252927 સ્વચાલિત ટ્રાન્સમિશન અલ 4 ડીપીઓ સ્વીચ પ્રેશર સેન્સર

1. સામાન્ય સેન્સર ફોલ્ટ નિદાન પદ્ધતિઓ

વિજ્ and ાન અને તકનીકીના વિકાસ સાથે, સેન્સર ફોલ્ટ નિદાનની પદ્ધતિઓ વધુને વધુ વિપુલ પ્રમાણમાં છે, જે મૂળભૂત રીતે દૈનિક ઉપયોગની જરૂરિયાતોને પૂર્ણ કરી શકે છે. ખાસ કરીને, સામાન્ય સેન્સર ફોલ્ટ નિદાન પદ્ધતિઓમાં મુખ્યત્વે નીચેનાનો સમાવેશ થાય છે:

1.1 મોડેલ આધારિત દોષ નિદાન

પ્રારંભિક વિકસિત મોડેલ-આધારિત સેન્સર ફોલ્ટ નિદાન તકનીક તેના મુખ્ય વિચાર તરીકે શારીરિક રીડન્ડન્સીને બદલે વિશ્લેષણાત્મક રીડન્ડન્સી લે છે, અને અંદાજ સિસ્ટમ દ્વારા માપેલા મૂલ્યોના આઉટપુટ સાથે તેની તુલના કરીને મુખ્યત્વે દોષ માહિતી મેળવે છે. હાલમાં, આ નિદાન તકનીકને ત્રણ કેટેગરીમાં વહેંચી શકાય છે: પરિમાણ અંદાજ-આધારિત ફોલ્ટ નિદાન પદ્ધતિ, રાજ્ય-આધારિત ફોલ્ટ નિદાન પદ્ધતિ અને સમકક્ષ અવકાશ નિદાન પદ્ધતિ. સામાન્ય રીતે, અમે ઘટકોના લાક્ષણિક પરિમાણોને વ્યાખ્યાયિત કરીએ છીએ જે ભૌતિક પ્રણાલીને પદાર્થના પરિમાણો તરીકે રચે છે, અને તફાવત અથવા તફાવત સમીકરણો કે જે નિયંત્રણ સિસ્ટમને મોડ્યુલ પરિમાણો તરીકે વર્ણવે છે. જ્યારે સિસ્ટમમાં સેન્સર નુકસાન, નિષ્ફળતા અથવા પ્રભાવના અધોગતિને કારણે નિષ્ફળ જાય છે, ત્યારે તે સીધી સામગ્રી પરિમાણોના પરિવર્તન તરીકે પ્રદર્શિત થઈ શકે છે, જેના પરિણામે મોડ્યુલસ પરિમાણોના પરિવર્તનનું કારણ બને છે, જેમાં બધી ખામી માહિતી હોય છે. તેનાથી વિપરિત, જ્યારે મોડ્યુલ પરિમાણો જાણીતા હોય છે, ત્યારે પરિમાણના પરિવર્તનની ગણતરી કરી શકાય છે, જેથી સેન્સર ફોલ્ટનું કદ અને ડિગ્રી નક્કી કરી શકાય. હાલમાં, મોડેલ આધારિત સેન્સર નિદાન તકનીકનો વ્યાપકપણે ઉપયોગ કરવામાં આવ્યો છે, અને તેના સંશોધન પરિણામો રેખીય સિસ્ટમો પર ધ્યાન કેન્દ્રિત કરે છે, પરંતુ નોનલાઇનર સિસ્ટમ્સ પરના સંશોધનને મજબૂત બનાવવાની જરૂર છે.

1.2 જ્ knowledge ાન આધારિત દોષ નિદાન

ઉપરોક્ત દોષ નિદાન પદ્ધતિઓથી અલગ, જ્ knowledge ાન આધારિત દોષ નિદાનને ગાણિતિક મોડેલ સ્થાપિત કરવાની જરૂર નથી, જે મોડેલ-આધારિત ફોલ્ટ નિદાનની ખામીઓ અથવા ખામીને દૂર કરે છે, પરંતુ પરિપક્વ સૈદ્ધાંતિક સપોર્ટનો સમૂહ નથી. તેમાંથી, કૃત્રિમ ન્યુરલ નેટવર્ક પદ્ધતિ જ્ knowledge ાન આધારિત દોષ નિદાનનું પ્રતિનિધિ છે. કહેવાતા કૃત્રિમ ન્યુરલ નેટવર્ક અંગ્રેજીમાં એન તરીકે સંક્ષિપ્તમાં છે, જે મગજની ન્યુરલ નેટવર્કની માનવ સમજ પર આધારિત છે અને કૃત્રિમ બાંધકામ દ્વારા ચોક્કસ કાર્યની અનુભૂતિ કરે છે. કૃત્રિમ ન્યુરલ નેટવર્ક માહિતીને વિતરિત રીતે સ્ટોર કરી શકે છે, અને નેટવર્ક ટોપોલોજી અને વજન વિતરણની સહાયથી નોનલાઇનર ટ્રાન્સફોર્મેશન અને મેપિંગની અનુભૂતિ કરી શકે છે. તેનાથી વિપરિત, કૃત્રિમ ન્યુરલ નેટવર્ક પદ્ધતિ નોનલાઇનર સિસ્ટમોમાં મોડેલ-આધારિત ફોલ્ટ નિદાનની ઉણપ માટે બનાવે છે. જો કે, કૃત્રિમ ન્યુરલ નેટવર્ક પદ્ધતિ સંપૂર્ણ નથી, અને તે ફક્ત કેટલાક વ્યવહારુ કેસો પર આધાર રાખે છે, જે વિશેષ ક્ષેત્રોમાં સંચિત અનુભવનો અસરકારક ઉપયોગ કરતો નથી અને નમૂનાની પસંદગી દ્વારા સરળતાથી પ્રભાવિત થાય છે, તેથી તેમાંથી ખેંચાયેલા ડાયગ્નોસ્ટિક તારણો અર્થઘટન યોગ્ય નથી.