252927 Automatische transmissie AL4 DPO -schakeldruksensor

1. Gemeenschappelijke sensorfoutdiagnosemethoden

Met de ontwikkeling van wetenschap en technologie zijn de methoden van de diagnose van sensorfout steeds overvloediger, die in principe kunnen voldoen aan de behoeften van dagelijks gebruik. In het bijzonder omvatten de methoden voor gemeenschappelijke diagnosemethoden voor de sensor voornamelijk het volgende:

1.1 Modelgebaseerde foutdiagnose

De vroegst ontwikkelde modelgebaseerde sensorfoutdiagnosetechnologie neemt analytische redundantie in plaats van fysieke redundantie als kernidee en verkrijgt fouteninformatie voornamelijk door het te vergelijken met de gemeten waardenuitvoer door het schattingssysteem. Momenteel kan deze diagnosetechnologie worden onderverdeeld in drie categorieën: op parameter schatting gebaseerde foutdiagnosemethode, op staat gebaseerde foutdiagnosemethode en een equivalente ruimtediagnostormhode. Over het algemeen definiëren we de karakteristieke parameters van de componenten die het fysieke systeem vormen als materiële parameters, en de differentiële of verschilvergelijkingen die het besturingssysteem beschrijven als moduleparameters. Wanneer een sensor in het systeem mislukt als gevolg van schade, falen of prestatieafbraak, kan deze direct worden weergegeven als de wijziging van materiaalparameters, die op zijn beurt de wijziging 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 is modelgebaseerde sensordiagnosetechnologie veel gebruikt en zijn onderzoeksresultaten gericht op lineaire systemen, maar het onderzoek naar niet-lineaire systemen moet worden versterkt.

1.2 Op kennis gebaseerde foutdiagnose

Anders dan de bovengenoemde foutdiagnosemethoden, hoeft op kennis gebaseerde foutdiagnose niet een wiskundig model op te zetten, dat de tekortkomingen of defecten van modelgebaseerde foutdiagnose overwint, maar mist een reeks volwassen theoretische ondersteuning. Onder hen is kunstmatige neurale netwerkmethode de representatief voor kennisgebaseerde foutdiagnose. Het zogenaamde kunstmatige neurale netwerk wordt afgekort als Ann in het Engels, dat is gebaseerd op het menselijk begrip van het neurale netwerk van de hersenen en een bepaalde functie realiseert door kunstmatige constructie. Kunstmatig neuraal netwerk kan informatie op een gedistribueerde manier opslaan en niet -lineaire transformatie en mapping realiseren met behulp van netwerktopologie en gewichtsverdeling. De kunstmatige neurale netwerkmethode daarentegen maakt het tekort aan modelgebaseerde foutdiagnose in niet-lineaire systemen. De kunstmatige neurale netwerkmethode is echter niet perfect, en het is alleen afhankelijk van sommige praktische gevallen, die geen effectief gebruik maakt van de geaccumuleerde ervaring in speciale velden en gemakkelijk kan worden beïnvloed door steekproefselectie, dus de daaruit getrokken diagnostische conclusies zijn niet interpreteerbaar.