252927 Automatski mjenjač AL4 DPO senzor pritiska prekidača

1. Uobičajene metode dijagnoze grešaka senzora

S razvojem znanosti i tehnologije, metode dijagnoze grešaka senzora sve su obilnije, što u osnovi može zadovoljiti potrebe svakodnevne uporabe. Konkretno, uobičajene metode dijagnoze grešaka senzora uglavnom uključuju sljedeće:

1.1 Dijagnoza grešaka na temelju modela

Najranije razvijena tehnologija dijagnoze senzora zasnovanog na modelu uzima analitičku suvišnost umjesto fizičke suvišnosti kao svoju osnovnu ideju i dobiva informacije o greškama, uglavnom uspoređujući je s izmjerenim vrijednostima od izlaza od strane sustava za procjenu. Trenutno se ova dijagnoza tehnologija može podijeliti u tri kategorije: metoda dijagnoze greške utemeljena na procjeni parametara, metoda dijagnoze grešaka utemeljena na stanju i metoda dijagnoze ekvivalentne dijagnoze prostora. Općenito, definiramo karakteristične parametre komponenti koje fizički sustav predstavljaju parametre materije i diferencijalne ili razlike jednadžbe koje opisuju upravljački sustav kao parametre modula. Kad senzor u sustavu ne uspije zbog oštećenja, kvara ili degradacije performansi, on se može izravno prikazati kao promjena parametara materijala, što zauzvrat uzrokuje promjenu parametara modula, koji sadrži sve podatke o kvaru. Naprotiv, kada su poznati parametri modula, promjena parametra može se izračunati, tako da se odredi veličina i stupanj greške senzora. Trenutno se široko koristi tehnologija dijagnoze senzora koja se temelji na modelu, a njegovi istraživački rezultati usredotočeni su na linearne sustave, ali istraživanje o nelinearnim sustavima potrebno je ojačati.

1.2 Dijagnoza grešaka utemeljena na znanju

Različite od gore spomenutih metoda dijagnoze grešaka, dijagnoza grešaka utemeljena na znanju ne treba uspostaviti matematički model, koji prevladava nedostatke ili nedostatke dijagnoze grešaka utemeljenih na modelu, ali nedostaje niza zrele teorijske potpore. Među njima je metoda umjetne neuronske mreže reprezentativna dijagnoze grešaka utemeljenih na znanju. Takozvana umjetna neuronska mreža skraćena je kao Ann na engleskom jeziku, koja se temelji na ljudskom razumijevanju neuronske mreže mozga i ostvaruje određenu funkciju umjetnom konstrukcijom. Umjetna neuronska mreža može pohraniti informacije na distribuiran način i ostvariti nelinearnu transformaciju i mapiranje uz pomoć mrežne topologije i raspodjele težine. Suprotno tome, metoda umjetne neuronske mreže nadoknađuje nedostatak dijagnoze grešaka u nelinearnim sustavima. Međutim, metoda umjetne neuronske mreže nije savršena i oslanja se samo na neke praktične slučajeve, što ne koristi učinkovito akumulirano iskustvo u posebnim poljima i na njega se lako utječe odabir uzoraka, tako da dijagnostički zaključci iz nje nisu tumačeni.