२५२९२७ अटोमेटिक ट्रान्समिशन AL4 DPO स्विच प्रेसर सेन्सर

1. सामान्य सेन्सर दोष निदान विधिहरू

विज्ञान र प्रविधिको विकास संग, सेन्सर दोष निदान को विधिहरु अधिक र अधिक प्रचुर मात्रामा छन्, जो मूलतः दैनिक उपयोग को आवश्यकताहरु लाई पूरा गर्न सक्छ। विशेष रूपमा, सामान्य सेन्सर दोष निदान विधिहरूमा मुख्य रूपमा निम्न समावेश छन्:

१.१ मोडेलमा आधारित त्रुटि निदान

प्रारम्भिक विकसित मोडेल-आधारित सेन्सर गल्ती निदान टेक्नोलोजीले यसको मूल विचारको रूपमा भौतिक रिडन्डन्सीको सट्टा विश्लेषणात्मक रिडन्डेन्सी लिन्छ, र मुख्यतया अनुमान प्रणाली द्वारा मापन गरिएको मूल्य आउटपुटसँग तुलना गरेर त्रुटि जानकारी प्राप्त गर्दछ। हाल, यो निदान प्रविधिलाई तीन वर्गमा विभाजन गर्न सकिन्छ: प्यारामिटर अनुमान-आधारित दोष निदान विधि, राज्य-आधारित दोष निदान विधि र समतुल्य स्पेस निदान विधि। सामान्यतया, हामीले भौतिक प्रणालीलाई पदार्थको मापदण्डको रूपमा गठन गर्ने घटकहरूको विशेषता प्यारामिटरहरू, र नियन्त्रण प्रणालीलाई मोड्युल प्यारामिटरहरूको रूपमा वर्णन गर्ने भिन्नता वा भिन्नता समीकरणहरूलाई परिभाषित गर्छौं। जब प्रणालीमा एक सेन्सर क्षति, विफलता वा प्रदर्शन गिरावटको कारण असफल हुन्छ, यो प्रत्यक्ष रूपमा सामग्री प्यारामिटरहरूको परिवर्तनको रूपमा प्रदर्शन गर्न सकिन्छ, जसले मोडुलस प्यारामिटरहरूको परिवर्तन निम्त्याउँछ, जसमा सबै गल्ती जानकारी समावेश हुन्छ। यसको विपरित, जब मोड्युल प्यारामिटरहरू ज्ञात हुन्छन्, प्यारामिटरको परिवर्तन गणना गर्न सकिन्छ, ताकि सेन्सर गल्तीको आकार र डिग्री निर्धारण गर्न। हाल, मोडेल-आधारित सेन्सर निदान प्रविधि व्यापक रूपमा प्रयोग गरिएको छ, र यसको अनुसन्धान परिणामहरू रैखिक प्रणालीहरूमा केन्द्रित छन्, तर गैर-रेखीय प्रणालीहरूमा अनुसन्धानलाई बलियो बनाउन आवश्यक छ।

१.२ ज्ञानमा आधारित दोष निदान

माथि उल्लिखित गल्ती निदान विधिहरू भन्दा फरक, ज्ञानमा आधारित गल्ती निदानले गणितीय मोडेल स्थापना गर्न आवश्यक छैन, जसले मोडेलमा आधारित त्रुटि निदानका कमजोरीहरू वा त्रुटिहरूलाई पार गर्दछ, तर परिपक्व सैद्धान्तिक समर्थनको सेटको अभाव छ। ती मध्ये, कृत्रिम न्यूरल नेटवर्क विधि ज्ञान आधारित दोष निदान को प्रतिनिधि हो। तथाकथित कृत्रिम तंत्रिका नेटवर्कलाई अंग्रेजीमा ANN भनिन्छ, जुन मस्तिष्क तंत्रिका नेटवर्कको मानवीय बुझाइमा आधारित हुन्छ र कृत्रिम निर्माण मार्फत निश्चित कार्यलाई महसुस गर्छ। कृत्रिम तंत्रिका नेटवर्कले वितरित तरिकामा जानकारी भण्डारण गर्न सक्छ, र नेटवर्क टोपोलोजी र वजन वितरणको मद्दतले ननलाइनर रूपान्तरण र म्यापिङ महसुस गर्न सक्छ। यसको विपरित, कृत्रिम तंत्रिका नेटवर्क विधिले ननलाइनर प्रणालीहरूमा मोडेल-आधारित दोष निदानको कमीको लागि बनाउँछ। यद्यपि, कृत्रिम तंत्रिका सञ्जाल विधि सिद्ध छैन, र यो केवल केहि व्यावहारिक केसहरूमा निर्भर गर्दछ, जसले विशेष क्षेत्रहरूमा संचित अनुभवको प्रभावकारी प्रयोग गर्दैन र नमूना चयनबाट सजिलै प्रभावित हुन्छ, त्यसैले यसबाट निकालिएको निदान निष्कर्षहरू होइनन्। व्याख्या गर्न सकिने।