Machine Learning zur Gegenwirkung automobiler Sensordegradation einsetzen

Während Fahrzeuge sich von Legacy-Systemen zu Spitzentechnologie entwickeln, sollen induktive Positionssensoren Hall-Effekt-Sensoren ersetzen. Dieser Übergang basiert auf überlegener Verwaltung automobiler Sensordegradation.

Microchip Technology hat induktive Positionssensoren für Schlüsselautomobilanwendungen lanciert – darunter Drosselklappen, Getriebe-Gangdetektion, elektrische Lenkung und Gaspedale. Diese Sensoren liefern Positionsdaten, die immun gegen Streumagnetfelder sind und den Bedarf an einem externen Magneten eliminieren.

Ingenieure müssen Sensorperformance über einen weiten Temperaturbereich sicherstellen, bleiben aber besorgt über mechanische Variationen und Magnetdegradation, die die Genauigkeit erodieren können. Induktive Sensoren, die ein Metallelement statt eines Magneten nutzen, zeigen über die Zeit deutlich weniger Aging, was dieses Kernproblem adressiert.

„Sensordegradation ist eine kritische Komponente zum Monitoren, egal ob das Problem im IC oder in der externen Umgebung liegt“, sagte Mark Smith, Senior Marketing Manager bei Microchip. Er betonte, dass die Langlebigkeit der PCB die primäre Sorge beim Deployen induktiver Positionssensoren ist.

Microchips induktive Positionssensoren – LX3301A, LX3302A und LX34050 – erfüllen ASIL-B-Zertifizierungsanforderungen, was Systemdesignern ermöglicht, ≥90 % aller Single-Point-Failures zu detektieren. Abbildung 1 zeigt den erweiterten EEPROM des LX3302A, der acht Kalibrierpunkte für präzise Messung unterstützt. Quelle: Microchip

Abbildung 1. Größerer EEPROM im LX3302A induktiven Positionssensor ermöglicht acht Kalibrierpunkte für präzise Messung. Quelle: Microchip

Sensordegradation managen

Aktuelle Industriepraxis adressiert Sensordegradation bottom-up, um ASIL-Standards zu erfüllen. Ingenieure müssen potenzielle Transistor-Failures oder Schaltkreisfehlfunktionen antizipieren und deren Impact bewerten. „Es ist ein deterministischer und zeitaufwändiger Ansatz“, merkte Smith an.

Gezielte Experimente validieren Abdeckungsraten, und Reliability-Charts aus Industriestandards helfen Ingenieuren, sicherzustellen, dass Fehler detektierbar sind. „Es ist ein relativ simples System, das Ingenieure effizient handhaben können“, fügte er hinzu.

Moderne Fahrzeuge nutzen typischerweise rund 50 Positionssensoren, was den Wechsel von Hall-Effekt zu induktiven Sensoren entscheidend für Degradationsmanagement macht. Neben der Auswahl langlebiger Materialien erforschen Ingenieure fortschrittliche Strategien – allen voran Machine Learning – um Degradationsmonitoring zu straffen.

Smith erklärte, dass Machine-Learning-Modelle Pattern Recognition durchführen können, bevor Failures manifestieren. „Automobilingenieure können Daten von fünf verschiedenen Sensoren analysieren und System-Level-Failures und Degradation auf höherer Ebene detektieren“, sagte er.

Machine Learning ist die Zukunft

Während der Automotivsektor Sensordegradation traditionell deterministisch angeht, besteht signifikantes Potenzial, fortschrittliche Computing-Techniken zu nutzen. Machine Learning kann Degradationsanalyse effizienter durchführen,though der Ansatz noch in den Kinderschuhen steckt und substanzielle Computational Resources fordert.

Abbildung 2. Machine Learning, auf Sensor-Level aufkommend, kann automobilen Sensordegradation modellieren und mildern. (Quelle: MathWorks)

Durch Sammeln extensiver Daten, Einfüttern in ein Machine-Learning-Modell und Suchen nach Signaturen drohenden Failures können Ingenieure Issues antizipieren – ein Ansatz, der bereits im autonomen Fahrzeugdesign adoptiert wurde. „Machine Learning steigt auf Sensor-Level auf, vereinfacht Degradationsmessung und verbessert Mitigationseffizienz“, stellte Smith fest.

Automobile Sensordegradation repräsentiert eine weitere Arena, wo Machine Learning signifikante Zuverlässigkeitsgewinne und Kosteneinsparungen liefern kann.

» Dieser Artikel wurde ursprünglich auf unserer Schwesterseite EDN veröffentlicht.