عنصر فلتر وقود الديزل

مع اتجاه المعدات الميكانيكية نحو الحجم الكبير والذكاء والدقة العالية، تم تحسين استخدام الأجزاء الدوارة، مثل المحمل الأسطواني، بشكل كبير لتحقيق نقل الطاقة وتثبيت الموضع وأغراض أخرى. عندما تتعرض للتلف أو الفشل، فإن سلامة تشغيل المعدات الميكانيكية وفوائد الإنتاج سوف تتأثر. ومع ذلك، نظرًا لوضع التثبيت الخاص لهذه الأجزاء الدوارة، فمن الصعب البحث والحكم على الحالة الصحية للمعدات، ولم تعد الطرق السابقة التي تعتمد على البشر أو الخبرة قادرة على العمل. لذلك، أصبح تطوير طريقة الكشف والتشخيص الذكية لتنفيذ مراقبة صحة المعدات موضوع بحث ساخن.

مع التطور السريع للذكاء الاصطناعي، فإن المزيد والمزيد من أساليب التعلم الآلي تجعل التشخيص الذكي للمعدات الميكانيكية حقيقة ومزدهرًا، مثل التعلم المعزز (RL) [1]، [2]، وشبكات الخصومة التوليدية (GAN) [3]، وجهاز التشفير التلقائي (AE) [4] وآلة ناقل الدعم (SVM) [5]، [6]، [47]. من بينها، SVM هي خوارزمية تصنيف تعتمد على التعلم الإحصائي، والذي ليس من السهل الوقوع في الحد الأدنى المحلي ويفصل بيانات التدريب من خلال المستوى الفائق الأمثل بينما يمكن تعيين بيانات التدريب إلى ميزات عالية الأبعاد من خلال طرق رسم الخرائط غير الخطية، مثل الوظائف متعددة الحدود و وظائف أساس شعاعي. بالإضافة إلى ذلك، يمكن لـ SVM توفير دقة عالية للقرار في ظل عينات محدودة، ولديه قدرة تعميم جيدة. نظرًا لأدائها الممتاز، فقد تم استخدام SVM على نطاق واسع في العديد من المجالات. وانغ وآخرون. اقترح طريقة ذكية لتشخيص الأخطاء تعتمد على مزيج من الإنتروبيا الموزونة المركبة متعددة المقاييس (GCMWPE) وSVM [7]، والتي يمكنها استخلاص ميزات التحمل من مقاييس متعددة لإنشاء مجموعة ميزات عالية الأبعاد. البياتي وآخرون. اقترح طريقة تحديد موقع الخطأ لشبكة DC الصغيرة استنادًا إلى SVM [8]. باستخدام القيمة المقاسة المحلية في أحد طرفي كل سطر، يمكن تحديد الموقع الدقيق لخطأ المعاوقة العالية، وتظهر النتائج التجريبية أن المخطط قوي ضد الضوضاء والاضطرابات الأخرى. المرجع. [9] اقترح طريقة ذكية لتشخيص الأعطال لبطارية الليثيوم أيون استنادًا إلى آلة ناقل الدعم، والتي تستخدم تصفية جيب التمام المنفصلة للتخلص من الضوضاء.