利用机器学习可有效解决车用传感器性能退化问题

作为现代汽车从旧技术向新技术过渡的一部分，感应式位置传感器旨在取代霍尔效应传感器，而这一转变本质上是为了更好地管理汽车传感器性能退化相关问题。

例如，Microchip已经推出了用于汽车应用的感应式位置传感器，如汽车节气门体、变速器齿轮感应、电子动力转向和油门踏板。需要位置测量不受杂散磁场的影响，不需要外部磁性装置。

虽然工程师希望确保传感器能在不同的温度范围内工作，但他们担心机械结构的变化和磁性的退化从而影响精度。但是感应式位置传感器使用的是金属而不是一块磁铁，不会随着时间的推移而老化。

“这是一个重要的组成部分，观察传感器退化，无论是发生在集成电路内部还是外部。”Microchip高级市场营销经理Mark Smith说，“当涉及到传感器退化时，工程师们在使用感应式位置传感器时，主要担心的应该是PCB的寿命。”

这一点也很重要，因为服务于汽车应用的传感器IC越来越需要ASIL认证。Microchip的感应式位置传感器LX3301A、LX3302A和LX34050符合ASIL-B认证，允许系统设计者检测到90%以上的单点故障。

图1：LX3302A感应式位置传感器使用了更大的EEPROM，有助于实现八个校准点，以确保传感器测量精度。

传感器退化管理

目前，该行业正在从头开始管理传感器退化相关问题，以符合ASIL认证。如果这个晶体管坏了，或者那个电路出故障了怎么办？如果传感器输出短路，工程师能做什么？“这是一个不可抗力而且耗时的。”Smith说。

必须进行具体的实验，以检查或证明某些数字，也称为覆盖率。汽车工程师可以创建一个故障，并确保它可以被检测出来，同时使用行业标准的可靠性图表。“这是一个相对简单的系统，工程师可以有效地处理它们。”Smith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感应式位置传感器的转变在管理汽车传感器退化方面至关重要。除了选择材料不易退化的传感器之外，在有效管理车辆中的传感器退化方面，还有什么可以考虑的？Smith认为机器学习是前进的方向。

Smith表示，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，检测系统级故障以及更高级别的退化。”

机器学习是未来

汽车行业开始重视传感器退化问题，但随着时间的推移，使用一些先进的计算技术，利用机器学习进行退化相关分析的机会非常充足。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初级阶段，需要更大的计算能力。

图2：机器学习，上升到传感器级别，可用于创建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大量数据，将其放入机器学习模型中，然后寻找可能的退化。这就是目前自动驾驶（AV）的设计正在做的。史密斯说：“机器学习正在传感器层面上兴起，它可以用来简化退化测量过程，使诊断过程更加有效。”。

汽车传感器退化的研究非常适合机器学习。事实上，机器学习需要大量的数据，并将其放入一个模型中，以检测传感器的故障，这一事实可以大大提高可靠性并节省成本。