252927 Automatski mjenjač AL4 DPO senzor pritiska prekidača

1. Uobičajene metode dijagnoze kvara senzora

Sa razvojem nauke i tehnologije, metode dijagnostike kvarova senzora su sve brojnije, koje u osnovi mogu zadovoljiti potrebe svakodnevne upotrebe. Konkretno, uobičajene metode dijagnoze kvara senzora uglavnom uključuju sljedeće:

1.1 Dijagnoza grešaka zasnovana na modelu

Najranije razvijena tehnologija dijagnoze kvara senzora zasnovana na modelu uzima analitičku redundantnost umjesto fizičke redundanse kao svoju osnovnu ideju i dobiva informacije o grešci uglavnom tako što ih upoređuje s izmjerenim vrijednostima koje daje sistem za procjenu. Trenutno se ova tehnologija dijagnoze može podijeliti u tri kategorije: metoda dijagnoze kvara zasnovana na procjeni parametara, metoda dijagnoze kvara zasnovana na stanju i metoda dijagnoze ekvivalentnog prostora. Generalno, definišemo karakteristične parametre komponenti koje čine fizički sistem kao parametre materije, a diferencijalne ili diferencijalne jednačine koje opisuju upravljački sistem kao parametre modula. Kada senzor u sistemu otkaže zbog oštećenja, kvara ili degradacije performansi, to se može direktno prikazati kao promjena parametara materijala, što zauzvrat uzrokuje promjenu parametara modula, koji sadrži sve informacije o grešci. Naprotiv, kada su parametri modula poznati, promjena parametra se može izračunati kako bi se odredila veličina i stepen greške senzora. Trenutno se široko koristi tehnologija dijagnoze senzora zasnovana na modelima, a rezultati istraživanja fokusiraju se na linearne sisteme, ali istraživanje nelinearnih sistema treba ojačati.

1.2 Dijagnoza grešaka zasnovana na znanju

Za razliku od gore navedenih metoda dijagnoze grešaka, dijagnoza grešaka zasnovana na znanju ne mora da uspostavi matematički model, koji prevazilazi nedostatke ili nedostatke dijagnoze grešaka zasnovane na modelu, ali joj nedostaje skup zrele teorijske podrške. Među njima, metoda umjetne neuronske mreže je predstavnik dijagnoze grešaka zasnovane na znanju. Takozvana umjetna neuronska mreža na engleskom je skraćeno ANN, koja se temelji na ljudskom razumijevanju neuronske mreže mozga i ostvaruje određenu funkciju kroz umjetnu konstrukciju. Umjetna neuronska mreža može skladištiti informacije na distribuiran način, te realizirati nelinearnu transformaciju i mapiranje uz pomoć topologije mreže i raspodjele težine. Nasuprot tome, metoda umjetne neuronske mreže nadoknađuje nedostatak dijagnoze grešaka zasnovane na modelu u nelinearnim sistemima. Međutim, metoda umjetne neuronske mreže nije savršena, već se oslanja samo na neke praktične slučajeve, koja ne koristi efektivno stečeno iskustvo u posebnim oblastima i lako je pod utjecajem odabira uzorka, tako da dijagnostički zaključci koji se iz nje izvlače nisu interpretable.