252927 Sensor de presión del interruptor AL4 DPO de la transmisión automática

1. Métodos comunes de diagnóstico de fallas del sensor

Con el desarrollo de la ciencia y la tecnología, los métodos de diagnóstico de fallas de sensores son cada vez más abundantes, lo que básicamente puede satisfacer las necesidades del uso diario.Específicamente, los métodos comunes de diagnóstico de fallas de sensores incluyen principalmente los siguientes:

1.1 Diagnóstico de fallas basado en modelos

La primera tecnología de diagnóstico de fallas de sensores basada en modelos desarrollada toma la redundancia analítica en lugar de la redundancia física como idea central, y obtiene información de fallas principalmente comparándola con los valores medidos emitidos por el sistema de estimación.En la actualidad, esta tecnología de diagnóstico se puede dividir en tres categorías: método de diagnóstico de fallas basado en la estimación de parámetros, método de diagnóstico de fallas basado en el estado y método de diagnóstico de espacio equivalente.En general, definimos los parámetros característicos de los componentes que constituyen el sistema físico como parámetros de materia, y las ecuaciones diferenciales o en diferencias que describen el sistema de control como parámetros de módulo.Cuando un sensor en el sistema falla debido a daño, falla o degradación del rendimiento, se puede mostrar directamente como el cambio de los parámetros del material, lo que a su vez provoca el cambio de los parámetros del módulo, que contiene toda la información de falla.Por el contrario, cuando se conocen los parámetros del módulo, se puede calcular el cambio del parámetro para determinar el tamaño y el grado de la falla del sensor.En la actualidad, la tecnología de diagnóstico de sensores basada en modelos se ha utilizado ampliamente y sus resultados de investigación se centran en sistemas lineales, pero es necesario fortalecer la investigación sobre sistemas no lineales.

1.2 Diagnóstico de fallas basado en el conocimiento

A diferencia de los métodos de diagnóstico de fallas mencionados anteriormente, el diagnóstico de fallas basado en el conocimiento no necesita establecer un modelo matemático que supere las deficiencias o defectos del diagnóstico de fallas basado en modelos, pero carece de un conjunto de soporte teórico maduro.Entre ellos, el método de red neuronal artificial es el representante del diagnóstico de fallas basado en el conocimiento.La llamada red neuronal artificial, abreviada como ANN en inglés, se basa en la comprensión humana de la red neuronal cerebral y realiza una determinada función mediante la construcción artificial.La red neuronal artificial puede almacenar información de forma distribuida y realizar transformaciones y mapeos no lineales con la ayuda de la topología de la red y la distribución de peso.Por el contrario, el método de redes neuronales artificiales compensa la deficiencia del diagnóstico de fallas basado en modelos en sistemas no lineales.Sin embargo, el método de la red neuronal artificial no es perfecto y solo se basa en algunos casos prácticos, lo que no hace un uso efectivo de la experiencia acumulada en campos especiales y se ve fácilmente influenciado por la selección de muestras, por lo que las conclusiones diagnósticas que se extraen de él no son interpretables.