Aprovechando Machine Learning para contrarrestar la degradación de sensores automotrices

Introducción

A medida que los vehículos evolucionan de sistemas heredados a tecnología punta, los sensores de posición inductivos están destinados a reemplazar a los sensores de efecto Hall. Esta transición depende de una gestión superior de la degradación de sensores automotrices.

Microchip Technology ha lanzado sensores de posición inductivos adaptados para aplicaciones automotrices clave —cuerpos de aceleración, detección de marcha de transmisión, dirección asistida electrónica y pedales de acelerador. Estos sensores entregan datos de posición inmunes a campos magnéticos parásitos y eliminan la necesidad de imán externo.

Los ingenieros deben asegurar rendimiento del sensor en amplio rango de temperatura, pero persisten preocupaciones sobre variaciones mecánicas y degradación de imanes que pueden erosionar precisión. Los sensores inductivos, que usan un elemento metálico en lugar de imán, exhiben mucho menos envejecimiento con el tiempo, abordando este problema central.

"La degradación del sensor es un componente crítico a monitorizar, ya sea que el problema esté en el IC o en el entorno externo", dijo Mark Smith, Senior Marketing Manager en Microchip. Enfatizó que la longevidad del PCB es la preocupación principal al desplegar sensores de posición inductivos.

Los sensores de posición inductivos de Microchip —LX3301A, LX3302A y LX34050— cumplen requisitos de certificación ASIL‑B, permitiendo a diseñadores de sistema detectar ≥90 % de todos los fallos de punto único. La Figura 1 muestra la EEPROM expandida del LX3302A, que soporta ocho puntos de calibración para mantener precisión de medición. Fuente: Microchip

Figura 1. Mayor espacio EEPROM en sensor de posición inductivo LX3302A facilita ocho puntos de calibración para medición precisa. Fuente: Microchip

Gestión de la degradación del sensor

La práctica actual aborda la degradación del sensor desde cero para satisfacer estándares ASIL. Los ingenieros deben anticipar posibles fallos de transistores o malfuncionamientos de circuito y evaluar su impacto. "Es un enfoque determinista y que consume tiempo", señaló Smith.

Experimentos dirigidos validan tasas de cobertura, y gráficos de fiabilidad de estándares industriales ayudan a ingenieros a asegurar que fallos sean detectables. "Es un sistema relativamente simple que los ingenieros pueden manejar eficientemente", añadió.

Vehículos modernos típicamente emplean unos 50 sensores de posición, haciendo el cambio de efecto Hall a inductivos pivotal para gestión de degradación. Más allá de seleccionar materiales duraderos, los ingenieros exploran estrategias avanzadas —más notablemente machine learning— para agilizar monitorización de degradación.

Smith explicó que modelos de machine learning pueden realizar reconocimiento de patrones antes de que fallen se manifiesten. "Ingenieros automotrices pueden analizar datos de cinco sensores diferentes y detectar fallos y degradación a nivel de sistema a un nivel superior", dijo.

Machine Learning es el futuro

Mientras el sector automotriz tradicionalmente aborda la degradación de sensores determinísticamente, hay potencial significativo para aprovechar técnicas de cómputo avanzado. Machine learning puede realizar análisis de degradación más eficientemente, aunque el enfoque está en su infancia y demanda recursos computacionales sustanciales.

Figura 2. Machine learning, emergiendo a nivel de sensor, puede modelar y mitigar degradación de sensores automotrices. (Fuente: MathWorks)

Recopilando datos extensos, alimentándolos a un modelo de machine learning y buscando firmas de fallo inminente, los ingenieros pueden anticipar problemas —enfoque ya adoptado en diseño de vehículos autónomos. "Machine learning está surgiendo a nivel de sensor, simplificando medición de degradación y mejorando eficiencia de mitigación", afirmó Smith.

La degradación de sensores automotrices representa otra arena donde machine learning puede entregar ganancias significativas de fiabilidad y ahorro de costes.

» Este artículo se publicó originalmente en nuestro sitio hermano, EDN.