252927 Automatische transmissie AL4 DPO-schakelaar druksensor

1. Algemene methoden voor sensorfoutdiagnose

Met de ontwikkeling van wetenschap en technologie zijn er steeds meer methoden voor sensorfoutdiagnose, die in principe kunnen voldoen aan de behoeften van dagelijks gebruik. Concreet omvatten de gebruikelijke methoden voor sensorfoutdiagnose voornamelijk het volgende:

1.1 Modelgebaseerde foutdiagnose

De vroegst ontwikkelde modelgebaseerde technologie voor sensorfoutdiagnose neemt analytische redundantie in plaats van fysieke redundantie als kernidee, en verkrijgt foutinformatie voornamelijk door deze te vergelijken met de gemeten waarden die door het schattingssysteem worden gegenereerd. Momenteel kan deze diagnosetechnologie worden onderverdeeld in drie categorieën: op parameterschatting gebaseerde foutdiagnosemethode, op toestand gebaseerde foutdiagnosemethode en equivalente ruimtediagnosemethode. Over het algemeen definiëren we de karakteristieke parameters van de componenten waaruit het fysieke systeem bestaat als materieparameters, en de differentiaal- of verschilvergelijkingen die het besturingssysteem beschrijven als moduleparameters. Wanneer een sensor in het systeem uitvalt als gevolg van schade, falen of prestatievermindering, kan deze direct worden weergegeven als de verandering van materiaalparameters, die op zijn beurt de verandering van modulusparameters veroorzaakt, die alle foutinformatie bevat. Integendeel, wanneer de moduleparameters bekend zijn, kan de verandering van de parameter worden berekend, om de grootte en mate van de sensorfout te bepalen. Momenteel wordt modelgebaseerde sensordiagnosetechnologie op grote schaal gebruikt en de onderzoeksresultaten ervan concentreren zich op lineaire systemen, maar het onderzoek naar niet-lineaire systemen moet worden versterkt.

1.2 Kennisgebaseerde foutdiagnose

Anders dan de bovengenoemde methoden voor foutdiagnose hoeft op kennis gebaseerde foutdiagnose geen wiskundig model op te stellen dat de tekortkomingen of defecten van op modellen gebaseerde foutdiagnose overwint, maar ontbeert het een reeks volwassen theoretische ondersteuning. Onder hen is de kunstmatige neurale netwerkmethode de vertegenwoordiger van op kennis gebaseerde foutdiagnose. Het zogenaamde kunstmatige neurale netwerk wordt in het Engels afgekort als ANN, dat gebaseerd is op menselijk begrip van het neurale netwerk van de hersenen en een bepaalde functie realiseert door middel van kunstmatige constructie. Een kunstmatig neuraal netwerk kan informatie op een gedistribueerde manier opslaan en niet-lineaire transformatie en mapping realiseren met behulp van netwerktopologie en gewichtsverdeling. Daarentegen compenseert de kunstmatige neurale netwerkmethode het tekort aan modelgebaseerde foutdiagnose in niet-lineaire systemen. De kunstmatige neurale netwerkmethode is echter niet perfect en berust slechts op enkele praktische gevallen, waarbij geen effectief gebruik wordt gemaakt van de opgebouwde ervaring op speciale terreinen en die gemakkelijk kan worden beïnvloed door steekproefselectie, zodat de diagnostische conclusies die daaruit worden getrokken niet kloppen. interpreteerbaar.