252927 Automatisk växellåda AL4 DPO-brytare trycksensor

1. Vanliga metoder för diagnos av sensorfel

Med utvecklingen av vetenskap och teknik är metoderna för diagnos av sensorfel mer och mer rikliga, vilket i princip kan möta behoven för daglig användning. Specifikt inkluderar de vanliga sensorfeldiagnostikmetoderna huvudsakligen följande:

1.1 Modellbaserad feldiagnos

Den tidigast utvecklade modellbaserade sensorfeldiagnostekniken tar analytisk redundans istället för fysisk redundans som sin kärnidé och får felinformation huvudsakligen genom att jämföra den med de uppmätta värdena som matas ut av uppskattningssystemet. För närvarande kan denna diagnosteknik delas in i tre kategorier: parameteruppskattningsbaserad feldiagnosmetod, tillståndsbaserad feldiagnosmetod och motsvarande rymddiagnosmetod. Generellt definierar vi de karakteristiska parametrarna för de komponenter som utgör det fysiska systemet som materieparametrar, och de differential- eller differensekvationer som beskriver styrsystemet som modulparametrar. När en sensor i systemet går sönder på grund av skada, fel eller prestandaförsämring kan den direkt visas som ändring av materialparametrar, vilket i sin tur orsakar ändring av modulparametrar, som innehåller all felinformation. Tvärtom, när modulparametrarna är kända kan ändringen av parametern beräknas för att bestämma storleken och graden av sensorfelet. För närvarande har modellbaserad sensordiagnosteknik använts i stor utsträckning, och dess forskningsresultat fokuserar på linjära system, men forskningen om icke-linjära system behöver stärkas.

1.2 Kunskapsbaserad feldiagnos

Till skillnad från de ovan nämnda feldiagnostikmetoderna behöver kunskapsbaserad feldiagnostik inte etablera en matematisk modell, som övervinner bristerna eller bristerna i modellbaserad feldiagnostik, utan saknar en uppsättning moget teoretiskt stöd. Bland dem är den artificiella neurala nätverksmetoden representanten för kunskapsbaserad feldiagnos. Det så kallade artificiella neurala nätverket förkortas ANN på engelska, vilket bygger på människans förståelse av hjärnans neurala nätverk och realiserar en viss funktion genom artificiell konstruktion. Artificiella neurala nätverk kan lagra information på ett distribuerat sätt, och realisera ickelinjär transformation och kartläggning med hjälp av nätverkstopologi och viktfördelning. Däremot kompenserar den artificiella neurala nätverksmetoden för bristen på modellbaserad feldiagnos i olinjära system. Den artificiella neurala nätverksmetoden är dock inte perfekt, och den förlitar sig bara på några praktiska fall, som inte effektivt utnyttjar den samlade erfarenheten inom speciella områden och lätt påverkas av urvalet, så de diagnostiska slutsatserna som dras från det är inte tolkbart.