Memanfaatkan Machine Learning untuk Mengatasi Degradasi Sensor Otomotif
Seiring berkembangnya kendaraan dari sistem lama ke teknologi canggih, sensor posisi induktif diprediksi akan mengganti sensor efek Hall. Transisi ini bergantung pada manajemen yang lebih baik dari degradasi sensor otomotif.
Microchip Technology telah meluncurkan sensor posisi induktif yang disesuaikan untuk aplikasi otomotif kunci—termasuk body throttle, deteksi gigi transmisi, steering elektronik, dan pedal akselerator. Sensor ini menyediakan data posisi yang imun terhadap medan magnet simpang dan menghilangkan kebutuhan akan magnet eksternal.
Insinyur harus memastikan performa sensor di seluruh rentang suhu yang luas, namun mereka tetap khawatir tentang variasi mekanis dan degradasi magnet yang dapat merusak akurasi. Sensor induktif, yang menggunakan elemen logam alih-alih magnet, menunjukkan penuaan yang jauh lebih kecil seiring waktu, mengatasi inti masalah ini.
“Degradasi sensor adalah komponen kritis untuk dipantau, baik masalahnya berada dalam IC atau lingkungan eksternal,” kata Mark Smith, Senior Marketing Manager di Microchip. Dia menekankan bahwa umur PCB adalah perhatian utama saat menerapkan sensor posisi induktif.
Sensor posisi induktif Microchip—LX3301A, LX3302A, dan LX34050—memenuhi persyaratan sertifikasi ASIL-B, memungkinkan desainer sistem untuk mendeteksi ≥90 % semua kegagalan single-point. Gambar 1 menunjukkan EEPROM yang diperluas LX3302A, yang mendukung delapan titik kalibrasi untuk mempertahankan akurasi pengukuran. Sumber: Microchip
Gambar 1. Ruang EEPROM yang lebih luas di sensor posisi induktif LX3302A memfasilitasi delapan titik kalibrasi untuk pengukuran yang presisi. Sumber: Microchip
Mengelola Degradasi Sensor
Praktik industri saat ini mengatasi degradasi sensor dari bawah ke atas untuk memenuhi standar ASIL. Insinyur harus memprediksi kegagalan transistor atau malfungsi sirkuit potensil dan menilai dampaknya. “Ini adalah pendekatan deterministik dan memakan waktu,” kata Smith.
Eksperimen terfokus memvalidasi tingkat cakupan, dan grafik keandalan dari standar industri membantu insinyur memastikan kegagalan dapat terdeteksi. “Ini adalah sistem yang relatif sederhana yang dapat ditangani insinyur secara efisien,” katanya.
Kendaraan modern biasanya menggunakan sekitar 50 sensor posisi, membuat pergeseran dari efek Hall ke sensor induktif sangat penting untuk manajemen degradasi. Di luar pemilihan bahan yang tahan lama, insinyur mengeksplorasi strategi canggih—terutama machine learning—untuk menyederhanakan pemantauan degradasi.
Smith menjelaskan bahwa model machine learning dapat melakukan pengenalan pola sebelum kegagalan terjadi. "Insinyur otomotif dapat menganalisis data dari lima sensor yang berbeda dan mendeteksi kegagalan sistem-level serta degradasi pada tingkat yang lebih tinggi," katanya.
Machine Learning adalah Masa Depan
Sementara sektor otomotif tradisional mendekati degradasi sensor secara deterministik, ada potensi besar untuk memanfaatkan teknik komputasi canggih. Machine learning dapat melakukan analisis degradasi dengan lebih efisien, meski pendekatan ini masih dalam tahap awal dan membutuhkan sumber daya komputasi yang besar.
Gambar 2. Machine learning, yang muncul pada tingkat sensor, dapat memodelkan dan mengurangi degradasi sensor otomotif. (Sumber: MathWorks)
Dengan mengumpulkan data yang luas, memasukkannya ke dalam model machine learning, dan mencari tanda tangan kegagalan yang akan datang, insinyur dapat menyisihkan masalah—pendekatan yang sudah diadopsi dalam desain kendaraan otonom. "Machine learning sedang meningkat pada tingkat sensor, menyederhanakan pengukuran degradasi dan meningkatkan efisiensi mitigasi," kata Smith.
Degradasi sensor otomotif adalah arena lain di mana machine learning dapat memberikan peningkatan keandalan dan penghematan biaya yang signifikan.
» Artikel ini awalnya diterbitkan di situs saudara kami, EDN.
