252927 Automatgir AL4 DPO bryter trykksensor

1. Vanlige metoder for diagnose av sensorfeil

Med utviklingen av vitenskap og teknologi er metodene for sensorfeildiagnose mer og mer rikelig, som i utgangspunktet kan møte behovene til daglig bruk. Spesifikt inkluderer de vanlige sensorfeildiagnosemetodene hovedsakelig følgende:

1.1 Modellbasert feildiagnose

Den tidligst utviklede modellbaserte sensorfeildiagnoseteknologien tar analytisk redundans i stedet for fysisk redundans som sin kjerneide, og innhenter feilinformasjon hovedsakelig ved å sammenligne den med de målte verdiene som sendes ut av estimeringssystemet. For tiden kan denne diagnoseteknologien deles inn i tre kategorier: parameterestimeringsbasert feildiagnosemetode, tilstandsbasert feildiagnosemetode og ekvivalent romdiagnosemetode. Generelt definerer vi de karakteristiske parameterne til komponentene som utgjør det fysiske systemet som materieparametere, og differensial- eller differanseligningene som beskriver kontrollsystemet som modulparametere. Når en sensor i systemet svikter på grunn av skade, feil eller ytelsesforringelse, kan den vises direkte som endring av materialparametre, som igjen forårsaker endring av modulparametere, som inneholder all feilinformasjon. Tvert imot, når modulparametrene er kjent, kan endringen av parameteren beregnes, for å bestemme størrelsen og graden av sensorfeilen. For tiden har modellbasert sensordiagnoseteknologi blitt mye brukt, og forskningsresultatene fokuserer på lineære systemer, men forskningen på ikke-lineære systemer må styrkes.

1.2 Kunnskapsbasert feildiagnose

Forskjellig fra de ovennevnte feildiagnosemetodene, trenger ikke kunnskapsbasert feildiagnose å etablere en matematisk modell, som overvinner manglene eller defektene ved modellbasert feildiagnose, men mangler et sett av moden teoretisk støtte. Blant dem er kunstig nevrale nettverksmetode representanten for kunnskapsbasert feildiagnose. Det såkalte kunstige nevrale nettverket er forkortet til ANN på engelsk, som er basert på menneskelig forståelse av hjernens nevrale nettverk og realiserer en viss funksjon gjennom kunstig konstruksjon. Kunstig nevrale nettverk kan lagre informasjon på en distribuert måte, og realisere ikke-lineær transformasjon og kartlegging ved hjelp av nettverkstopologi og vektfordeling. I motsetning til dette, veier kunstig nevrale nettverksmetode opp for mangelen på modellbasert feildiagnose i ikke-lineære systemer. Den kunstige nevrale nettverksmetoden er imidlertid ikke perfekt, og den er bare avhengig av noen praktiske tilfeller, som ikke utnytter den akkumulerte erfaringen på spesialfelt effektivt og lett påvirkes av utvalg av utvalg, så de diagnostiske konklusjonene som trekkes fra den er ikke tolkbar.