252927 स्वयंचलित ट्रांसमिशन AL4 DPO स्विच प्रेशर सेन्सर

1. सामान्य सेन्सर दोष निदान पद्धती

विज्ञान आणि तंत्रज्ञानाच्या विकासासह, सेन्सर फॉल्ट निदानाच्या पद्धती अधिकाधिक विपुल आहेत, ज्या मूलभूतपणे दैनंदिन वापराच्या गरजा पूर्ण करू शकतात. विशेषतः, सामान्य सेन्सर दोष निदान पद्धतींमध्ये प्रामुख्याने खालील गोष्टींचा समावेश होतो:

1.1 मॉडेल-आधारित दोष निदान

सर्वात जुने विकसित मॉडेल-आधारित सेन्सर फॉल्ट डायग्नोसिस तंत्रज्ञान भौतिक रिडंडंसी ऐवजी विश्लेषणात्मक रिडंडंसीला त्याची मूळ कल्पना म्हणून घेते आणि मुख्यतः अंदाज प्रणालीद्वारे मोजलेल्या मूल्यांच्या आउटपुटशी तुलना करून दोष माहिती मिळवते. सध्या, हे निदान तंत्रज्ञान तीन प्रकारांमध्ये विभागले जाऊ शकते: पॅरामीटर अंदाज-आधारित दोष निदान पद्धत, राज्य-आधारित दोष निदान पद्धत आणि समतुल्य अंतराळ निदान पद्धत. सर्वसाधारणपणे, आम्ही घटकांचे वैशिष्ट्यपूर्ण पॅरामीटर्स परिभाषित करतो जे भौतिक प्रणाली बनवतात ते घटक पॅरामीटर्स म्हणून आणि भिन्नता किंवा फरक समीकरणे जे नियंत्रण प्रणालीचे मॉड्यूल पॅरामीटर्स म्हणून वर्णन करतात. जेव्हा सिस्टममधील सेन्सर नुकसान, अपयश किंवा कार्यक्षमतेच्या ऱ्हासामुळे अयशस्वी होतो, तेव्हा ते थेट सामग्री पॅरामीटर्समध्ये बदल म्हणून प्रदर्शित केले जाऊ शकते, ज्यामुळे मोड्यूलस पॅरामीटर्समध्ये बदल होतो, ज्यामध्ये सर्व दोष माहिती असते. याउलट, जेव्हा मॉड्यूल पॅरामीटर्स ओळखले जातात, तेव्हा पॅरामीटरच्या बदलाची गणना केली जाऊ शकते, ज्यामुळे सेन्सर फॉल्टचा आकार आणि डिग्री निश्चित करता येते. सध्या, मॉडेल-आधारित सेन्सर निदान तंत्रज्ञानाचा मोठ्या प्रमाणावर वापर केला जात आहे आणि त्याचे संशोधन परिणाम रेखीय प्रणालींवर केंद्रित आहेत, परंतु नॉनलाइनर सिस्टमवरील संशोधन मजबूत करणे आवश्यक आहे.

1.2 ज्ञानावर आधारित दोष निदान

वर नमूद केलेल्या दोष निदान पद्धतींपेक्षा भिन्न, ज्ञान-आधारित दोष निदानासाठी गणितीय मॉडेल स्थापित करण्याची आवश्यकता नाही, जे मॉडेल-आधारित दोष निदानातील त्रुटी किंवा दोषांवर मात करते, परंतु परिपक्व सैद्धांतिक समर्थनाचा संच नसतो. त्यापैकी, कृत्रिम न्यूरल नेटवर्क पद्धत ही ज्ञान-आधारित दोष निदानाची प्रतिनिधी आहे. तथाकथित आर्टिफिशियल न्यूरल नेटवर्कला इंग्रजीत ANN असे संक्षिप्त रूप दिले जाते, जे मेंदूच्या न्यूरल नेटवर्कच्या मानवी आकलनावर आधारित आहे आणि कृत्रिम बांधकामाद्वारे विशिष्ट कार्याची जाणीव होते. कृत्रिम न्यूरल नेटवर्क माहिती वितरीत पद्धतीने संचयित करू शकते आणि नेटवर्क टोपोलॉजी आणि वजन वितरणाच्या मदतीने नॉनलाइनर ट्रान्सफॉर्मेशन आणि मॅपिंग लक्षात घेऊ शकते. याउलट, कृत्रिम न्यूरल नेटवर्क पद्धत नॉनलाइनर सिस्टममध्ये मॉडेल-आधारित फॉल्ट निदानाची कमतरता भरून काढते. तथापि, कृत्रिम न्यूरल नेटवर्क पद्धत परिपूर्ण नाही, आणि ती केवळ काही व्यावहारिक प्रकरणांवर अवलंबून असते, ज्यामुळे विशेष क्षेत्रांमध्ये संचित अनुभवाचा प्रभावी वापर होत नाही आणि नमुना निवडीवर सहज प्रभाव पडतो, त्यामुळे त्यातून काढलेले निदान निष्कर्ष योग्य नाहीत. व्याख्या करण्यायोग्य