252927 Automatisk gearkasse AL4 DPO Switch Tryksensor

1. fælles sensorfejldiagnosemetoder

Med udviklingen af ​​videnskab og teknologi er metoderne til sensorfejldiagnose mere og mere rigelige, hvilket dybest set kan imødekomme behovene ved daglig brug. Specifikt inkluderer de almindelige sensorfejldiagnosemetoder hovedsageligt følgende:

1.1 Modelbaseret fejldiagnose

Den tidligste udviklede modelbaserede sensorfejldiagnoseteknologi tager analytisk redundans i stedet for fysisk redundans som dens kerneidee og får fejlinformation hovedsageligt ved at sammenligne den med de målte værdier output fra estimeringssystemet. På nuværende tidspunkt kan denne diagnoseteknologi opdeles i tre kategorier: parameterestimeringsbaseret fejldiagnosemetode, statsbaseret fejldiagnosemetode og tilsvarende rumdiagnosemetode. Generelt definerer vi de karakteristiske parametre for de komponenter, der udgør det fysiske system som stofparametre, og de differentielle eller forskelle ligninger, der beskriver kontrolsystemet som modulparametre. Når en sensor i systemet mislykkes på grund af skade, svigt eller ydelsesnedbrydning, kan den vises direkte som ændringen af ​​materialeparametre, hvilket igen forårsager ændring af modulparametre, der indeholder alle fejlinformation. Tværtimod, når modulparametrene er kendt, kan ændringen af ​​parameteren beregnes for at bestemme størrelsen og graden af ​​sensorfejlen. På nuværende tidspunkt er modelbaseret sensortiagnoseteknologi blevet vidt brugt, og dens forskningsresultater fokuserer på lineære systemer, men forskningen på ikke-lineære systemer skal styrkes.

1.2 Videnbaseret fejldiagnose

Forskellige fra ovennævnte fejldiagnosemetoder behøver videnbaseret fejldiagnose ikke at etablere en matematisk model, der overvinder manglerne eller defekterne ved modelbaseret fejldiagnose, men mangler et sæt moden teoretisk støtte. Blandt dem er kunstig neurale netværksmetode repræsentanten for videnbaseret fejldiagnose. Det såkaldte kunstige neurale netværk forkortes som ANN på engelsk, som er baseret på menneskelig forståelse af hjernens neurale netværk og realiserer en bestemt funktion gennem kunstig konstruktion. Kunstigt neuralt netværk kan gemme information på en distribueret måde og realisere ikke -lineær transformation og kortlægning ved hjælp af netværkstopologi og vægtfordeling. I modsætning hertil kompenserer kunstig neuralt netværksmetode for manglen på modelbaseret fejldiagnose i ikke-lineære systemer. Imidlertid er den kunstige neurale netværksmetode ikke perfekt, og den er kun afhængig af nogle praktiske tilfælde, som ikke gør effektiv brug af den akkumulerede oplevelse inden for specielle felter og påvirkes let af prøveudvælgelse, så de diagnostiske konklusioner, der er trukket fra det, ikke kan tolkes.