ФІЛЬТРУЮЧЫ ЭЛЕМЕНТ ДЫЗЕЛЬНАГА ПАЛІВА

З тэндэнцыяй развіцця механічнага абсталявання да буйнамаштабнага, інтэлектуальнага і высокадакладнага выкарыстання частак, якія верцяцца, такіх як ролікавыя падшыпнікі, было значна палепшана для дасягнення перадачы магутнасці, фіксацыі становішча і іншых мэтаў. Калі яны пашкоджваюцца або выходзяць з ладу, гэта ўплывае на бяспеку працы механічнага абсталявання і выгаду ад вытворчасці. Аднак з-за асаблівага месца ўстаноўкі гэтых частак, якія верцяцца, больш складана даследаваць і ацэньваць стан здароўя абсталявання, і папярэднія метады, якія абапіраюцца на людзей або вопыт, больш не могуць працаваць. Такім чынам, распрацоўка інтэлектуальных метадаў выяўлення і дыягностыкі для ўкаранення маніторынгу спраўнасці абсталявання стала актуальнай тэмай даследаванняў.

З хуткім развіццём штучнага інтэлекту ўсё больш і больш метадаў машыннага навучання робяць інтэлектуальную дыягностыку механічнага абсталявання спраўджвальнай і квітнеючай, напрыклад навучанне з падмацаваннем (RL) [1], [2], генератыўныя спаборніцкія сеткі (GAN) [3], аўтакадавальнік (AE) [4] і машына апорных вектараў (SVM) [5], [6], [47]. Сярод іх SVM - гэта алгарытм класіфікацыі, заснаваны на статыстычным навучанні, які няпроста ўпасці ў лакальныя мінімумы і аддзяляе навучальныя даныя праз аптымальную гіперплоскасць, у той час як навучальныя даныя можна супаставіць з высокаразмернымі аб'ектамі з дапамогай метадаў нелінейнага адлюстравання, такіх як паліномныя функцыі і радыяльныя базісныя функцыі. Акрамя таго, SVM можа забяспечыць дакладную гіперплоскасць рашэння пры абмежаваных выбарках і мае добрую здольнасць да абагульнення. Дзякуючы сваёй выдатнай прадукцыйнасці, SVM шырока выкарыстоўваецца ў многіх галінах. Ван і інш. прапанаваў інтэлектуальны метад дыягностыкі няспраўнасцей, заснаваны на камбінацыі абагульненай кампазітнай шматшкальнай узважанай энтрапіі перастаноўкі (GCMWPE) і SVM [7], які можа вылучыць характарыстыкі падшыпніка з некалькіх шкал для пабудовы шматмернай калекцыі прыкмет. Баяці і інш. прапанаваў метад вызначэння няспраўнасці для мікрасеткі пастаяннага току на аснове SVM [8]. Выкарыстоўваючы лакальнае вымеранае значэнне на адным канцы кожнай лініі, можна вызначыць дакладнае месцазнаходжанне няспраўнасці з высокім супрацівам, а вынікі эксперыменту паказваюць, што схема ўстойлівая да шуму і іншых перашкод. спасылка [9] прапанаваў інтэлектуальны метад дыягностыкі няспраўнасцей літый-іённай батарэі на аснове апорнага вектара, які выкарыстоўвае дыскрэтную косінусную фільтрацыю для ліквідацыі шуму.