252927 Senzor tlaka prekidača automatskog mjenjača AL4 DPO

1. Uobičajene metode dijagnostike grešaka senzora

S razvojem znanosti i tehnologije sve je više i više metoda dijagnostike grešaka senzora, koje u osnovi mogu zadovoljiti potrebe svakodnevne uporabe. Konkretno, uobičajene metode dijagnoze grešaka senzora uglavnom uključuju sljedeće:

1.1 Dijagnostika kvara na temelju modela

Najranije razvijena tehnologija za dijagnosticiranje grešaka senzora temeljena na modelu uzima analitičku redundanciju umjesto fizičke redundancije kao svoju temeljnu ideju i dobiva informacije o grešci uglavnom uspoređujući ih s izmjerenim vrijednostima koje daje sustav procjene. Trenutno se ova dijagnostička tehnologija može podijeliti u tri kategorije: metoda dijagnostike kvara temeljena na procjeni parametara, metoda dijagnostike kvara temeljena na stanju i metoda dijagnostike ekvivalentnog prostora. Općenito, definiramo karakteristične parametre komponenti koje čine fizički sustav kao parametre materije, a diferencijalne ili diferencijske jednadžbe koje opisuju sustav upravljanja kao parametre modula. Kada senzor u sustavu zakaže zbog oštećenja, kvara ili degradacije performansi, to se može izravno prikazati kao promjena parametara materijala, što zauzvrat uzrokuje promjenu parametara modula, koji sadrže sve informacije o kvaru. Naprotiv, kada su parametri modula poznati, može se izračunati promjena parametra, kako bi se odredila veličina i stupanj greške senzora. Trenutačno se tehnologija dijagnostike senzora temeljena na modelu naširoko koristi, a njeni rezultati istraživanja usmjereni su na linearne sustave, ali istraživanje nelinearnih sustava treba ojačati.

1.2 Dijagnoza kvarova temeljena na znanju

Za razliku od gore spomenutih metoda dijagnoze kvara, dijagnostika kvara temeljena na znanju ne treba uspostaviti matematički model koji prevladava nedostatke ili nedostatke dijagnoze kvara temeljen na modelu, ali nedostaje skup zrele teorijske podrške. Među njima je metoda umjetne neuronske mreže predstavnik dijagnostike kvarova temeljene na znanju. Takozvana umjetna neuronska mreža na engleskom je skraćenica ANN, koja se temelji na ljudskom razumijevanju moždane neuronske mreže i ostvaruje određenu funkciju umjetnom konstrukcijom. Umjetna neuronska mreža može pohranjivati ​​informacije na distribuiran način, te ostvariti nelinearnu transformaciju i mapiranje uz pomoć topologije mreže i distribucije težine. Nasuprot tome, metoda umjetne neuronske mreže nadoknađuje nedostatak dijagnostike kvara na temelju modela u nelinearnim sustavima. Međutim, metoda umjetne neuronske mreže nije savršena i oslanja se samo na neke praktične slučajeve, koja ne koristi učinkovito akumulirano iskustvo u posebnim područjima i lako je podložna odabiru uzorka, tako da dijagnostički zaključci iz nje nisu interpretabilan.