252927 ઓટોમેટિક ટ્રાન્સમિશન AL4 DPO સ્વિચ પ્રેશર સેન્સર

1. સામાન્ય સેન્સર ખામી નિદાન પદ્ધતિઓ

વિજ્ઞાન અને ટેકનોલોજીના વિકાસ સાથે, સેન્સર ફોલ્ટ નિદાનની પદ્ધતિઓ વધુ અને 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 મોડલ-આધારિત ખામી નિદાન

પ્રારંભિક વિકસિત મોડલ-આધારિત સેન્સર ફોલ્ટ ડાયગ્નોસિસ ટેક્નોલોજી તેના મૂળ વિચાર તરીકે ભૌતિક નિરર્થકતાને બદલે વિશ્લેષણાત્મક નિરર્થકતાને લે છે, અને મુખ્યત્વે અંદાજ સિસ્ટમ દ્વારા માપેલા મૂલ્યોના આઉટપુટ સાથે તેની સરખામણી કરીને ખામીની માહિતી મેળવે છે. હાલમાં, આ નિદાન તકનીકને ત્રણ શ્રેણીઓમાં વિભાજિત કરી શકાય છે: પરિમાણ અંદાજ આધારિત ખામી નિદાન પદ્ધતિ, રાજ્ય-આધારિત દોષ નિદાન પદ્ધતિ અને સમકક્ષ જગ્યા નિદાન પદ્ધતિ. સામાન્ય રીતે, અમે ઘટકોના લાક્ષણિક પરિમાણોને દ્રવ્ય પરિમાણો તરીકે વ્યાખ્યાયિત કરીએ છીએ જે ભૌતિક સિસ્ટમની રચના કરે છે, અને વિભેદક અથવા તફાવત સમીકરણો કે જે નિયંત્રણ સિસ્ટમને મોડ્યુલ પરિમાણો તરીકે વર્ણવે છે. જ્યારે સિસ્ટમમાં સેન્સર નુકસાન, નિષ્ફળતા અથવા પ્રદર્શનમાં ઘટાડો થવાને કારણે નિષ્ફળ જાય છે, ત્યારે તે સામગ્રીના પરિમાણોના ફેરફાર તરીકે સીધા જ પ્રદર્શિત થઈ શકે છે, જે બદલામાં મોડ્યુલસ પરિમાણોમાં ફેરફારનું કારણ બને છે, જેમાં તમામ ખામીની માહિતી હોય છે. તેનાથી વિપરિત, જ્યારે મોડ્યુલ પરિમાણો જાણીતા છે, ત્યારે પરિમાણમાં ફેરફારની ગણતરી કરી શકાય છે, જેથી સેન્સરની ખામીનું કદ અને ડિગ્રી નક્કી કરી શકાય. હાલમાં, મોડેલ-આધારિત સેન્સર નિદાન તકનીકનો વ્યાપકપણે ઉપયોગ કરવામાં આવે છે, અને તેના સંશોધન પરિણામો રેખીય પ્રણાલીઓ પર ધ્યાન કેન્દ્રિત કરે છે, પરંતુ બિન-રેખીય પ્રણાલીઓ પરના સંશોધનને મજબૂત કરવાની જરૂર છે.

1.2 જ્ઞાન આધારિત દોષ નિદાન

ઉપરોક્ત ફોલ્ટ નિદાન પદ્ધતિઓથી અલગ, જ્ઞાન-આધારિત ખામી નિદાન માટે ગાણિતિક મોડેલ સ્થાપિત કરવાની જરૂર નથી, જે મોડેલ-આધારિત ખામી નિદાનની ખામીઓ અથવા ખામીઓને દૂર કરે છે, પરંતુ પરિપક્વ સૈદ્ધાંતિક સમર્થનનો અભાવ છે. તેમાંથી, કૃત્રિમ ન્યુરલ નેટવર્ક પદ્ધતિ એ જ્ઞાન આધારિત ખામી નિદાનની પ્રતિનિધિ છે. કહેવાતા કૃત્રિમ ન્યુરલ નેટવર્કને અંગ્રેજીમાં ANN તરીકે સંક્ષિપ્ત કરવામાં આવે છે, જે મગજના ન્યુરલ નેટવર્કની માનવ સમજ પર આધારિત છે અને કૃત્રિમ બાંધકામ દ્વારા ચોક્કસ કાર્યને સાકાર કરે છે. કૃત્રિમ ન્યુરલ નેટવર્ક માહિતીને વિતરિત રીતે સંગ્રહિત કરી શકે છે, અને નેટવર્ક ટોપોલોજી અને વજન વિતરણની મદદથી બિનરેખીય પરિવર્તન અને મેપિંગનો અનુભવ કરી શકે છે. તેનાથી વિપરિત, કૃત્રિમ ન્યુરલ નેટવર્ક પદ્ધતિ બિનરેખીય પ્રણાલીઓમાં મોડેલ-આધારિત ખામી નિદાનની ઉણપને પૂરી કરે છે. જો કે, કૃત્રિમ ન્યુરલ નેટવર્ક પદ્ધતિ સંપૂર્ણ નથી, અને તે માત્ર કેટલાક વ્યવહારુ કિસ્સાઓ પર આધાર રાખે છે, જે વિશિષ્ટ ક્ષેત્રોમાં સંચિત અનુભવનો અસરકારક ઉપયોગ કરી શકતું નથી અને નમૂનાની પસંદગી દ્વારા સરળતાથી પ્રભાવિત થાય છે, તેથી તેમાંથી કાઢવામાં આવેલા નિદાનના નિષ્કર્ષો યોગ્ય નથી. અર્થઘટન કરી શકાય તેવું