Sensorfel inkluderar fyra huvudkategorier: fullständiga felfel, felaktiga avvikelser, driftavvikelser och noggrannhetsnedbrytning.
Fel misslyckande avser det plötsliga felet i sensormätningen, det uppmätta värdet har varit en konstant; Avvikelsesfel hänvisar främst till sensorns uppmätta värde och det verkliga värdet på en konstant skillnad mellan en klass av fel, såsom ses i figuren finns det ett fel i mätningen av mätningen av mätningen är parallell med mätningen av NO -fel ;; de
Driftfel är fel där skillnaden mellan sensorns uppmätta värde och det verkliga värdet ökar med tiden.
Noggrannhetsnedbrytning avser försämringen av sensorns mätförmåga och låg noggrannhet. När noggrannhetsnivån minskar förändras inte mätningsvärdet för mätningen, men variationen i mätningen förändras.
Fasta avvikelsesfel och driftfel är fel som inte är lätta att upptäcka och orsakar en serie oförutsedda problem under felet, vilket gör att kontrollsystemet inte kan fungera korrekt under en lång tid.
Sensorfel Klassificering
1, enligt graden av klassificering av sensorfel
Enligt storleken på graden av sensorfel kan delas in i hårt fel och mjukt fel.
Hårt misslyckande avser strukturen för skadan orsakad av misslyckandet, den allmänna amplituden för stora, plötsliga förändringar; Mjukt fel hänvisar till variationens egenskaper, amplituden är liten, långsam förändringar.
Hårt misslyckande, även känt som fullständigt misslyckande, fullständigt fel när det uppmätta värdet inte förändras med den faktiska förändringen, upprätthåller alltid en viss avläsning. Vanligtvis är detta konstant värde vanligtvis noll eller den maximala avläsningen. Det uppmätta värdet på felet är ungefär en horisontell rak linje.
Mjuka fel inkluderar dataavvikelse, drift och nedbrytning av noggrannhetsnivåer. Mjuka fel är relativt små, svåra att hitta, så på ett sätt är mjuka fel skador än hårda fel skador är större, och dess skada har gradvis väckt uppmärksamhet.
2, enligt misslyckandet av prestationsklassificeringen
Enligt prestandan för fel kan delas in i intermittenta fel och permanenta fel.
Intermittent misslyckande är bra eller dåligt; Permanent felfel, kan inte återställas till det normala.
3, enligt misslyckandet, utvecklingen av klassificeringsprocessen
Enligt processen för felanfall kan utvecklingen delas upp i mutationsfel och långsam förändringsfel.
Mutant felsignalhastighet är stor; Långförändringsfelsignalhastighet är liten.
4, enligt orsaken till felklassificeringen
Enligt orsaken till felet kan delas in i avvikelsesfel, påverkningsfel, öppna kretsfel, driftfel, kortslutningsfel, periodisk störning, olinjära dödzonfel.
Orsakerna till avvikelsesfel är: förspänningsström eller förspänning, etc.; och
Fel orsaker till inrush -fel är: slumpmässiga störningar i kraftförsörjningen och marken, överspänningar, gnistutsläpp, burrs i D/A -omvandlaren osv.; och
Fel orsaker till öppna kretsfel: trasiga signallinjer, spånstift är inte anslutna, etc.
Orsaken till driftfel: temperatur osv.; Kortslutningsfel: Kontaminering.
Fel orsaker till kortslutningsfel: brokorrosion orsakad av föroreningar, linje kortslutning, etc.
Cykliska interferensfel Orsaker: Strömförsörjning 50 Hz störningar osv.;; och
Fel orsaker till olinjära dödbandsfel: förstärkare mättnad, innehåller olinjära länkar osv.
Dessutom kan den från modellering och simulering delas upp i multiplikativa och additiva fel. För förspänningsfel, den ursprungliga signalen plus en konstant eller slumpmässig liten signal; För chockstörning kan överlagras på den ursprungliga signalen en pulssignal; För kortslutningsfel är signalen nära noll; Öppna kretsfel, signalen är nära sensorns utgång maximalt; Driftfel, signalen med en viss hastighetsförskjutning från den ursprungliga signalen; Cykliska störningsfel, den ursprungliga signalen överlagras på signalen om en viss frekvens.
Sensorfeldiagnosmetoder
Ur olika perspektiv är klassificeringen av feldiagnosmetoder inte exakt samma. Feldiagnosmetoder är helt enkelt indelade i: metoder baserade på analytiska matematiska modeller och metoder som inte förlitar sig på matematiska modeller.
1. Metoder baserade på analytiska matematiska modeller
Enligt de olika formerna av rester kan metoderna baserade på analytiska matematiska modeller delas ytterligare in i: parameteruppskattningsmetod, tillståndsuppskattningsmetod och motsvarande rymdmetod.
Den modellbaserade feldiagnosmetoden är en av de tidigaste diagnostiska metoderna som utvecklats, men också en av de mest studerade och tillämpade diagnostiska metoderna.
Fördelarna är att modellmekanismen är tydlig, strukturen är enkel, enkel att förverkliga, lätt att analysera och kan diagnostiseras i realtid. Det har en viktig position inom feldiagnosen och kommer fortfarande att vara den huvudsakliga forskningsriktningen för sensorns feldiagnosmetoder i den framtida utvecklingen.
Nackdelarna är den stora mängden beräkning, systemkomplexitet; förekomsten av modelleringsfel, dålig anpassningsförmåga för modellen; dålig tillförlitlighet, benägen för falska larm, utelämnanden och andra fenomen; Systemets robusthet är inte känsligt för brus och störningar.
För närvarande är forskningsresultaten från denna diagnostiska metod fortfarande huvudsakligen fokuserade på linjära system, vilket är av stor betydelse för en djupgående studie av generaliserade feldiagnostiska tekniker för icke-linjära system, och samtidigt är problemet med robusthet också av högt forskningsvärde. Tabell L beskriver fördelar och nackdelar med vissa feldiagnosmetoder i modelleringsmetoden.
2. Feldiagnosmetoder som inte beror på matematiska modeller
För närvarande blir styrsystemet mer och mer komplicerat, på grund av att det är svårt att skapa en exakt analytisk matematisk modell av kontrollsystemet i praktiken, när det finns ett modelleringsfel, kommer de modellbaserade feldiagnosmetoderna att vara falsk Larm, utelämnanden och andra fenomen, så de modelloberoende feldiagnosmetoderna har uppskattats mycket.
Fördelarna med de matematiska modelloberoende metoderna är att de inte kräver en exakt modell av objektet och är mycket anpassningsbara. Nackdelen är att strukturen är komplex och svår att förverkliga.
Sådana systemmodelloberoende feldiagnosmetoder kan kategoriseras i feldiagnosmetoder baserade på datadrivna tillvägagångssätt, kunskapsbaserade feldiagnosmetoder och diskreta evenemangsbaserade metoder.
2.1 Datadrivna metoder
Det finns två huvudkategorier av datadrivna metoder: signalbehandlingsmetoder och statistiska metoder.
Några vanligt använda signalbehandlingsbaserade feldiagnosmetoder är: absolut värdetest och trendtest, feldetektering med hjälp av Kullb ACK -informationskriterium, feldetekteringsmetoder baserade på adaptivt glidande gitterfilter, feldetekteringsmetoder baserade på signalmodal uppskattningskorrelationsanalys, wavelet -analys Metoder och informationsfusionsmetoder.
2.2 Kunskapsbaserade metoder
Kunskapsbaserade feldiagnosmetoder kan kategoriseras i samband med två typer: symptombaserade feldiagnosmetoder och kvalitativa modellbaserade feldiagnosmetoder.
2.3 Diskreta händelsebaserade metoder
Diskret händelsebaserad feldiagnosmetod är en ny typ av feldiagnosmetod som utvecklats under de senaste åren. Den grundläggande idén är att tillståndet för den diskreta händelsemodellen återspeglar både det normala tillståndet och systemets feltillstånd.
Med framstegen i teoretisk forskning och den kontinuerliga förbättringen av den tekniska nivån kommer studien av sensorfeldiagnos att tendera att vara mer praktisk, och några av de problem som uppstår i praktiken kommer att lösas gradvis.