252927 Automātiskā pārnesumkārba Al4 DPO slēdža spiediena sensors

1. Parastās sensora bojājuma diagnozes metodes

Izstrādājot zinātni un tehnoloģiju, sensoru bojājumu diagnozes metodes ir arvien bagātīgākas, kas principā var apmierināt ikdienas lietošanas vajadzības. Konkrēti, parastās sensora bojājuma diagnozes metodes galvenokārt ietver šādas:

1.1. Uz modeli balstīta kļūmes diagnoze

Agrākā attīstītā uz modeli balstītā sensora kļūmju diagnozes tehnoloģija kā galveno ideju tiek uzskatīta par analītisku dublēšanu, nevis fizisko atlaišanu, un tā galvenokārt iegūst kļūdu, salīdzinot to ar izmērītajām vērtībām, ko izvada novērtēšanas sistēma. Pašlaik šo diagnozes tehnoloģiju var iedalīt trīs kategorijās: parametru uz novērtēšanu balstīta bojājumu diagnozes metode, uz stāvokļa bojājumu diagnozes metodi un līdzvērtīgu kosmosa diagnozes metodi. Parasti mēs definējam to komponentu raksturīgos parametrus, kas veido fizisko sistēmu kā matērijas parametrus, un diferenciālās vai atšķirības vienādojumus, kas vadības sistēmu raksturo kā moduļa parametrus. Ja sensors sistēmā neizdodas bojājuma, kļūmes vai veiktspējas degradācijas dēļ, to var tieši parādīt kā materiāla parametru maiņu, kas savukārt izraisa moduļa parametru maiņu, kas satur visu informāciju par bojājumu. Gluži pretēji, kad ir zināmi moduļa parametri, parametra izmaiņas var aprēķināt, lai noteiktu sensora kļūdas lielumu un pakāpi. Pašlaik ir plaši izmantota uz modeli balstīta sensoru diagnozes tehnoloģija, un tās pētījumu rezultāti koncentrējas uz lineārām sistēmām, taču ir jāstiprina nelineāro sistēmu pētījumi.

1.2. Uz zināšanām balstīta kļūda diagnoze

Atšķirībā no iepriekšminētajām kļūmju diagnozes metodēm, uz zināšanām balstītai bojājumu diagnozei nav jāizveido matemātiskais modelis, kas pārvar uz modeļa balstītas bojājuma diagnozes trūkumiem vai defektiem, bet tam trūkst nobriedušu teorētiskā atbalsta kopuma. Starp tiem mākslīgā neironu tīkla metode ir uz zināšanām balstītas bojājumu diagnozes reprezentatīva. Tā sauktais mākslīgais neironu tīkls tiek saīsināts kā Ann angļu valodā, kas balstās uz cilvēku izpratni par smadzeņu neironu tīklu un realizē noteiktu funkciju, izmantojot mākslīgu konstrukciju. Mākslīgais neironu tīkls var saglabāt informāciju izplatītā veidā un realizēt nelineāru pārveidi un kartēšanu ar tīkla topoloģijas un svara sadales palīdzību. Turpretī mākslīgā neironu tīkla metode kompensē uz modeli balstītas bojājumu diagnozes deficītu nelineārās sistēmās. Tomēr mākslīgā neironu tīkla metode nav perfekta, un tā ir atkarīga tikai no dažiem praktiskiem gadījumiem, kas neveic efektīvu uzkrāto pieredzi īpašās jomās un to viegli ietekmē paraugu atlase, tāpēc no tā izdarītie diagnostiskie secinājumi nav interpretējami.