolueren van legacy‑systemen naar cutting‑edge technologie, zijn inductieve positie‑sensoren ingesteld om Hall‑effect‑sensoren te vervangen. Deze overgang hangt af van superieur beheer van automotivesensor‑degradatie.

Microchip Technology heeft inductieve positie‑sensoren gelanceerd, afgestemd op cruciale automotive‑toepassingen – waaronder throttle bodies, transmissie‑gangdetectie, elektronische stuuring, en gaspedalen. Deze sensoren leveren positiedata die immuun is voor streuvende magneetvelden en elimineren de noodzaak voor een externe magneet.

Ingenieurs moeten sensorprestaties over een wijd temperatuurbereik garanderen, maar blijven bezorgd over mechanische variaties en magneet‑degradatie die de nauwkeurigheid kunnen aantasten. Inductieve sensoren, die een metaalelement in plaats van een magneet gebruiken, vertonen veel minder veroudering over tijd, wat dit kernprobleem adressert.

"Sensor‑degradatie is een kritisch component om te monitoren, of het nu ligt in de IC of de externe omgeving," zei Mark Smith, Senior Marketing Manager bij Microchip. Hij benadrukte dat de levensduur van de PCB de primaire zorg is bij het implementeren van inductieve positie‑sensoren.

Microchip's inductieve positie‑sensoren – LX3301A, LX3302A, en LX34050 – voldoen aan ASIL‑B certificeringsvereisten, wat systeemontwerpers in staat stelt ≥90 % van alle single‑point failures te detecteren. Figuur 1 toont de uitgebreide EEPROM van de LX3302A, die acht kalibratiepunten ondersteunt om meetnauwkeurigheid te behouden. Bron: Microchip

Figuur 1. Grotere EEPROM‑ruimte in de LX3302A inductieve positie‑sensor faciliteert acht kalibratiepunten voor nauwkeurige meting. Bron: Microchip

Sensor‑degradatie managen

Huidige industriële praktijk adresseert sensor‑degradatie van de grond om ASIL‑standaarden te voldoen. Ingenieurs moeten potentiële transistor‑fallets of circuit‑malfunctions anticiperen en hun impact beoordelen. "Het is een deterministische en tijdrovende benadering," merkte Smith op.

Gerichte experimenten valideren dekkingspercentages, en betrouwbaarheidscharts uit industriestandaards helpen ingenieurs ervoor te zorgen dat fouten detecteerbaar zijn. "Het is een relatief simpel systeem dat ingenieurs efficiënt kunnen hanteren," voegde hij toe.

Moderne voertuigen gebruiken typisch ongeveer 50 positie‑sensoren, wat de overstap van Hall‑effect naar inductieve sensoren cruciale maakt voor degradatie‑beheer. Naast het selecteren van duurzame materialen, verkennen ingenieurs geavanceerde strategieën – met name machine learning – om degradatie‑monitoring te stroomlijnen.

Smith legde uit dat machine‑learning‑modellen patroonherkenning kunnen uitvoeren voordat falen manifest worden. "Automotive‑ingenieurs kunnen data van vijf verschillende sensoren analyseren en systeem‑niveau falen en degradatie op een hoger niveau detecteren," zei hij.

Machine Learning Is De Toekomst

Terwijl de automotive‑sector traditioneel sensor‑degradatie deterministisch benadert, is er significant potentieel om geavanceerde computing‑technieken te benutten. Machine learning kan degradatie‑analyse efficiënter uitvoeren, hoewel de benadering nog in de kinderschoenen is en substantiële rekenkracht vereist.

Figuur 2. Machine learning, opkomend op sensor‑niveau, kan modelleren en mitigeren van automotivesensor‑degradatie. (Bron: MathWorks)

Door uitgebreide data te verzamelen, in een machine‑learning‑model te voeren, en te zoeken naar handtekenen van komende falen, kunnen ingenieurs problemen anticiperen – een benadering al geadopteerd in autonome voertuig‑ontwerp. "Machine learning rijst op sensor‑niveau, vereenvoudigend degradatiemeting en verbeterende mitigatie‑efficiëntie," stelde Smith.

Automotivesensor‑degradatie vertegenwoordigt nog een arena waar machine learning significante betrouwbaarheidswinsten en kostenbesparingen kan leveren.

» Dit artikel werd oorspronkelijk gepubliceerd op onze zusite, EDN.