252927 Automatikgetriebe AL4 DPO -Schalterdrucksensor

1. Häufige Methoden für die Diagnose von Sensorfehler

Mit der Entwicklung von Wissenschaft und Technologie sind die Methoden der Sensorverwerfungsdiagnose immer häufiger, was im Grunde den Bedürfnissen des täglichen Gebrauchs entsprechen kann. Insbesondere enthalten die gängigen Methoden für die Diagnose von Sensorfehler hauptsächlich die folgenden:

1.1 modellbasierte Fehlerdiagnose

Die früheste entwickelte modellbasierte Sensor-Fehlerdiagnosetechnologie nimmt analysende Redundanz anstelle der physischen Redundanz als Kernidee und erhält Fehlerinformationen hauptsächlich, indem sie mit den gemessenen Werten verglichen wird, die durch das Schätzsystem ausgegeben werden. Gegenwärtig kann diese Diagnosetechnologie in drei Kategorien unterteilt werden: Parameterschätzungsbasierte Fehlerdiagnosemethode, staatlich basierte Fehlerdiagnosemethode und äquivalente Raumdiagnosemethode. Im Allgemeinen definieren wir die charakteristischen Parameter der Komponenten, die das physikalische System als Materieparameter bilden, sowie die Differential- oder Differenzgleichungen, die das Steuerungssystem als Modulparameter beschreiben. Wenn ein Sensor im System aufgrund von Schäden, Ausfällen oder Leistungsabbau ausfällt, kann er direkt als Änderung der Materialparameter angezeigt werden, die wiederum die Änderung der Modulparameter verursachen, die alle Fehlerinformationen enthält. Im Gegenteil, wenn die Modulparameter bekannt sind, kann die Änderung des Parameters berechnet werden, um die Größe und den Grad des Sensorfehlers zu bestimmen. Derzeit wurde die modellbasierte Sensordiagnosetechnologie weit verbreitet und ihre Forschungsergebnisse konzentrieren sich auf lineare Systeme, aber die Forschung zu nichtlinearen Systemen muss gestärkt werden.

1.2 wissensbasierte Fehlerdiagnose

Anders als bei den oben genannten Verwerfungsdiagnoseverfahren muss die wissensbasierte Fehlerdiagnose kein mathematisches Modell festlegen, das die Mängel oder Defekte der modellbasierten Fehlerdiagnose überwindet, aber keine Reihe reifer theoretischer Unterstützung hat. Unter ihnen ist die künstliche Methode für neuronale Netzwerke die repräsentative Verantwortung für die wissensbasierte Fehlerdiagnose. Das sogenannte künstliche neuronale Netzwerk wird in Englisch als Ann abgekürzt, das auf dem menschlichen Verständnis des neuronalen Netzwerks des Gehirns basiert und eine bestimmte Funktion durch künstliche Konstruktion realisiert. Künstliches neuronales Netzwerk kann Informationen auf verteilte Weise speichern und die nichtlineare Transformation und Kartierung mithilfe von Netzwerktopologie und Gewichtsverteilung realisieren. Im Gegensatz dazu macht die künstliche Methode des neuronalen Netzwerks den Mangel der modellbasierten Fehlerdiagnose in nichtlinearen Systemen aus. Die Methode für künstliche neuronale Netzwerke ist jedoch nicht perfekt und stützt sich nur auf einige praktische Fälle, die die akkumulierte Erfahrung in speziellen Bereichen nicht effektiv nutzen und leicht von der Stichprobenauswahl beeinflusst werden können.