Machine learning dapat mengurangi degradasi sensor
Sebagai bagian dari transisi kendaraan modern dari teknologi lama ke teknologi baru, sensor posisi induktif bertujuan untuk menggantikan sensor efek Hall, dan transisi ini secara intrinsik terkait dengan pengelolaan masalah yang lebih baik terkait degradasi sensor otomotif.
Misalnya, Teknologi Microchip telah meluncurkan sensor posisi induktif untuk aplikasi otomotif seperti bodi throttle mobil, sensor gigi transmisi, power steering elektronik, dan pedal akselerator. Proposisi nilai:pengukuran posisi kebal terhadap medan magnet liar dan tidak memerlukan perangkat magnet eksternal.
Sementara insinyur otomotif ingin memastikan bahwa sensor bekerja di berbagai suhu, mereka khawatir tentang variasi dalam struktur mekanik dan degradasi magnet, yang berdampak pada akurasi. Di sisi lain, sensor posisi induktif menggunakan sepotong logam, bukan magnet, dan potongan logam tidak akan menua seiring waktu.
“Itu adalah komponen besar yang harus diperhatikan dalam degradasi sensor, apakah terjadi sesuatu pada IC atau eksternal,” kata Mark Smith, manajer pemasaran senior di Microchip. Dalam hal degradasi sensor, sebagian besar insinyur harus khawatir tentang umur panjang PCB saat menggunakan sensor posisi induktif, tambah Smith.
Ini juga penting karena IC sensor yang melayani aplikasi otomotif semakin membutuhkan sertifikasi ASIL. Sensor posisi induktif Microchip— LX3301A , LX3302A , dan LX34050 — mematuhi sertifikasi ASIL-B, memungkinkan perancang sistem mendeteksi 90% dari semua kegagalan titik tunggal.
Gambar 1. Ruang EEPROM yang lebih besar pada sensor posisi induktif LX3302A memfasilitasi delapan titik kalibrasi untuk memastikan akurasi pengukuran sensor. Sumber:Microchip
Manajemen degradasi sensor
Saat ini, industri sedang mengelola masalah terkait degradasi sensor dari bawah ke atas untuk mematuhi sertifikasi ASIL. Apa yang terjadi jika transistor ini gagal atau sirkuit itu tidak berfungsi? Apa yang dapat dilakukan insinyur jika sensor kekurangan output? “Ini adalah pendekatan yang sangat deterministik dan memakan waktu,” kata Smith.
Eksperimen khusus harus dilakukan untuk memeriksa atau membenarkan angka-angka tertentu, yang juga dikenal sebagai tingkat cakupan. Insinyur otomotif dapat membuat kesalahan dan memastikan bahwa itu dapat dideteksi saat menggunakan grafik keandalan dari standar industri. “Ini adalah sistem yang relatif sederhana, dan para insinyur dapat menanganinya secara efisien,” tambah Smith.
Kendaraan saat ini menggunakan sekitar 50 sensor posisi, sehingga peralihan dari sensor efek Hall ke sensor posisi induktif dapat menjadi penting dalam mengelola degradasi sensor otomotif. Selain pemilihan sensor yang bahannya tidak terlalu tua, apa lagi yang bisa dilakukan dalam mengelola degradasi sensor di kendaraan secara efisien? Smith percaya bahwa pembelajaran mesin adalah jalan ke depan.
Smith mengatakan bahwa model pembelajaran mesin dapat menerapkan pengenalan pola sebelum kegagalan muncul di sensor otomotif. “Insinyur otomotif dapat menganalisis lima sensor berbeda dan mendeteksi kegagalan tingkat sistem serta degradasi pada tingkat yang lebih tinggi.”
Pembelajaran mesin adalah masa depan
Sementara industri otomotif melihat masalah degradasi sensor dengan sangat deterministik, bergerak maju, ada banyak peluang untuk menggunakan beberapa teknik komputasi canggih untuk melakukan analisis terkait degradasi menggunakan pembelajaran mesin. Namun, gagasan menggunakan pembelajaran mesin untuk mengelola degradasi sensor pada kendaraan saat ini masih dalam tahap awal dan akan membutuhkan daya komputasi yang jauh lebih besar.
Gambar 2. Pembelajaran mesin, naik dan turun ke tingkat sensor, dapat digunakan untuk membuat model untuk mengukur dan mengurangi degradasi sensor otomotif. (Sumber:Mathworks)
Pendekatan ini memungkinkan para insinyur untuk mengumpulkan banyak data, memasukkannya ke dalam model pembelajaran mesin, dan kemudian mencari tanda tangan. Itulah yang dilakukan oleh desain kendaraan otonom (AV) saat ini. “Pembelajaran mesin sedang naik daun di tingkat sensor, dan dapat digunakan untuk menyederhanakan proses pengukuran degradasi dan membuat proses mitigasi lebih efisien,” kata Smith.
Degradasi sensor otomotif menandai tempat lain di mana pembelajaran mesin memiliki peluang untuk menang. Fakta bahwa pembelajaran mesin membutuhkan banyak data dan memasukkannya ke dalam model untuk mendeteksi kerusakan sensor dapat menghasilkan peningkatan keandalan yang substansial dan penghematan biaya.
>> Artikel ini awalnya diterbitkan pada situs saudara kami, EDN.
