for each set, resectively. SFS Diagnos och o vervakning SFS Diagnos o vervakning Fo rel a sning och - Felisolering Fo rela sning - Felisolering fw af {, } {, } f ic {, } {, } {, r r r r r r... {, fic. } {, - } fic {, {, f ic. {-, -} } } {, } {, } - able Fault signature matrix of residual set R. Residual fw af fim fic Sensordata' fim - fim fw af Arkitektur fo r diagnos Arkitektur fo r diagnos }. - Fig.. elements f ic Daniel Jung System' Erik Frisk Institutionen fo r teknik Linko ings universitet Institutionen fo r teknik daniel.jung@liu.se Linko ings universitet erik.frisk@liu.se Feldetek,on' Sensordata' r r r -- -- wo sets of constraints, i.e., different values of Cl for each requirement, () are evaluated. o make sure that there exists a feasible solution, each value Cl is selected the range of values achieved when tuning a logislarm' within Diagnos' Felisolering' tic regression model () for each of the residual candidates, searately. he two sets of values of Cl are shown in able. Position (i, j) in the table shows the values Residualer' of Cl for reach of the requirements tor isolate fault fi from r r fault fj where the first value belongs to set one and the second value belongs to set two. he first set has lower values of the different Cl that reresents less restric- - - while the second set has tive erformance requirements higher values reresenting tougher requirements. r r r r r - - - - Felmod'' Idag fokus a felisoleringen. Arkitektur fo r diagnos Diagnosis Statement Dagens fo rela sning Dagens fo rela sning Isolerbarhetsegenskaer fo r en modell Isolation Isolerbarhetsegenskaer fo r en Fault modell Metod fo r enkelfelsisolering Beslut i en osa ker och brusig miljo Isolerbarhetsegenskaer fo r en ma ngd av residualer Prolog Vilka test/residualer ska vi konstruera? Isolerbarhet och felmodellering Snabbtitt a ett industriellt exemel Isolerbarhetsegenskaer fo r en ma ngd av residualer Diagnostic ska Diagnostic Diagnostic Vilka test/residualer vi konstruera? est est est Isolerbarhet och felmodellering Snabbtitt a ett industriellt exemel Diagnostic est Diagnostic est Ha r resenteras isolering utan att ta u signalbehandlingen som kra vs fo r att konstruera detektorer/residualgeneratorer. Det a r a mnet fo r de Observations kommande fo rela sningarna. Idag fokus a felisoleringen. () he solution set () is comared to the solution when alying the residual selection algorithm roosed in []. he algorithm is imlemented to select the single best residual generator for each requirement k to find a minimal solution set. he resulting solution set is found by taking the union of the selected residual generators for all requirements. he resulting solution set is R = {r, r, r, r, r, r, r } that contains seven residual generators. When comaring the two solutions, the residual candidates r, r, r, r, and r, are found in both solution sets but the roosed residual selection strategy is able to find a smaller set since all requirements are solved as one otimization roblem instead of a set of searate roblems. Beslut i en osa ker och brusig miljo he sol of the fo shown i sent the uals tha red. h on nom Most re excet r when fw used to containing six residual generators and the corresonding FSM is shown in able. Formell definition av en diagnos Fig.. E grey are residuals Felmod'' Formell definition av en diagnos Metod fo r enkelfelsisolering - he otimal solution vector for the less restrictive requirements is shown in Fig.. he significant non-zero - - valuesinthe vector, here defined when [l] >., gives thesolution set R = {r, r, r, r, r, r } As a se rameter larger n tor wh tion set which c set cont the toug Fig. of the i are art ures. It can b Ha r resenteras isolering utan att ta u signalbehandlingen som kra vs fo r att konstruera detektorer/residualgeneratorer. Det a r a mnet fo r de kommande fo rela sningarna.
Litet exemel Exemel från förra föreläsningen: x = u + f OK(A) f = y = x + f OK(S ) f = y = x + + f OK(S ) f = Isolationsexemel, forts. r = y u = f + f larm = r > r = y u = f + f larm = r > y, y och u är kända. Vi konstruerade residualerna: r = y u = f + f larm = r > r = y u = f + f larm = r > NF F F F r r Antag att f = / och f = f =. est larmar. Slutsatsen kan inte vara F, det är ju fel. NF F F F r r Slutsatser av test yiskt; vi drar bara slutsatser av larm. Dvs. här vet vi att det är F eller F, inget annat. abellen ovan kallar vi för beslutsstruktur Isolationsexemel, forts. r = y u = f + f larm = r > r = y u = f + f larm = r > NF F F F Antag att f = och f = f =. r est larmar. r F och F är de enda möjliga enkelfelen enligt testresultaten. Diagnoset kan inte isolera felet unikt. Formell definition av diagnos Var felet f = för litet för att diagnoset skulle kunna isolerade F, eller kan diagnoset inte isolera F för någon storlek å f? Är det en inneboende egenska för et att vi inte kan unikt isolera ett fel i givare eller har vi använt för lite kunska om et när vi designade diagnoset? Vilka analyser behövs göras för att besvara frågan?
Diagnosroblemet Diagnos Givet observationer, en diagnos är en beteendemod som är konsistent med observerat beteende. Diagnos Givet observationer: Hitta alla diagnoser, dvs. alla beteendemoder som ej emotsäger observerat beteende. En smula idealiserad bild som vi kommer hålla fast vid ett tag. Formellt, vad är en diagnos? Låt M vara modellen (tänk en mängd av ekvationer), O är observationerna och D en kandidat. Kandidat En kandidat är en utsaga om hälsotillstånd hos ets alla komonenter. ill exemel för ett med tre komonenter C, C och C, kan en kandidat vara Diagnos En kandidat D är en diagnos om OK(C ) OK(C ) OK(C ) M O D är en satisfierbar/konsistent mängd av ekvationer. Exemel x = u + f y = x + f y = x + + f Exemlet har tre komonenter: S sensor S sensor A aktuatorn Komonenterna kan vara OK eller OK. Sambanden mellan komonenternas moder och felsignaler är imlicita i ekvationerna. Genom utökning blir sambanden exlicita: Exemel, forts Antag mod F med f =, f = f =. Med u = blir observationerna y =, y =, u = Kandidat: D = OK(S ) OK(S ) OK(A) Konsistens av M O D blir då ekvivalent med konsistens av x = + x = u + f y = x + f y = x + + f OK(S ) f = OK(S ) f = OK(A) f = En kandidat är då uttryck å formen: OK(S ) OK(S ) OK(A) = x + f = x + + vilken är en konsistent mängd ekvationer (x =, f = ). Mod F är en diagnos
Exemel, forts Samma observationer, ny kandidat: D = OK(S ) OK(S ) OK(A) Konsistens av M O D blir då ekvivalent med konsistens av x = + f = x + x = = x + + x = vilken är en inkonsistent mängd ekvationer F är ej en diagnos Jämför med diagnosets resultat: F eller F. Det finns information i modellen som diagnoset inte använder! Vad är det som saknas? Komlicerade och osäkra modeller Att avgöra konsistens mellan ett antal ekvationer är tydligen centralt Med brusiga (och osäkra/inkorrekta) modeller så har man generellt aldrig konsistens y = x + ɛ, y = x + ɛ Vi vill avgöra tillräckligt nära konsistens Men vi ska fortsätta ett tag med de ideala definitionerna, de hjäler oss förstå de slutgiltiga algoritmerna Isolerbarhetsegenskaer för en modell PEM Fuel Cell System P Hydrogen tank Efficiency reduchon Air blower ṁ Inlet air flow Less humidificahon Humidifier Humidifier Valve clogging Leakage Voltage sensor fault sensors: stack voltage and temerature considered faults ( BOP, stack) sensor faults st March, Linkoing University, SE. PEMFC Anode Membrane Cathode V Ohmic resistance increase ECSA reduchon Anode exhaust Valve clogging Cathode exhaust emeratur e sensor fault fault variables algebraic equahons differenhal constrains /
PEM Fuel Cell System PEMFC model.... Comressor Seed [rm] Pcm = m! cm.. Nozzles CD AN y,exh y R yy,exh y,exh W y,in / out = CD AN y,exh R yy,exh. Comressor Seed [rm] x η cm = f (β, ncm ) m! cm = f (β, ncm ) k k cefficiency ṁ k amb k β β cm = amb + cm η cm cm ηreduchon cmη EM Membrane P model Δ =. [bar]; current density =. [A/cm]; Humidifier [i, an, ca, Δ] Δ =. [bar]; current density =. [A/cm]; WH O,mem - an ca an Leakage F lmem i σ mem Cathode O H + R fc ln H O ca states at anode side flow states at cathode s.m. states at anode s.m. + ECSA reduchon ( ) y y,exh for y y,exh + dmi, j st March, Linkoing University, = m! in,i, j m! out,i, j ± SE. m! gen / con,i, j dt............................. Pressure Ratio Pressure Ratio f_cm.... Pcm = m! cm +.. W y,in / out Δ =. [bar]; current density =. [A/cm ]; Δ =. [bar]; current density =. [A/cm]; Eact = R fc F i ln i = ipt ECSA i Cathode WH O,mem f_ohm f_ecsa - Eohm = F lmem i σ mem H O + R fc ln H O Eact = f_vout an ca f_vsens an for y y,exh > + y y,exh ca R fc F + i ln i = ipt ECSA i fc i Ediff = ω~ fc i ln lim ilim i σ mem = (..)ex - f_tsens algebraic equahons Energy balance state (temerature) differenhal constrains f_cm dfc! = Ein (in ) E! out (FC )/ VI Q dt st March, Linkoing University, SE. RH j ) ilim = FDO N ε eff. fc Vmtca. ln ( xo,ca ) V m tcafault variables K FC Δg f [ fc ] exhaust E= des j Electrochemical model [i, an, ca, Δ] - (RH univocally isolated with Mixed Causality x R j can All the faults but the two of the stack be for air V j M H O CD AN y,exh y y y,exh R yy,exh y,exh = + CD AN y,exh ( ) R yy,exh + x η cm = f (β, ncm ) Membrane f_vin model mhdeso, j = Nozzles. Comressor Seed [rm] Humidifiers mhdeso, j m! HinjO, j = τ inj k c amb kk k β β cm cm = amb + η cm cm η η cm EM f_leak emeratur fc e sensor. FDO N ε eff. ilim = fault fc ln ( xo,ca ) j = [ca, an, smca, sman]. f_inj Valve clogging faults ( BOP, stack) Inlet air considered states at cathode side Mass balance sensor faults i = [O, N, H, H O]. m! cm = f (β, ncm ) σ mem = (..)ex i Ediff = ω~ fc i ln lim ilim i sensors: stack voltage and temerature. Ohmic resistance increase for > +.. Comressor Seed [rm] y y,exh Eohm = Δg f [ fc ] Valve clogging mem net water flow [mol/s] - Air blower RH j ) Electrochemical model E= - x des j j Membrane air (RH. V j M H O R Anode Isolability matrix for 'PEM Fuel Cell,.sensored' mem mhdeso, j =..................... Pressure Ratio........ net water flow [mol/s]......... Pressure Ratio.... Humidifier. Humidifiers mhdeso, j m! HinjO, j = τ inj Anode exhaust........ PEMFC... Comressor Efficiency..... Comressor Efficiency. Comressor Mass Flow Rate [m/min] tank Air Blower V. Comressor Mass Flow Rate [m/min] PEMFC model Isolability Analysis Less humidificahon Hydrogen Air Blower. Voltage sensor fault states at cathode side states at anode side states at cathode s.m. s.m. f_inj states f_leak at anode f_vin f_ohm Mass balance dmi, j f_ecsa f_vout i = [O, N, H, H O] Energy balance state (temerature) j = [ca, an, smca, sman] = m! in,i, j m! out,i, j ± m! gen / con,i, j dt f_vsens f_tsens K FC dfc! = Ein (in ) E! out (FC ) VI Q dt st March, Linkoing University, SE. / st March, Linkoing University, SE. / / Observationsma ngder Observationsm a ngder itta a exemlet med tre sensorer: y = x + f, y = x + f, y = x + f Isolability Analysis Observationsm a ngder La t Exemel, sensorredundans: y = x + f, y = x + f, y = x + f Isolability matrix for 'PEM Fuel Cell, sensored' f_cm f_inj O(NF ) = {observationer konsistenta med felfritt beteende} O(F ) = {observationer konsistenta felmod F } All the faults but the two of the stack can be dessa kallas observationsma ngder fo r resektive beteendemod. Dessa a r univocally isolated with Mixed Causality trevliga objekt att resonera med. f_leak f_vin f_ohm O(F ) f_ecsa f_vout O(N F ) f_vsens f_tsens f_cm f_inj f_leak f_vin f_ohm f_ecsa f_vout f_vsens f_tsens st March, Linkoing University, SE. / Vilken fa rg har resektive: O(NF ), O(f ), O(f ), O(f )?
Observationsmängder i ett enkelt fall x = u + f OK(S ) f = OK(S ) f = OK(A) f = y = x + f y = x + + f Felfritt fall: NF = OK(A) OK(S ) OK(S ) O(NF ) = {(y, y, u) x : x = u, y = x, y = x + } = {(y, y, u) y = u, y = y + } Isolerbarhet för en modell Isolerbarhet Mod F i är isolerbar från mod F j om O(F i ) O(F j ) O(NF ) O(F ) Endast fel i aktuator: F = OK(A) OK(S ) OK(S ) O(F ) = {(y, y, u) x, f : x = u + f, y = x, y = x + } = {(y, y, u) y = y + } Här är fel F detekterbart (= F är isolerbart från NF ) I exemlet z = (y, y, u) = (,, ): z O(F ), z O(NF ) Isolerbarhet för en modell O(NF ) O(F ) O(F ) F detekterbart och isolerbart från F, men F är varken detekterbart eller isolerbart från F. Isolerbarhet är inte nödvändigtvis en symmetrisk relation. Isolerbarhetsmatris för en modell Isolerbarheten för fallet å förra bilden kan sammanfattas i en matris I i,j = NF F F F F { O(F i ) O(F j ), dvs. moderna F i och F j isolerbara O(F i ) O(F j ), dvs. moderna F i och F j EJ isolerbara olkning av rad : Om et är i F så kommer de -markerade moderna F och F vara diagnoser. Alla enkelfel är unikt isolerbara om endast diagonalen är nollskild. En huvudoäng Isolerbarhetsegenskaer för en modell, inte ett diagnos.
Detekterbarhet och isolerbarhet - exemlet För exemlet kan enkelt visas (gör det!) att O(NF ) = {(y, y, u) y = u, y = y + } O(F ) = {(y, y, u) y = u + } O(F ) = {(y, y, u) y = u} O(F ) = {(y, y, u) y = y + } Följande detekterbarhet och isolerbarhet fås då Metod för enkelfelsisolering NF F F F F F F dvs alla fel är detekterbara och alla enkelfel är unikt isolerbara enligt modellen. Vilken detekterbarhet och isolerbarhet ger diagnoset? Vi återkommer till det senare. Dela u i mindre enklare roblem Egentligen vill vi räkna direkt med dessa observationsmängder, men det är svårt i annat än enkla (till exemel linjära) fall. Modellerna idealiserade beskrivningar av verkligheten. Så hur gör man då? Den grundläggande definitionen är inte alltid direkt användbar Dela u i ett antal mindre och enklare delroblem u y δ ([u,y]) δ ([u,y])... δ ([u,y]) n S S S n Decision Logic Diagnosis System δ([u,y]) S Diagnosis Statement vå angressätt för att utforma isoleringslogiken En lite enklare direkt baserad å beslutsstrukturen En mer avancerad metod, mer anassad för multielfel. Det som utmärker den första metoden är att den resonerar om moder medan den sista om komonentfelmoder. Nu föreläser jag den första varianten. Den sista återkommer jag till senare i kursen.
Radvis användning av beslutsstrukturen Varje test svarar mot ett deltest för ett delroblem. Mängden av alla beteendemoder Ω = {NF, F, F, F } NF F F F r r larm = r > larm = r > Låt F beteckna den okända moden som rocessen är i. Om larm = : F {F, F }, dvs (F = F ) (F = F ) Fall : larm = F {F, F } larm = F Ω S = {F, F } Ω = = {F, F } Radvis användning av beslutsstrukturen - generellt Om S i är delbeslutet taget av test i så är det sammanvägda beslutet snittet av alla delbeslut: S = S i i Beror å att en och endast en av moderna kan vara den i et närvarande. Detta tack vare modelleringen av felmoder (isf komonentfelmoder). Fall : larm = F {F, F } larm = F {F, F } S = {F, F } {F, F } = = {F } veksam hantering av multielfel Sammanvägningen av de olika testresultaten blir väldigt enkel. Detta är en vinst av en tveksam hantering av multielfel; en beteendemod er felkombination, exemelvis: f &f &f komonenter och två beteendemoder er komonent beteendemoder. För enkelfel fungerar det dock bra och effektivt. Beslut i en osäker och brusig miljö
Beslut i brusig och osäker miljö Antag ett test som ska övervaka ett fel. estet kan larma eller inte och et kan vara OK eller OK, dvs fyra kombinationer: OK not OK no larm Missad detektion larm Falskalarm Idealt ska rödmarkerade kombinationer aldrig inträffa, men i brusiga miljöer kan man som regel inte helt undvika falskalarm och missad detektion. Beslut i brusig och osäker miljö J ( OK) ( not OK) (missad detektion) (falskt alarm) Ett alarm som sker när et är felfritt är ett falskalarm (FA). (FA) = ( > J OK) Idealt vill man att (FA) =. Händelsen att inte larma trots att det är fel kallas missad detektion (MD). (MD) = ( < J OK) Idealt vill man (MD) =. röskeln J styr komromissen mellan falskalarm och missad detektion. Beslut i brusig och osäker miljö - realistiska mål ( OK) (missad detektion) ( not OK) Falskalarm är ofta helt oaccetabla J (falskt alarm) Fel med signifikant storlek, dvs de utgör ett hot mot säkerhet, maskinskydd, eller överskrider lagkrav måste utäckas. För små fel som endast ger gradvis försämring av restanda kan det vara bättre att rioritera få falskalarm gentemot att få bra detektion. Ofta secificeras ett krav å falskalarm: (FA) < α. Beslut i brusig och osäker miljö Stort fel: ( OK) J ( stort fel) ydlig searation krävs för att ufylla kraven. Om det inte är searerat så måste teststorheten förbättras, modellen utökas eller et byggas om. Litet fel: ( OK) (missad detektion) J ( litet fel) För att maximera sannolikheten för detektion, väljs den minsta tröskeln så att ( > J OK) < ɛ. I detta fall är det alltså fördelningen för det felfria fallet som bestämmer tröskeln J.
Slutsatser: Beslut i brusig och osäker miljö ydlig searation (för alla möjliga felstorlekar): ( OK) J ( not OK) J S = {NF } > J S = {F } NF F Överlaande fördelningar (för någon möjlig felstorlek): ( OK) J ( litet fel) Isolerbarhet för mängd av tester (missad detektion) J S = {NF, F } > J S = {F } NF F Det senare fallet är tyfallet i den här kursen. Isolerbarhet för en mängd tester Detekterbarhet Återvänder till exemlet för att illustrera r = y u = f + f Isolerbarhetsmatrisen som tidigare togs fram var för en modell Inga tester togs fram. Man kan kalla det ideal restanda. Nu ska vi diskutera isolerbarhetsegenskaer för en mängd av tester, dvs. restanda för ett designat diagnos. Detekterbart fel r = y u = f + f NF F F F r r Ett fel är detekterbart i en mängd av residualer om det existerar ett test som är känsligt för felet. Jmf. O(F ) O(NF ) Ex: Alla fel är detekterbara i exemlet.
Isolerbarhet r r NF F F F Isolerbarhet En mod Fi a r isolerbar fra n Fj med ett diagnos om det existerar ett test som a r ka nsligt fo r Fi men inte fo r Fj. Jmf. O(Fi ) O(Fj ) I exemlet har vi: Modellen Residualerna {r, r } F F F F F F F F F Notera: Isolerbarhet ej en symmetrisk relation! F F F Hur fa r man sa bra isolerbarhetsrestanda som mo jligt och vilka test ska man konstruera fo r att na dit? Klassificerare fra n maskininla rning Nearest Neighbors RBF SVM Klassificerare fra n maskininla rning Gaussian Process Random Forest Neural Net Varfo r inte anva nda en maskininla rningsklassificerare direkt? Baserat a ma tdata Baserat a residualerna..... Kra ver mycket, reresentativ, data; sva rt att fa fo r diagnos. f NF f f r Inut data Relation till datadrivna klassificerare f NF Betrakta exemlet:..... r r f f r Varfo r a r inte dessa metoder direkt anva ndbara?
Vilka tester? Vilka test/residualer ska vi konstruera? Vilka tester ska man konstruera? Låt S vara mängden av de diagnoser som diagnoset levererar. Låt D beteckna mängden av de diagnoser som kan härledas ur mätdata. Man brukar önska två egenskaer, att S (med stor signifikans) ska vara: Komlett Inga verkliga diagnoser ska utelämnas i S, dvs. D S Sund Alla uttalanden i S ska kunna förklara observerat beteende, dvs. inga onödiga uttalanden i S. S D Detta är i mångt och mycket outredda frågor och de villkor som finns är invecklade och tekniska. Vilka test? yvärr (tack och lov?) kan detta vara onödigt många test, seciellt då vi börjar beakta multielfel Är alla dessa möjliga? Går att analysera (dock med metoder utanför den här kursen). Motormodell: Dynamisk modell, ekvationer, sensorer, möjliga (minimala) testmängder! Välj vilka med omsorg. boost leak Intercooler Whfm ester för att unå maximal isolerbarhetsrestanda I exemlet hade våra konstruerade residualer undermålig isolerbarhetsrestanda Modellen Residualerna {r, r } F F F F F F F F F F F F b manifold leak Wth Wcyl q m urbo Nya residualer Vilka nya residualer ska vi konstruera för att unå maximal isolerbarhetsförmåga? n
ester för att unå maximal isolerbarhetsrestanda Ugift: Utöka med test för att unå maximal enkelfelsisolerbarhet. Sökes: est som gör: F F F F F F NF F F F F isolerbart från F?? F isolerbart från F?? Begränsningar givna av modellen: O(NF ) O(F i ) i NF -kolonnen. Max ett fel kan avkolas, annars saknas redundans. Slutsats: Det nya testet måste reagera enligt: NF F F F r Hitta ett test med given felkänslighet Ugift: Hitta ett test med känslighet enligt: NF F F F r Vilka ekvationer får användas för att avkola fel F? Modell: x = u + f () y = x + f () y = x + + f () OK(S ) f = () OK(S ) f = () OK(A) f = () Alternativ baserat å felsignaler: Oberoende av värdet å f skall testet inte larma. Vi måste anta att f är okänd (vi avkolar f ), dvs ekvation () kan inte användas. Elimination av x och f i ekv ()-() ger residualen: som har den sökta felkänsligheten. r = y y = f f Hitta ett test med given felkänslighet Modellegenskaer styr vilka kombinationer av fel som kan avkolas. Avkoling av en mängd fel kan leda till att: andra fel faller bort. den resulterande modellen saknar redundans. Vi återkommer till detta i nästa föreläsning. Givet en secificerad felkänslighet (som tillåts av modellen): Avkola de fel som residualen ska vara okänsligt för, alternativt ta fram den delmodell som är giltig under nollhyotesen. Konstruera en residual från den utvalda delmodellen och se till/kontrollera att den blir känslig för alla fel som inte avkolades i steg. Isolerbarhet och felmodellering
Generella eller seciella(restriktiva) felmodeller? Generellare felmodell Antag en restriktiv felmodell: y(t) = θ u (t) + θ u (t), där u i (t) > θ i = { felfritt aktuator-fel Betrakta {u (t), u (t)} t=,...,n och låt U i = [ u i ()... u i (N) ]. Vi kan inte isolera felen ifrån varandra omm båda felen kan ge samma utsignal dvs θ U + U = U + θ U (θ )U = (θ )U dvs då U och U är linjärt beroende. Slutsats: Med denna, restriktiva felmodell så går det att isolera felen från varandra! Vad händer om vi ansätter en generellare felmodell? Antag en betydligt generellare felmodell där θ (t) och θ (t) nu är två signaler som varierar i tiden. Denna felmodell kan modellera en mycket större klass av felbeteende hos aktuatorerna. Vi får denna vinst till riset av isolationsegenskaer! Alla fel i aktuator genererar utsignaler som lika gärna kunde ha genererats vid ett fel i aktuator (θ (t) )u (t) = (θ (t) )u (t), för alla t {,..., N} Datorer i styr, exemel från Scania Diagnostic bus SMD SMD Susension Susension management dolly management dolly AUS COO Red bus Coordinator Audio CSS Crash safety GMS Gear box management ACS Articulation control EMS Engine management BMS Brake management Snabbtitt å ett industriellt exemel ACC Automatic climate control WA Auxiliary heater water-to-air AA Auxiliary heater air-to-air CS Clock and timer RG Road transort informatics gateway RI Road transort informatics Green bus Yellow bus LAS Locking and alarm AWD All wheel drive ICL Instrument cluster CO achograh VIS Visibility APS Air rocessing BWS Body work Body Builder ruck EEC Exhaust Emission Control ISO/ -ole ISO/ -ole railer BCS Body chassis Body Builder Buss
Beslutsstruktur i EMS - Engine Management System Beslutsstruktur i SCR -Selective Catalytic Reduction Diagnostic test Diagnostic test common com. Comonent common com. Comonent Att ta med sig från denna föreläsning Systemanalys: Formell definition av vad en diagnos är Via observationsmängder definierat detekterbarhet och isolerbarhet som är en övre gräns för den restanda ett diagnos kan unå. Koling mellan felmodeller och isolerbarhet. Diagnossanalys: vå sätt att hantera enkelfelsisoleringen. Beslut i brusiga miljöer. (fa,md) Detekterbarhets/isolerbarhetsrestanda för ett diagnos. Hur man kan välja tester för att förbättra/maximera isolerbarheten. SFS Diagnos och övervakning Föreläsning - Felisolering Erik Frisk Institutionen för teknik Linköings universitet erik.frisk@liu.se --