252927 स्वयंचलित ट्रांसमिशन अल 4 डीपीओ स्विच प्रेशर सेन्सर

1. सामान्य सेन्सर फॉल्ट निदान पद्धती

विज्ञान आणि तंत्रज्ञानाच्या विकासासह, सेन्सर फॉल्ट निदान करण्याच्या पद्धती अधिकाधिक विपुल आहेत, जे मुळात दैनंदिन वापराच्या गरजा भागवू शकतात. विशेषतः, सामान्य सेन्सर फॉल्ट निदान पद्धतींमध्ये प्रामुख्याने पुढील गोष्टींचा समावेश आहे:

1.1 मॉडेल-आधारित फॉल्ट निदान

सर्वात लवकर विकसित मॉडेल-आधारित सेन्सर फॉल्ट डायग्नोसिस तंत्रज्ञान शारीरिक रिडंडंसीऐवजी त्याचे मूळ कल्पना म्हणून विश्लेषणात्मक रिडंडंसी घेते आणि मुख्यतः अंदाज प्रणालीद्वारे मोजलेल्या मूल्यांच्या आउटपुटशी तुलना करून फॉल्ट माहिती प्राप्त करते. सध्या, हे निदान तंत्रज्ञान तीन श्रेणींमध्ये विभागले जाऊ शकते: पॅरामीटर अंदाज-आधारित फॉल्ट निदान पद्धत, राज्य-आधारित फॉल्ट निदान पद्धत आणि समकक्ष अंतराळ निदान पद्धत. सर्वसाधारणपणे, आम्ही घटकांचे वैशिष्ट्यपूर्ण पॅरामीटर्स परिभाषित करतो जे भौतिक प्रणालीला पदार्थ पॅरामीटर्स म्हणून बनवतात आणि मॉड्यूल पॅरामीटर्स म्हणून नियंत्रण प्रणालीचे वर्णन करणारे भिन्न किंवा फरक समीकरणे. जेव्हा सिस्टममधील सेन्सर नुकसान, अपयश किंवा कामगिरीच्या अधोगतीमुळे अपयशी ठरतो, तेव्हा ते थेट सामग्री पॅरामीटर्सच्या बदलाच्या रूपात दर्शविले जाऊ शकते, ज्यामुळे मॉड्यूलस पॅरामीटर्स बदलू शकतात, ज्यामध्ये सर्व दोष माहिती असते. उलटपक्षी, जेव्हा मॉड्यूल पॅरामीटर्स ज्ञात असतात, तेव्हा पॅरामीटरच्या बदलाची गणना केली जाऊ शकते, जेणेकरून सेन्सर फॉल्टचे आकार आणि डिग्री निश्चित करण्यासाठी. सध्या, मॉडेल-आधारित सेन्सर निदान तंत्रज्ञानाचा मोठ्या प्रमाणात वापर केला गेला आहे आणि त्याचे संशोधन परिणाम रेखीय प्रणालींवर लक्ष केंद्रित करतात, परंतु नॉनलाइनर सिस्टमवरील संशोधन अधिक मजबूत करणे आवश्यक आहे.

1.2 ज्ञान-आधारित फॉल्ट निदान

वर नमूद केलेल्या फॉल्ट निदान पद्धतींपेक्षा भिन्न, ज्ञान-आधारित फॉल्ट निदानास गणिताचे मॉडेल स्थापित करण्याची आवश्यकता नाही, जे मॉडेल-आधारित फॉल्ट निदानाच्या कमतरता किंवा दोषांवर मात करते, परंतु परिपक्व सैद्धांतिक समर्थनाचा एक संच नाही. त्यापैकी, कृत्रिम न्यूरल नेटवर्क पद्धत ज्ञान-आधारित फॉल्ट निदानाचा प्रतिनिधी आहे. तथाकथित कृत्रिम न्यूरल नेटवर्क इंग्रजीमध्ये एन म्हणून संक्षिप्त केले जाते, जे मेंदू न्यूरल नेटवर्कच्या मानवी समजुतीवर आधारित आहे आणि कृत्रिम बांधकामाद्वारे विशिष्ट कार्य जाणवते. कृत्रिम न्यूरल नेटवर्क माहिती वितरित मार्गाने संचयित करू शकते आणि नेटवर्क टोपोलॉजी आणि वजन वितरणाच्या मदतीने नॉनलाइनर ट्रान्सफॉर्मेशन आणि मॅपिंगची जाणीव करू शकते. याउलट, कृत्रिम न्यूरल नेटवर्क पद्धत नॉनलाइनर सिस्टममध्ये मॉडेल-आधारित फॉल्ट निदानाच्या कमतरतेसाठी तयार करते. तथापि, कृत्रिम न्यूरल नेटवर्क पद्धत परिपूर्ण नाही आणि ती केवळ काही व्यावहारिक प्रकरणांवर अवलंबून आहे, जी विशेष क्षेत्रात संचयित अनुभवाचा प्रभावी वापर करत नाही आणि नमुना निवडीमुळे सहज प्रभावित होते, म्हणून त्यातून काढलेले निदानात्मक निष्कर्ष अर्थ लावण्यायोग्य नाहीत.