기계 학습이 센서 성능 저하를 완화할 수 있음

최신 차량이 구형 기술에서 새로운 기술로 전환하는 과정의 일환으로 유도 위치 센서는 홀 효과 센서를 대체하는 것을 목표로 하고 있으며 이러한 전환은 본질적으로 자동차 센서 성능 저하와 관련된 문제의 더 나은 관리와 관련이 있습니다.

예를 들어, Microchip Technology는 자동차 스로틀 바디, 변속기 기어 감지, 전자식 파워 스티어링 및 가속 페달과 같은 자동차 애플리케이션을 위한 유도 위치 센서를 공개했습니다. 가치 제안:위치 측정은 표유 자기장에 영향을 받지 않으며 외부 자기 장치가 필요하지 않습니다.

자동차 엔지니어는 센서가 다양한 온도 범위에서 작동하도록 하기를 원하지만 기계 구조의 변화와 정확도에 영향을 미치는 자석 성능 저하에 대해 우려하고 있습니다. 반면에 유도 위치 센서는 자석 대신 금속 조각을 사용하며 금속 조각은 시간이 지남에 따라 많이 노화되지 않습니다.

Microchip의 수석 마케팅 관리자인 Mark Smith는 "IC에 문제가 발생하든 외부에 발생하든 상관없이 센서 성능 저하를 관찰해야 하는 큰 구성 요소입니다. 센서 성능 저하와 관련하여 엔지니어는 유도 위치 센서를 사용할 때 대부분 PCB의 수명에 대해 걱정해야 한다고 Smith는 덧붙였습니다.

또한 자동차 애플리케이션에 사용되는 센서 IC가 점점 더 ASIL 인증을 요구하기 때문에 중요합니다. Microchip의 유도형 위치 센서(LX3301A, LX3302A, LX34050)는 ASIL-B 인증을 준수하므로 시스템 설계자가 모든 단일 지점 오류의 90% 이상을 감지할 수 있습니다.

그림 1. LX3302A 유도 위치 센서의 더 큰 EEPROM 공간은 센서 측정 정확도를 보장하기 위해 8개의 교정 포인트를 용이하게 합니다. 출처:마이크로칩

센서 성능 저하 관리

현재 업계에서는 ASIL 인증을 준수하기 위해 처음부터 센서 열화 관련 문제를 관리하고 있습니다. 이 트랜지스터가 고장나거나 해당 회로가 오작동하면 어떻게 됩니까? 센서의 출력이 부족한 경우 엔지니어는 어떻게 해야 합니까? Smith는 "매우 결정적이고 시간이 많이 소요되는 접근 방식입니다."라고 말했습니다.

적용률이라고도 하는 특정 수치를 확인하거나 정당화하기 위해 특정 실험을 수행해야 합니다. 자동차 엔지니어는 산업 표준의 신뢰성 차트를 사용하여 결함을 생성하고 감지할 수 있는지 확인할 수 있습니다. Smith는 "상대적으로 간단한 시스템이며 엔지니어가 효율적으로 처리할 수 있습니다."라고 덧붙였습니다.

오늘날의 차량은 약 50개의 위치 센서를 사용하므로 홀 효과 센서에서 유도 위치 센서로의 전환은 자동차 센서 성능 저하를 관리하는 데 중요할 수 있습니다. 재료가 많이 노화되지 않는 센서를 선택하는 것 외에 차량의 센서 성능 저하를 효율적으로 관리하기 위한 카드에는 무엇이 있습니까? Smith는 머신 러닝이 앞으로 나아갈 길이라고 믿습니다.

Smith는 기계 학습 모델이 자동차 센서에 오류가 나타나기 전에 패턴 인식을 구현할 수 있다고 말했습니다. "자동차 엔지니어는 5개의 서로 다른 센서를 분석하고 시스템 수준의 오류와 더 높은 수준의 성능 저하를 감지할 수 있습니다."

머신 러닝은 미래입니다

자동차 산업이 센서 성능 저하 문제를 매우 결정론적으로 바라보고 있지만 앞으로 나아가면서 일부 고급 컴퓨팅 기술을 사용하여 기계 학습을 사용하여 성능 저하 관련 분석을 수행할 수 있는 충분한 기회가 있습니다. 그러나 기계 학습을 사용하여 차량의 센서 성능 저하를 관리하는 아이디어는 현재 초기 단계이며 훨씬 더 많은 컴퓨팅 성능이 필요합니다.

그림 2. 센서 수준에 도달한 기계 학습은 자동차 센서 성능 저하를 측정하고 완화하기 위한 모델을 만드는 데 사용할 수 있습니다. (출처:Mathworks)

이 접근 방식을 통해 엔지니어는 많은 데이터를 수집하여 기계 학습 모델에 넣은 다음 서명을 찾을 수 있습니다. 그것이 바로 자율주행차(AV) 설계가 지금 하고 있는 일입니다. Smith는 "기계 학습은 센서 수준에서 시작되고 있으며 성능 저하 측정 프로세스를 단순화하고 완화 프로세스를 보다 효율적으로 만드는 데 사용할 수 있습니다."라고 말했습니다.

자동차 센서 성능 저하로 머신 러닝이 승리할 수 있는 또 다른 장소가 되었습니다. 기계 학습이 많은 데이터를 가져와 센서 오작동을 감지하는 모델에 적용한다는 사실은 상당한 신뢰성 향상과 비용 절감으로 이어질 수 있습니다.

>> 이 기사는 원래 다음 날짜에 게시되었습니다. 자매 사이트인 EDN.