252927 Аутоматски мењач АЛ4 ДПО Прекидач сензора притиска

1. Постоје опште сензорске дијагнозе грешке

Са развојем науке и технологије, методе дијагнозе грешке сензора су све обилније, што у основи могу да задовоље потребе свакодневне употребе. Конкретно, методе дијагнозе квар заједничких сензора углавном укључују следеће:

1.1 Дијагноза грешке на бази модела

Најранија развијена дијагноза грешке засноване на моделу, технологија дијагнозе узима аналитичко вишак уместо физичког вишка као своју основну идеју и добија информације о грешаку углавном упоређујући га са измереним вредностима у систему процене. Тренутно се ова дијагноза технологија може поделити у три категорије: метода дијагнозе грешке на бази грешака на бази параметара, националној методи дијагнозе за дијагнозу на бази степена засноване на државној дијелији и еквивалентни метод дијагнозе простора. Генерално, дефинишемо карактеристичне параметре компоненти које физички систем представљају као параметре материје и разлике или разлике једнаке који описују систем управљања као модул параметри. Када сензор у систему не успе због оштећења, неуспеха или разградње перформанси, може се директно приказати као промена материјалних параметара, што заузврат узрокује промену модулараних параметара, који садрже све информације о грешкама. Напротив, када се знају параметри модула, промена параметра може се израчунати, како би се утврдила величина и степен грешке сензора. Тренутно је технологија сензора заснована на моделу широко коришћена, а његови резултати истраживања фокусирају се на линеарне системе, али истраживање нелинеарних система треба да се ојачају.

1.2 Дијагноза грешке на бази знања

Различити се од горе поменутих метода дијагнозе квара, дијагноза за грешку на основу знања не треба да успостави математички модел, што превазилази недостатке или недостатке дијагнозе за грешку на бази модела, али недостаје скуп зреле теоријске подршке. Међу њима је метода вештачке неуронске мреже представник дијагнозе засноване на знању. Такозвана вештачка неуронска мрежа скраћена је АНН на енглеском језику, која се заснива на људском разумевању неуронске мреже и остварује одређену функцију кроз вештачку конструкцију. Вештачка неуронска мрежа може да складишти информације на распоређени начин и реализује нелинеарну трансформацију и мапирање уз помоћ мрежне топологије и дистрибуције тежине. Супротно томе, вештачка неуронска мрежа надокнађује недостатак дијагнозе грешке на бази модела у нелинеарним системима. Међутим, метода вештачке неуронске мреже није савршена, а само се ослања на неке практичне случајеве, који не чине ефикасно искуство накупљаног искуства у посебним пољима и лако се подсећају на избор узорка, тако да дијагностички закључци извучени из њега нису прописани.