Maschinelles Lernen kann die Verschlechterung des Sensors verringern

Als Teil des Übergangs moderner Fahrzeuge von älteren Technologien zu neuen Technologien zielen induktive Positionssensoren darauf ab, Hall-Effekt-Sensoren zu ersetzen, und dieser Übergang ist untrennbar mit einem besseren Management von Problemen im Zusammenhang mit der Verschlechterung von Fahrzeugsensoren verbunden.

Microchip Technology hat zum Beispiel induktive Positionssensoren für Automobilanwendungen wie Drosselklappengehäuse, Getriebesensorik, elektronische Servolenkung und Gaspedale vorgestellt. Das Wertversprechen:Positionsmessungen sind immun gegen magnetische Streufelder und erfordern kein externes magnetisches Gerät.

Während Automobilingenieure sicherstellen möchten, dass Sensoren über einen Temperaturbereich hinweg funktionieren, sind sie besorgt über Variationen in der mechanischen Struktur und Magnetverschlechterung, die sich auf die Genauigkeit auswirken. Andererseits verwendet ein induktiver Positionssensor ein Metallstück anstelle eines Magneten, und das Metallstück altert im Laufe der Zeit nicht viel.

„Das ist eine wichtige Komponente, die man bei der Sensorverschlechterung beobachten muss, unabhängig davon, ob etwas mit dem IC oder extern passiert“, sagte Mark Smith, Senior Marketing Manager bei Microchip. Wenn es um die Degradation des Sensors geht, müssen sich Ingenieure bei der Verwendung induktiver Positionssensoren hauptsächlich um die Langlebigkeit der Leiterplatte sorgen, fügte Smith hinzu.

Dies ist auch deshalb von entscheidender Bedeutung, da Sensor-ICs für Automobilanwendungen zunehmend ASIL-Zertifizierungen erfordern. Die induktiven Positionssensoren von Microchip – LX3301A , LX3302A und LX34050 – erfüllen die ASIL-B-Zertifizierung, sodass Systemdesigner ≥90 % aller Einzelfehler erkennen können.

Abbildung 1. Ein größerer EEPROM-Platz im induktiven Positionssensor LX3302A ermöglicht acht Kalibrierungspunkte, um die Messgenauigkeit des Sensors zu gewährleisten. Quelle:Mikrochip

Management der Sensordegradation

Derzeit bewältigt die Branche Probleme im Zusammenhang mit Sensordegradation von Grund auf, um die ASIL-Zertifizierungen einzuhalten. Was passiert, wenn dieser Transistor ausfällt oder die Schaltung nicht richtig funktioniert? Was können Ingenieure tun, wenn der Ausgang eines Sensors zu kurz ist? „Das ist ein sehr deterministischer und zeitaufwändiger Ansatz“, sagte Smith.

Um bestimmte Zahlen, auch Abdeckungsraten genannt, zu überprüfen oder zu begründen, müssen spezifische Experimente durchgeführt werden. Automobilingenieure können einen Fehler erstellen und sicherstellen, dass er erkannt wird, indem sie Zuverlässigkeitsdiagramme von Industriestandards verwenden. „Es ist ein relativ einfaches System, und Ingenieure können es effizient handhaben“, fügte Smith hinzu.

Heutige Fahrzeuge verwenden etwa 50 Positionssensoren, daher kann ein Wechsel von Hall-Effekt-Sensoren zu induktiven Positionssensoren entscheidend sein, um die Verschlechterung von Automobilsensoren zu bewältigen. Abgesehen von der Auswahl von Sensoren, bei denen Materialien nicht viel altern, was steht noch auf den Karten, um die Sensordegradation in Fahrzeugen effizient zu bewältigen? Smith glaubt, dass maschinelles Lernen der richtige Weg ist.

Smith sagte, dass Modelle für maschinelles Lernen Mustererkennung implementieren könnten, bevor Fehler in Automobilsensoren auftreten. „Automobilingenieure können fünf verschiedene Sensoren analysieren und einen Ausfall auf Systemebene sowie eine Verschlechterung auf einer höheren Ebene erkennen.“

Maschinelles Lernen ist die Zukunft

Während die Automobilindustrie die Probleme der Sensordegradation sehr deterministisch betrachtet, gibt es in Zukunft reichlich Gelegenheit, einige der fortschrittlichen Computertechniken zu verwenden, um eine Verschlechterungsbezogene Analyse mit maschinellem Lernen durchzuführen. Die Idee, mit maschinellem Lernen die Sensordegradation in Fahrzeugen zu bewältigen, steckt jedoch derzeit in den Kinderschuhen und wird viel mehr Rechenleistung erfordern.

Abbildung 2. Maschinelles Lernen, bis hin zur Sensorebene, kann verwendet werden, um Modelle zur Messung und Minderung der Verschlechterung von Fahrzeugsensoren zu erstellen. (Quelle:Mathworks)

Dieser Ansatz ermöglicht es Ingenieuren, eine Reihe von Daten zu sammeln, sie in ein Modell für maschinelles Lernen einzufügen und dann nach einer Signatur zu suchen. Das ist es, was die Designs von autonomen Fahrzeugen (AV) gerade tun. „Maschinelles Lernen ist auf Sensorebene im Kommen und kann verwendet werden, um den Degradationsmessungsprozess zu vereinfachen und den Minderungsprozess effizienter zu gestalten“, sagte Smith.

Die Degradation von Automobilsensoren markiert einen weiteren Ort, an dem maschinelles Lernen eine Chance hat, zu gewinnen. Die Tatsache, dass maschinelles Lernen viele Daten aufnimmt und in ein Modell einfügt, um Sensorfehlfunktionen zu erkennen, kann zu erheblichen Zuverlässigkeitsgewinnen und Kosteneinsparungen führen.

>> Dieser Artikel wurde ursprünglich veröffentlicht am unsere Schwesterseite EDN.