机器学习可能会减轻传感器退化

作为现代车辆从旧技术向新技术转变的一部分，电感式位置传感器旨在取代霍尔效应传感器，而这种转变本质上与更好地管理与汽车传感器退化相关的问题有关。

例如，Microchip Technology 推出了用于汽车应用的电感式位置传感器，例如汽车节气门体、变速器齿轮传感、电子助力转向和油门踏板。价值主张：位置测量不受杂散磁场的影响，不需要外部磁性设备。

虽然汽车工程师希望确保传感器在一定温度范围内工作，但他们担心机械结构和磁铁退化的变化会影响精度。另一方面，电感式位置传感器使用一块金属而不是磁铁，并且这块金属不会随着时间的推移老化太多。

Microchip 的高级营销经理 Mark Smith 表示：“无论是 IC 还是外部发生了什么，这是传感器退化过程中需要关注的一个重要组成部分。 Smith 补充说，当谈到传感器退化时，工程师在使用电感式位置传感器时主要担心 PCB 的寿命。

这也很重要，因为服务于汽车应用的传感器 IC 越来越需要 ASIL 认证。 Microchip 的电感式位置传感器——LX3301A、LX3302A 和 LX34050——符合 ASIL-B 认证，使系统设计人员能够检测 ≥90% 的所有单点故障。

图 1. LX3302A 电感式位置传感器中更大的 EEPROM 空间便于八个校准点，以确保传感器测量精度。资料来源：微芯

传感器退化管理

目前，该行业正在从头开始管理与传感器退化相关的问题，以符合 ASIL 认证。如果这个晶体管出现故障或那个电路出现故障会发生什么？如果传感器输出短路，工程师可以做什么？ “这是一种非常确定且耗时的方法，”史密斯说。

必须进行特定的实验来检查或证明某些数字，也称为覆盖率。汽车工程师可以创建故障并确保在使用行业标准的可靠性图表时可以检测到它。 “这是一个相对简单的系统，工程师可以有效地处理它们，”史密斯补充道。

今天的车辆使用大约 50 个位置传感器，因此从霍尔效应传感器到电感式位置传感器的转变对于管理汽车传感器退化至关重要。除了选择材料不会老化太多的传感器之外，在有效管理车辆传感器退化方面还有什么需要考虑的？ Smith 认为机器学习是前进的方向。

史密斯说，机器学习模型可以在汽车传感器出现故障之前实现模式识别。 “汽车工程师可以分析五种不同的传感器并检测系统级故障以及更高级别的退化。”

机器学习是未来

虽然汽车行业正在非常确定性地研究传感器退化问题，但仍有大量机会使用一些先进的计算技术通过机器学习来执行与退化相关的分析。然而，使用机器学习来管理车辆传感器退化的想法目前还处于起步阶段，需要更多的计算能力。

图 2. 机器学习进入传感器级别，可用于创建用于测量和减轻汽车传感器退化的模型。 （来源：Mathworks）

这种方法使工程师能够收集一堆数据，将其放入机器学习模型中，然后寻找签名。这就是自动驾驶汽车 (AV) 设计目前正在做的事情。 “机器学习在传感器层面正在兴起，它可用于简化退化测量过程并使缓解过程更有效，”史密斯说。

汽车传感器退化标志着机器学习有机会获胜的另一个场所。机器学习需要大量数据并将其放入模型中以检测传感器故障，这一事实可以显着提高可靠性并节省成本。

>> 本文最初发表于我们的姊妹网站 EDN。