252927 Automatikgetriebe AL4 DPO-Schalterdrucksensor

1. Gängige Methoden zur Sensorfehlerdiagnose

Mit der Entwicklung von Wissenschaft und Technologie gibt es immer mehr Methoden zur Sensorfehlerdiagnose, die grundsätzlich den Anforderungen des täglichen Gebrauchs gerecht werden können. Zu den gängigen Diagnosemethoden für Sensorfehler gehören insbesondere die folgenden:

1.1 Modellbasierte Fehlerdiagnose

Die früheste entwickelte modellbasierte Sensorfehlerdiagnosetechnologie basiert auf der Kernidee der analytischen Redundanz anstelle der physikalischen Redundanz und erhält Fehlerinformationen hauptsächlich durch den Vergleich mit den vom Schätzsystem ausgegebenen Messwerten. Derzeit kann diese Diagnosetechnologie in drei Kategorien unterteilt werden: Parameterschätzungsbasierte Fehlerdiagnosemethode, zustandsbasierte Fehlerdiagnosemethode und äquivalente Raumdiagnosemethode. Im Allgemeinen definieren wir die charakteristischen Parameter der Komponenten, aus denen das physikalische System besteht, als Materieparameter und die Differential- oder Differenzengleichungen, die das Steuerungssystem beschreiben, als Modulparameter. Wenn ein Sensor im System aufgrund von Beschädigung, Ausfall oder Leistungseinbußen ausfällt, kann dies direkt als Änderung der Materialparameter angezeigt werden, was wiederum zu einer Änderung der Modulparameter führt, die alle Fehlerinformationen enthält. Im Gegenteil, wenn die Modulparameter bekannt sind, kann die Änderung des Parameters berechnet werden, um so die Größe und den Grad des Sensorfehlers zu bestimmen. Derzeit ist die modellbasierte Sensordiagnosetechnologie weit verbreitet und ihre Forschungsergebnisse konzentrieren sich auf lineare Systeme. Die Forschung zu nichtlinearen Systemen muss jedoch verstärkt werden.

1.2 Wissensbasierte Fehlerdiagnose

Im Gegensatz zu den oben genannten Fehlerdiagnosemethoden muss bei der wissensbasierten Fehlerdiagnose kein mathematisches Modell erstellt werden, das die Mängel oder Mängel der modellbasierten Fehlerdiagnose überwindet, es fehlt jedoch eine Reihe ausgereifter theoretischer Unterstützung. Unter diesen ist die Methode des künstlichen neuronalen Netzwerks der Vertreter der wissensbasierten Fehlerdiagnose. Das sogenannte künstliche neuronale Netzwerk wird im Englischen als ANN abgekürzt, das auf dem menschlichen Verständnis des neuronalen Netzwerks des Gehirns basiert und eine bestimmte Funktion durch künstliche Konstruktion realisiert. Ein künstliches neuronales Netzwerk kann Informationen verteilt speichern und mithilfe der Netzwerktopologie und Gewichtsverteilung eine nichtlineare Transformation und Zuordnung realisieren. Im Gegensatz dazu gleicht die Methode des künstlichen neuronalen Netzes den Mangel an modellbasierter Fehlerdiagnose in nichtlinearen Systemen aus. Die Methode des künstlichen neuronalen Netzwerks ist jedoch nicht perfekt und stützt sich nur auf einige praktische Fälle. Sie nutzt die gesammelten Erfahrungen in speziellen Bereichen nicht effektiv aus und lässt sich leicht durch die Stichprobenauswahl beeinflussen, sodass die daraus gezogenen diagnostischen Schlussfolgerungen dies nicht sind interpretierbar.