252927 Automatisk overføring AL4 DPO Switch Pressure Sensor

1. Vanlige sensorfeildiagnosemetoder

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

1.1 Modellbasert feildiagnose

Den tidligste utviklede modellbaserte sensorfeildiagnoseteknologien tar analytisk redundans i stedet for fysisk redundans som sin kjerneidee, og oppnår feilinformasjon hovedsakelig ved å sammenligne den med de målte verdiproduksjonene med estimeringssystemet. For tiden kan denne diagnoseteknologien deles inn i tre kategorier: parameterestimeringsbasert feildiagnosemetode, tilstandsbasert feildiagnosemetode og ekvivalent romdiagnosemetode. Generelt definerer vi de karakteristiske parametrene til komponentene som utgjør det fysiske systemet som materieparametere, og differensial- eller forskjellsligningene som beskriver kontrollsystemet som modulparametere. Når en sensor i systemet mislykkes på grunn av skade, svikt eller ytelsesnedbrytning, kan det vises direkte som endring av materialparametere, noe 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 sensorniagnoseteknologi 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 manglene ved modellbasert feildiagnose, men mangler et sett med moden teoretisk støtte. Blant dem er kunstig nevralt nettverksmetode representant for kunnskapsbasert feildiagnose. Det såkalte kunstige nevrale nettverket er forkortet som ANN på engelsk, som er basert på menneskelig forståelse av hjerne nevrale nettverk og realiserer en viss funksjon gjennom kunstig konstruksjon. Kunstig nevralt 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 utgjør kunstig nevralt nettverksmetode for mangelen på modellbasert feildiagnose i ikke-lineære systemer. Imidlertid er den kunstige nevrale nettverksmetoden ikke perfekt, og den er bare avhengig av noen praktiske tilfeller, som ikke utnytter den akkumulerte opplevelsen på spesielle felt og blir lett påvirket av utvalg av utvalg, så de diagnostiske konklusjonene trukket fra den er ikke tolke.