252927 ऑटोमैटिक ट्रांसमिशन AL4 DPO स्विच प्रेशर सेंसर

1. सामान्य सेंसर दोष निदान विधियाँ

विज्ञान और प्रौद्योगिकी के विकास के साथ, सेंसर दोष निदान के तरीके अधिक से अधिक प्रचुर मात्रा में हैं, जो मूल रूप से दैनिक उपयोग की जरूरतों को पूरा कर सकते हैं। विशेष रूप से, सामान्य सेंसर दोष निदान विधियों में मुख्य रूप से निम्नलिखित शामिल हैं:

1.1 मॉडल-आधारित दोष निदान

सबसे पहले विकसित मॉडल-आधारित सेंसर दोष निदान तकनीक भौतिक अतिरेक के बजाय विश्लेषणात्मक अतिरेक को अपने मूल विचार के रूप में लेती है, और मुख्य रूप से अनुमान प्रणाली द्वारा मापा मूल्यों के आउटपुट के साथ तुलना करके गलती की जानकारी प्राप्त करती है। वर्तमान में, इस निदान तकनीक को तीन श्रेणियों में विभाजित किया जा सकता है: पैरामीटर अनुमान-आधारित दोष निदान विधि, राज्य-आधारित दोष निदान विधि और समकक्ष अंतरिक्ष निदान विधि। सामान्य तौर पर, हम भौतिक प्रणाली का निर्माण करने वाले घटकों के विशिष्ट मापदंडों को पदार्थ मापदंडों के रूप में परिभाषित करते हैं, और अंतर या अंतर समीकरण जो नियंत्रण प्रणाली को मॉड्यूल मापदंडों के रूप में वर्णित करते हैं। जब सिस्टम में कोई सेंसर क्षति, विफलता या प्रदर्शन में गिरावट के कारण विफल हो जाता है, तो इसे सीधे सामग्री मापदंडों में परिवर्तन के रूप में प्रदर्शित किया जा सकता है, जो बदले में मापांक मापदंडों में परिवर्तन का कारण बनता है, जिसमें सभी गलती की जानकारी होती है। इसके विपरीत, जब मॉड्यूल पैरामीटर ज्ञात होते हैं, तो पैरामीटर के परिवर्तन की गणना की जा सकती है, ताकि सेंसर गलती के आकार और डिग्री को निर्धारित किया जा सके। वर्तमान में, मॉडल-आधारित सेंसर निदान तकनीक का व्यापक रूप से उपयोग किया गया है, और इसके शोध परिणाम रैखिक प्रणालियों पर केंद्रित हैं, लेकिन गैर-रेखीय प्रणालियों पर अनुसंधान को मजबूत करने की आवश्यकता है।

1.2 ज्ञान-आधारित दोष निदान

उपर्युक्त दोष निदान विधियों से भिन्न, ज्ञान-आधारित दोष निदान के लिए गणितीय मॉडल स्थापित करने की आवश्यकता नहीं होती है, जो मॉडल-आधारित दोष निदान की कमियों या दोषों को दूर करता है, लेकिन परिपक्व सैद्धांतिक समर्थन के एक सेट का अभाव होता है। उनमें से, कृत्रिम तंत्रिका नेटवर्क विधि ज्ञान-आधारित दोष निदान का प्रतिनिधि है। तथाकथित कृत्रिम तंत्रिका नेटवर्क को अंग्रेजी में एएनएन के रूप में संक्षिप्त किया जाता है, जो मस्तिष्क तंत्रिका नेटवर्क की मानवीय समझ पर आधारित है और कृत्रिम निर्माण के माध्यम से एक निश्चित कार्य का एहसास करता है। कृत्रिम तंत्रिका नेटवर्क जानकारी को वितरित तरीके से संग्रहीत कर सकता है, और नेटवर्क टोपोलॉजी और वजन वितरण की मदद से गैर-रेखीय परिवर्तन और मैपिंग का एहसास कर सकता है। इसके विपरीत, कृत्रिम तंत्रिका नेटवर्क विधि गैर-रेखीय प्रणालियों में मॉडल-आधारित दोष निदान की कमी को पूरा करती है। हालाँकि, कृत्रिम तंत्रिका नेटवर्क विधि सही नहीं है, और यह केवल कुछ व्यावहारिक मामलों पर निर्भर करती है, जो विशेष क्षेत्रों में संचित अनुभव का प्रभावी उपयोग नहीं करती है और नमूना चयन से आसानी से प्रभावित होती है, इसलिए इससे निकाले गए नैदानिक ​​निष्कर्ष नहीं हैं व्याख्यायोग्य