252927 گیربکس اتوماتیک AL4 DPO سنسور فشار سوئیچ

1. روش های رایج تشخیص عیب سنسور

با پیشرفت علم و فناوری، روش‌های تشخیص عیب سنسور بیشتر و بیشتر می‌شود که اساساً می‌تواند پاسخگوی نیازهای روزمره باشد. به طور خاص، روش های رایج تشخیص عیب سنسور عمدتاً شامل موارد زیر است:

1.1 تشخیص خطا مبتنی بر مدل

اولین فناوری تشخیص عیب حسگر مبتنی بر مدل توسعه‌یافته، افزونگی تحلیلی را به جای افزونگی فیزیکی به عنوان ایده اصلی خود در نظر می‌گیرد و اطلاعات خطا را عمدتاً با مقایسه آن با مقادیر اندازه‌گیری شده توسط سیستم تخمین به دست می‌آورد. در حال حاضر، این فناوری تشخیص را می توان به سه دسته تقسیم کرد: روش تشخیص خطا مبتنی بر تخمین پارامتر، روش تشخیص خطا مبتنی بر حالت و روش تشخیص فضای معادل. به طور کلی، ما پارامترهای مشخصه اجزایی که سیستم فیزیکی را تشکیل می‌دهند به عنوان پارامترهای ماده و معادلات دیفرانسیل یا تفاوتی که سیستم کنترل را به عنوان پارامترهای ماژول توصیف می‌کنند، تعریف می‌کنیم. هنگامی که یک سنسور در سیستم به دلیل آسیب، خرابی یا کاهش عملکرد از کار می افتد، می تواند مستقیماً به عنوان تغییر پارامترهای مواد نمایش داده شود که به نوبه خود باعث تغییر پارامترهای مدول می شود که شامل تمام اطلاعات خطا است. در مقابل، هنگامی که پارامترهای ماژول مشخص باشد، تغییر پارامتر را می توان محاسبه کرد تا اندازه و درجه خطای سنسور تعیین شود. در حال حاضر، فناوری تشخیص حسگر مبتنی بر مدل به طور گسترده ای مورد استفاده قرار گرفته است و نتایج تحقیقات آن بر روی سیستم های خطی متمرکز است، اما تحقیقات در مورد سیستم های غیرخطی باید تقویت شود.

1.2 تشخیص خطا مبتنی بر دانش

متفاوت از روش‌های تشخیص خطای ذکر شده در بالا، تشخیص خطا مبتنی بر دانش نیازی به ایجاد یک مدل ریاضی ندارد، که بر کاستی‌ها یا نقص‌های تشخیص خطا مبتنی بر مدل غلبه می‌کند، اما فاقد مجموعه‌ای از پشتیبانی نظری بالغ است. در این میان روش شبکه عصبی مصنوعی نماینده تشخیص عیب مبتنی بر دانش است. به اصطلاح شبکه عصبی مصنوعی در زبان انگلیسی به اختصار ANN نامیده می شود که بر اساس درک انسان از شبکه عصبی مغز است و عملکرد خاصی را از طریق ساخت مصنوعی محقق می کند. شبکه عصبی مصنوعی می تواند اطلاعات را به صورت توزیع شده ذخیره کند و با کمک توپولوژی شبکه و توزیع وزن، تبدیل و نقشه برداری غیرخطی را محقق کند. در مقابل، روش شبکه عصبی مصنوعی کمبود تشخیص خطا مبتنی بر مدل را در سیستم‌های غیرخطی جبران می‌کند. با این حال، روش شبکه عصبی مصنوعی کامل نیست و تنها بر برخی موارد عملی متکی است که از تجربیات انباشته شده در زمینه‌های خاص استفاده مؤثری نمی‌کند و به راحتی تحت تأثیر انتخاب نمونه قرار می‌گیرد، بنابراین نتیجه‌گیری تشخیصی از آن نمی‌شود. قابل تفسیر