252927 স্বয়ংক্রিয় সংক্রমণ AL4 ডিপিও স্যুইচ প্রেসার সেন্সর

1। সাধারণ সেন্সর ত্রুটি নির্ণয়ের পদ্ধতি

বিজ্ঞান এবং প্রযুক্তির বিকাশের সাথে, সেন্সর ত্রুটি নির্ণয়ের পদ্ধতিগুলি আরও বেশি পরিমাণে প্রচুর পরিমাণে রয়েছে, যা মূলত প্রতিদিনের ব্যবহারের প্রয়োজনগুলি পূরণ করতে পারে। বিশেষত, সাধারণ সেন্সর ত্রুটি নির্ণয়ের পদ্ধতিগুলি মূলত নিম্নলিখিতগুলি অন্তর্ভুক্ত করে:

1.1 মডেল-ভিত্তিক ত্রুটি নির্ণয়

প্রথম দিকের বিকাশযুক্ত মডেল-ভিত্তিক সেন্সর ফল্ট ডায়াগনোসিস প্রযুক্তি শারীরিক অপ্রয়োজনীয়তার পরিবর্তে তার মূল ধারণা হিসাবে বিশ্লেষণাত্মক অপ্রয়োজনীয়তা গ্রহণ করে এবং মূলত এটি অনুমানের সিস্টেমের দ্বারা পরিমাপকৃত মান আউটপুটের সাথে তুলনা করে ত্রুটিযুক্ত তথ্য অর্জন করে। বর্তমানে, এই ডায়াগনোসিস প্রযুক্তিটি তিনটি বিভাগে বিভক্ত করা যেতে পারে: প্যারামিটার অনুমান-ভিত্তিক ত্রুটি নির্ণয়ের পদ্ধতি, রাজ্য-ভিত্তিক ত্রুটি নির্ণয় পদ্ধতি এবং সমতুল্য স্থান নির্ণয়ের পদ্ধতি। সাধারণভাবে, আমরা উপাদানগুলির বৈশিষ্ট্যগত পরামিতিগুলি সংজ্ঞায়িত করি যা শারীরিক ব্যবস্থাটিকে পদার্থের পরামিতি হিসাবে গঠন করে এবং ডিফারেনশিয়াল বা পার্থক্য সমীকরণ যা নিয়ন্ত্রণ ব্যবস্থাটিকে মডিউল পরামিতি হিসাবে বর্ণনা করে। ক্ষতি, ব্যর্থতা বা পারফরম্যান্স অবক্ষয়ের কারণে যখন সিস্টেমে কোনও সেন্সর ব্যর্থ হয়, তখন এটি সরাসরি উপাদানগুলির পরামিতিগুলির পরিবর্তন হিসাবে প্রদর্শিত হতে পারে, যার ফলে মডুলাস পরামিতিগুলির পরিবর্তনের কারণ হয়, যার মধ্যে সমস্ত ত্রুটি সম্পর্কিত তথ্য রয়েছে। বিপরীতে, যখন মডিউল পরামিতিগুলি জানা যায়, তখন প্যারামিটারের পরিবর্তন গণনা করা যায়, যাতে সেন্সর ত্রুটির আকার এবং ডিগ্রি নির্ধারণ করতে পারে। বর্তমানে, মডেল-ভিত্তিক সেন্সর ডায়াগনোসিস প্রযুক্তি ব্যাপকভাবে ব্যবহৃত হয়েছে এবং এর গবেষণার ফলাফলগুলি লিনিয়ার সিস্টেমগুলিতে ফোকাস করে, তবে ননলাইনার সিস্টেমগুলির উপর গবেষণাটিকে আরও জোরদার করা দরকার।

1.2 জ্ঞান-ভিত্তিক ত্রুটি নির্ণয়

উপরোক্ত উল্লিখিত ত্রুটি নির্ণয়ের পদ্ধতিগুলির থেকে পৃথক, জ্ঞান-ভিত্তিক ত্রুটি নির্ণয়ের কোনও গাণিতিক মডেল প্রতিষ্ঠার প্রয়োজন হয় না, যা মডেল-ভিত্তিক ত্রুটি নির্ণয়ের ত্রুটিগুলি বা ত্রুটিগুলি কাটিয়ে ওঠে তবে পরিপক্ক তাত্ত্বিক সহায়তার একটি সেট অভাব রয়েছে। এর মধ্যে কৃত্রিম নিউরাল নেটওয়ার্ক পদ্ধতি জ্ঞান-ভিত্তিক ত্রুটি নির্ণয়ের প্রতিনিধি। তথাকথিত কৃত্রিম নিউরাল নেটওয়ার্কটি এএনএন হিসাবে সংক্ষেপে ইংরেজী হিসাবে সংক্ষেপিত হয়, যা মস্তিষ্কের নিউরাল নেটওয়ার্কের মানবিক বোঝার উপর ভিত্তি করে এবং কৃত্রিম নির্মাণের মাধ্যমে একটি নির্দিষ্ট কার্যকারিতা উপলব্ধি করে। কৃত্রিম নিউরাল নেটওয়ার্ক একটি বিতরণ উপায়ে তথ্য সঞ্চয় করতে পারে এবং নেটওয়ার্ক টপোলজি এবং ওজন বিতরণের সাহায্যে ননলাইনার রূপান্তর এবং ম্যাপিং উপলব্ধি করতে পারে। বিপরীতে, কৃত্রিম নিউরাল নেটওয়ার্ক পদ্ধতি ননলাইনার সিস্টেমে মডেল-ভিত্তিক ত্রুটি নির্ণয়ের ঘাটতি তৈরি করে। তবে কৃত্রিম নিউরাল নেটওয়ার্ক পদ্ধতিটি নিখুঁত নয় এবং এটি কেবল কিছু ব্যবহারিক ক্ষেত্রে নির্ভর করে, যা বিশেষ ক্ষেত্রে জমে থাকা অভিজ্ঞতার কার্যকর ব্যবহার করে না এবং নমুনা নির্বাচনের দ্বারা সহজেই প্রভাবিত হয়, সুতরাং এটি থেকে প্রাপ্ত ডায়াগনস্টিক উপসংহারগুলি ব্যাখ্যাযোগ্য নয়।