252927 Automatisk gearkasse AL4 DPO kontakt tryksensor

1. Almindelige metoder til diagnosticering af sensorfejl

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

1.1 Modelbaseret fejldiagnose

Den tidligst udviklede modelbaserede sensorfejldiagnoseteknologi tager analytisk redundans i stedet for fysisk redundans som sin kerneidé og opnår fejlinformation hovedsageligt ved at sammenligne den med de målte værdier, som udlæses af estimeringssystemet. På nuværende tidspunkt kan denne diagnoseteknologi opdeles i tre kategorier: parameterestimeringsbaseret fejldiagnosemetode, tilstandsbaseret fejldiagnosemetode og ækvivalent rumdiagnosemetode. Generelt definerer vi de karakteristiske parametre for de komponenter, der udgør det fysiske system, som stofparametre, og de differential- eller differensligninger, der beskriver styresystemet som modulparametre. Når en sensor i systemet svigter på grund af beskadigelse, svigt eller ydeevneforringelse, kan det direkte vises som ændring af materialeparametre, hvilket igen forårsager ændring af modulparametre, som indeholder al fejlinformation. Tværtimod, når modulparametrene er kendte, kan ændringen af ​​parameteren beregnes for at bestemme størrelsen og graden af ​​sensorfejlen. På nuværende tidspunkt er modelbaseret sensordiagnoseteknologi blevet meget brugt, og dens forskningsresultater fokuserer på lineære systemer, men forskningen i ikke-lineære systemer skal styrkes.

1.2 Vidensbaseret fejldiagnose

Til forskel fra de ovennævnte fejldiagnosemetoder behøver videnbaseret fejldiagnostik ikke at etablere en matematisk model, som overvinder manglerne eller manglerne ved modelbaseret fejldiagnostik, men mangler et sæt moden teoretisk støtte. Blandt dem er den kunstige neurale netværksmetode repræsentanten for vidensbaseret fejldiagnose. Det såkaldte kunstige neurale netværk forkortes ANN på engelsk, som er baseret på menneskets forståelse af hjernens neurale netværk og realiserer en vis funktion gennem kunstig konstruktion. Kunstige neurale netværk kan lagre information på en distribueret måde og realisere ikke-lineær transformation og kortlægning ved hjælp af netværkstopologi og vægtfordeling. I modsætning hertil opvejer den kunstige neurale netværksmetode manglen på modelbaseret fejldiagnose i ikke-lineære systemer. Den kunstige neurale netværksmetode er imidlertid ikke perfekt, og den er kun afhængig af nogle praktiske tilfælde, som ikke gør effektiv brug af den akkumulerede erfaring inden for specielle områder og let påvirkes af prøveudvælgelse, så de diagnostiske konklusioner, der drages af den, er ikke fortolkelig.