252927 স্বয়ংক্রিয় ট্রান্সমিশন AL4 DPO সুইচ প্রেসার সেন্সর

1. সাধারণ সেন্সর ফল্ট নির্ণয়ের পদ্ধতি

বিজ্ঞান এবং প্রযুক্তির বিকাশের সাথে, সেন্সর ফল্ট নির্ণয়ের পদ্ধতিগুলি আরও বেশি এবং প্রচুর পরিমাণে রয়েছে, যা মূলত দৈনন্দিন ব্যবহারের চাহিদা মেটাতে পারে। বিশেষত, সাধারণ সেন্সর ত্রুটি নির্ণয়ের পদ্ধতিগুলির মধ্যে প্রধানত নিম্নলিখিতগুলি অন্তর্ভুক্ত থাকে:

1.1 মডেল-ভিত্তিক ত্রুটি নির্ণয়

প্রাচীনতম বিকশিত মডেল-ভিত্তিক সেন্সর ফল্ট নির্ণয় প্রযুক্তি তার মূল ধারণা হিসাবে শারীরিক অপ্রয়োজনীয়তার পরিবর্তে বিশ্লেষণাত্মক অপ্রয়োজনীয়তা গ্রহণ করে এবং প্রধানত অনুমান সিস্টেমের দ্বারা পরিমাপিত মানের আউটপুটের সাথে তুলনা করে ত্রুটির তথ্য প্রাপ্ত করে। বর্তমানে, এই রোগ নির্ণয় প্রযুক্তিকে তিনটি ভাগে ভাগ করা যায়: প্যারামিটার অনুমান-ভিত্তিক ত্রুটি নির্ণয় পদ্ধতি, রাষ্ট্র-ভিত্তিক ত্রুটি নির্ণয় পদ্ধতি এবং সমতুল্য স্থান নির্ণয় পদ্ধতি। সাধারণভাবে, আমরা উপাদানগুলির বৈশিষ্ট্যগত পরামিতিগুলিকে সংজ্ঞায়িত করি যেগুলি পদার্থের পরামিতি হিসাবে ভৌত সিস্টেম গঠন করে এবং ডিফারেনশিয়াল বা পার্থক্য সমীকরণগুলি যা নিয়ন্ত্রণ ব্যবস্থাকে মডিউল প্যারামিটার হিসাবে বর্ণনা করে। যখন সিস্টেমে একটি সেন্সর ক্ষতি, ব্যর্থতা বা কর্মক্ষমতা হ্রাসের কারণে ব্যর্থ হয়, তখন এটি সরাসরি উপাদানের পরামিতিগুলির পরিবর্তন হিসাবে প্রদর্শিত হতে পারে, যা ফলস্বরূপ মডুলাস পরামিতিগুলির পরিবর্তন ঘটায়, যা সমস্ত ত্রুটির তথ্য ধারণ করে। বিপরীতে, যখন মডিউল পরামিতিগুলি পরিচিত হয়, তখন প্যারামিটারের পরিবর্তন গণনা করা যেতে পারে, যাতে সেন্সরের ত্রুটির আকার এবং ডিগ্রি নির্ধারণ করা যায়। বর্তমানে, মডেল-ভিত্তিক সেন্সর নির্ণয়ের প্রযুক্তি ব্যাপকভাবে ব্যবহৃত হয়েছে, এবং এর গবেষণার ফলাফলগুলি রৈখিক সিস্টেমগুলিতে ফোকাস করে, তবে ননলাইনার সিস্টেমগুলির উপর গবেষণা জোরদার করা দরকার।

1.2 জ্ঞান-ভিত্তিক ত্রুটি নির্ণয়

উপরে উল্লিখিত ত্রুটি নির্ণয়ের পদ্ধতিগুলি থেকে ভিন্ন, জ্ঞান-ভিত্তিক ত্রুটি নির্ণয়ের জন্য একটি গাণিতিক মডেল স্থাপনের প্রয়োজন নেই, যা মডেল-ভিত্তিক ত্রুটি নির্ণয়ের ত্রুটিগুলি বা ত্রুটিগুলি কাটিয়ে উঠতে পারে, তবে পরিপক্ক তাত্ত্বিক সমর্থনের একটি সেটের অভাব রয়েছে। তাদের মধ্যে, কৃত্রিম নিউরাল নেটওয়ার্ক পদ্ধতি জ্ঞান-ভিত্তিক ত্রুটি নির্ণয়ের প্রতিনিধি। তথাকথিত কৃত্রিম নিউরাল নেটওয়ার্ককে ইংরেজিতে ANN বলা হয়, যা মস্তিষ্কের নিউরাল নেটওয়ার্ক সম্পর্কে মানুষের বোঝার উপর ভিত্তি করে এবং কৃত্রিম নির্মাণের মাধ্যমে একটি নির্দিষ্ট ফাংশন উপলব্ধি করে। কৃত্রিম নিউরাল নেটওয়ার্ক বিতরণকৃত উপায়ে তথ্য সংরক্ষণ করতে পারে এবং নেটওয়ার্ক টপোলজি এবং ওজন বন্টনের সাহায্যে অরৈখিক রূপান্তর এবং ম্যাপিং উপলব্ধি করতে পারে। বিপরীতে, কৃত্রিম নিউরাল নেটওয়ার্ক পদ্ধতি ননলাইনার সিস্টেমে মডেল-ভিত্তিক ত্রুটি নির্ণয়ের ঘাটতি পূরণ করে। যাইহোক, কৃত্রিম নিউরাল নেটওয়ার্ক পদ্ধতি নিখুঁত নয়, এবং এটি শুধুমাত্র কিছু ব্যবহারিক ক্ষেত্রে নির্ভর করে, যা বিশেষ ক্ষেত্রে সঞ্চিত অভিজ্ঞতার কার্যকর ব্যবহার করে না এবং সহজেই নমুনা নির্বাচন দ্বারা প্রভাবিত হয়, তাই এটি থেকে প্রাপ্ত ডায়গনিস্টিক সিদ্ধান্তগুলি নয় ব্যাখ্যাযোগ্য