利用机器学习对抗汽车传感器退化

随着汽车从传统系统向尖端技术演进，感应式位置传感器将取代霍尔效应传感器。这一转型的关键在于对汽车传感器退化的卓越管理。

Microchip Technology 推出面向关键汽车应用的感应式位置传感器——包括节气门体、变速箱齿位检测、电子助力转向、加速踏板。这些传感器提供免受杂散磁场干扰的位置数据，且无需外部磁铁。

工程师必须确保传感器在宽温域表现，却担心机械变化和磁铁老化侵蚀精度。感应式传感器使用金属元件而非磁铁，随时间老化程度远低，解决了这一核心问题。

“传感器退化是必须监控的关键组件，无论问题在于 IC 内部还是外部环境，”Microchip 高级市场经理 Mark Smith 说。他强调部署感应式位置传感器时，PCB 寿命是首要关切。

Microchip 感应式位置传感器 LX3301A、LX3302A、LX34050 满足 ASIL-B 认证要求，使系统设计师能检测 ≥90% 单点故障。图 1 展示 LX3302A 扩展的 EEPROM，支持八个标定点以维持测量精度。来源：Microchip

利用机器学习对抗汽车传感器退化
图 1. LX3302A 感应式位置传感器更大的 EEPROM 空间支持八个标定点以实现精确测量。来源：Microchip

管理传感器退化

当前行业实践自底向上应对传感器退化以满足 ASIL 标准。工程师须预判潜在晶体管故障或电路失效并评估影响。“这是确定性且耗时的方法，”Smith 指出。

针对性实验验证覆盖率，行业标准可靠性图表帮助工程师确保故障可检测。“这是工程师能高效处理的相对简单系统，”他补充。

现代汽车通常采用约 50 个位置传感器，从霍尔效应向感应式传感器转型对退化管理至关重要。除选用耐用材料，工程师正探索先进策略——最著名的是机器学习——以简化退化监控。

Smith 解释机器学习模型可在故障显现前进行模式识别。“汽车工程师可分析五个不同传感器的数据，在更高层面检测系统级故障和退化，”他说。

汽车领域传统上以确定性方式处理传感器退化，但利用先进计算技术潜力巨大。机器学习能更高效地进行退化分析，虽处于萌芽阶段且需大量算力资源。

利用机器学习对抗汽车传感器退化
图 2. 机器学习在传感器层面兴起，可建模并缓解汽车传感器退化。（来源：MathWorks）

通过收集大量数据、输入机器学习模型、搜寻即将失效的特征，工程师可预判问题——此法已用于自动驾驶设计。“机器学习在传感器层面兴起，简化退化测量并提升缓解效率，”Smith 陈述。

汽车传感器退化是机器学习可带来显著可靠性增益和成本节约的又一领域。

» 本文最初发表于姊妹站 EDN。

嵌入式