252927 ఆటోమేటిక్ ట్రాన్స్‌మిషన్ AL4 DPO స్విచ్ ప్రెజర్ సెన్సార్

1. సాధారణ సెన్సార్ తప్పు నిర్ధారణ పద్ధతులు

సైన్స్ మరియు టెక్నాలజీ అభివృద్ధితో, సెన్సార్ తప్పు నిర్ధారణ యొక్క పద్ధతులు మరింత ఎక్కువగా ఉన్నాయి, ఇవి ప్రాథమికంగా రోజువారీ ఉపయోగం యొక్క అవసరాలను తీర్చగలవు. ప్రత్యేకంగా, సాధారణ సెన్సార్ తప్పు నిర్ధారణ పద్ధతులు ప్రధానంగా క్రింది వాటిని కలిగి ఉంటాయి:

1.1 మోడల్ ఆధారిత తప్పు నిర్ధారణ

మొట్టమొదటి అభివృద్ధి చెందిన మోడల్-ఆధారిత సెన్సార్ తప్పు నిర్ధారణ సాంకేతికత భౌతిక పునరుక్తికి బదులుగా విశ్లేషణాత్మక రిడెండెన్సీని దాని ప్రధాన ఆలోచనగా తీసుకుంటుంది మరియు ప్రధానంగా అంచనా వ్యవస్థ ద్వారా కొలిచిన విలువల అవుట్‌పుట్‌తో పోల్చడం ద్వారా తప్పు సమాచారాన్ని పొందుతుంది. ప్రస్తుతం, ఈ రోగనిర్ధారణ సాంకేతికతను మూడు వర్గాలుగా విభజించవచ్చు: పారామీటర్ అంచనా-ఆధారిత తప్పు నిర్ధారణ పద్ధతి, రాష్ట్ర-ఆధారిత తప్పు నిర్ధారణ పద్ధతి మరియు సమానమైన స్పేస్ డయాగ్నసిస్ పద్ధతి. సాధారణంగా, భౌతిక వ్యవస్థను పదార్థ పారామితులుగా రూపొందించే భాగాల లక్షణ పారామితులను మరియు నియంత్రణ వ్యవస్థను మాడ్యూల్ పారామితులుగా వివరించే అవకలన లేదా వ్యత్యాస సమీకరణాలను మేము నిర్వచిస్తాము. నష్టం, వైఫల్యం లేదా పనితీరు క్షీణత కారణంగా సిస్టమ్‌లోని సెన్సార్ విఫలమైనప్పుడు, అది నేరుగా మెటీరియల్ పారామితుల మార్పుగా ప్రదర్శించబడుతుంది, ఇది మాడ్యులస్ పారామితుల మార్పుకు కారణమవుతుంది, ఇది మొత్తం తప్పు సమాచారాన్ని కలిగి ఉంటుంది. దీనికి విరుద్ధంగా, మాడ్యూల్ పారామితులు తెలిసినప్పుడు, సెన్సార్ లోపం యొక్క పరిమాణం మరియు డిగ్రీని నిర్ణయించడానికి, పరామితి యొక్క మార్పును లెక్కించవచ్చు. ప్రస్తుతం, మోడల్-ఆధారిత సెన్సార్ డయాగ్నసిస్ టెక్నాలజీ విస్తృతంగా ఉపయోగించబడింది మరియు దాని పరిశోధన ఫలితాలు లీనియర్ సిస్టమ్‌లపై దృష్టి సారించాయి, అయితే నాన్ లీనియర్ సిస్టమ్‌లపై పరిశోధనను బలోపేతం చేయాలి.

1.2 జ్ఞానం-ఆధారిత తప్పు నిర్ధారణ

పైన పేర్కొన్న దోష నిర్ధారణ పద్ధతులకు భిన్నంగా, విజ్ఞాన-ఆధారిత దోష నిర్ధారణకు గణిత నమూనాను ఏర్పాటు చేయవలసిన అవసరం లేదు, ఇది మోడల్-ఆధారిత దోష నిర్ధారణ యొక్క లోపాలు లేదా లోపాలను అధిగమించింది, కానీ పరిణతి చెందిన సైద్ధాంతిక మద్దతు లేదు. వాటిలో, కృత్రిమ న్యూరల్ నెట్‌వర్క్ పద్ధతి జ్ఞానం-ఆధారిత తప్పు నిర్ధారణకు ప్రతినిధి. కృత్రిమ న్యూరల్ నెట్‌వర్క్ అని పిలవబడేది ఆంగ్లంలో ANN అని సంక్షిప్తీకరించబడింది, ఇది మెదడు న్యూరల్ నెట్‌వర్క్‌పై మానవ అవగాహనపై ఆధారపడి ఉంటుంది మరియు కృత్రిమ నిర్మాణం ద్వారా ఒక నిర్దిష్ట పనితీరును గుర్తిస్తుంది. కృత్రిమ న్యూరల్ నెట్‌వర్క్ సమాచారాన్ని పంపిణీ చేయబడిన మార్గంలో నిల్వ చేయగలదు మరియు నెట్‌వర్క్ టోపోలాజీ మరియు బరువు పంపిణీ సహాయంతో నాన్ లీనియర్ ట్రాన్స్‌ఫర్మేషన్ మరియు మ్యాపింగ్‌ను గ్రహించగలదు. దీనికి విరుద్ధంగా, కృత్రిమ న్యూరల్ నెట్‌వర్క్ పద్ధతి నాన్ లీనియర్ సిస్టమ్‌లలో మోడల్-ఆధారిత తప్పు నిర్ధారణ యొక్క లోపాన్ని భర్తీ చేస్తుంది. అయినప్పటికీ, కృత్రిమ న్యూరల్ నెట్‌వర్క్ పద్ధతి ఖచ్చితమైనది కాదు మరియు ఇది కొన్ని ఆచరణాత్మక సందర్భాలలో మాత్రమే ఆధారపడి ఉంటుంది, ఇది ప్రత్యేక రంగాలలో సేకరించిన అనుభవాన్ని సమర్థవంతంగా ఉపయోగించదు మరియు నమూనా ఎంపిక ద్వారా సులభంగా ప్రభావితమవుతుంది, కాబట్టి దాని నుండి తీసుకోబడిన రోగనిర్ధారణ ముగింపులు కాదు. అర్థం చేసుకోదగిన.