Aproveitando Machine Learning para Combater Degradação de Sensores Automotivos

À medida que veículos evoluem de sistemas legados para tecnologia de ponta, sensores de posição indutivos estão prontos para substituir sensores de efeito Hall. Esta transição depende de gerenciamento superior de degradação de sensores automotivos.

A Microchip Technology lançou sensores de posição indutivos adaptados para aplicações automotivas-chave — incluindo corpos de borboleta, detecção de marcha de transmissão, direção assistida eletrônica e pedais de acelerador. Estes sensores entregam dados de posição imunes a campos magnéticos perdidos e eliminam a necessidade de um ímã externo.

Engenheiros devem garantir desempenho do sensor em ampla faixa de temperatura, mas permanecem preocupados com variações mecânicas e degradação de ímã que podem erodir precisão. Sensores indutivos, que usam elemento metálico em vez de ímã, exibem muito menos envelhecimento ao longo do tempo, abordando esta questão central.

"Degradação de sensor é um componente crítico a monitorar, seja o problema no IC ou no ambiente externo", disse Mark Smith, Gerente Sênior de Marketing na Microchip. Ele enfatizou que a longevidade do PCB é a preocupação primária ao implantar sensores de posição indutivos.

Sensores de posição indutivos da Microchip — LX3301A, LX3302A e LX34050 — atendem requisitos de certificação ASIL‑B, permitindo que designers de sistema detectem ≥90% de todas as falhas de ponto único. Figura 1 mostra o EEPROM expandido do LX3302A, que suporta oito pontos de calibração para manter precisão de medição. Fonte: Microchip

Figura 1. Maior espaço EEPROM no sensor de posição indutivo LX3302A facilita oito pontos de calibração para medição precisa. Fonte: Microchip

Gerenciando Degradação de Sensores

A prática atual da indústria aborda degradação de sensores do zero para satisfazer padrões ASIL. Engenheiros devem antecipar falhas potenciais de transistores ou mau funcionamento de circuitos e avaliar seu impacto. "É uma abordagem determinística e demorada", observou Smith.

Experimentos direcionados validam taxas de cobertura, e gráficos de confiabilidade de padrões da indústria ajudam engenheiros a garantir que falhas são detectáveis. "É um sistema relativamente simples que engenheiros podem lidar eficientemente", ele adicionou.

Veículos modernos tipicamente empregam cerca de 50 sensores de posição, tornando a mudança de efeito Hall para sensores indutivos pivotal para gerenciamento de degradação. Além de selecionar materiais duráveis, engenheiros estão explorando estratégias avançadas — notavelmente machine learning — para simplificar monitoramento de degradação.

Smith explicou que modelos de machine learning podem realizar reconhecimento de padrões antes que falhas se manifestem. "Engenheiros automotivos podem analisar dados de cinco sensores diferentes e detectar falhas e degradação em nível de sistema em um nível superior", disse ele.

Machine Learning é o Futuro

Enquanto o setor automotivo tradicionalmente aborda degradação de sensores de forma determinística, há potencial significativo para aproveitar técnicas avançadas de computação. Machine learning pode conduzir análise de degradação mais eficientemente, embora a abordagem permaneça em sua infância e demande recursos computacionais substanciais.

Figura 2. Machine learning, emergindo no nível do sensor, pode modelar e mitigar degradação de sensores automotivos. (Fonte: MathWorks)

Coletando dados extensos, alimentando-os em um modelo de machine learning e buscando assinaturas de falha iminente, engenheiros podem antecipar problemas — abordagem já adotada em design de veículos autônomos. "Machine learning está subindo no nível do sensor, simplificando medição de degradação e melhorando eficiência de mitigação", afirmou Smith.

Degradação de sensores automotivos representa outra arena onde machine learning pode entregar ganhos significativos de confiabilidade e economia de custos.

» Este artigo foi publicado originalmente em nosso site irmão, EDN.