ФИЛТЪРЕН ЕЛЕМЕНТ ЗА ДИЗЕЛОВО ГОРИВО

С тенденцията на механичното оборудване към мащабно, интелигентно и високопрецизно, използването на въртящи се части, като ролкови лагери, е значително подобрено за постигане на предаване на мощност, фиксиране на позиция и други цели. Когато те са повредени или неуспешни, безопасността на работата на механичното оборудване и ползите от производството ще бъдат засегнати. Въпреки това, поради специалната монтажна позиция на тези въртящи се части, е по-трудно да се изследва и прецени здравословното състояние на оборудването и предишните методи, разчитащи на хора или опит, вече не могат да работят. Следователно разработването на интелигентен метод за откриване и диагностика за прилагане на мониторинг на здравето на оборудването се превърна в гореща изследователска тема.

С бързото развитие на изкуствения интелект, все повече и повече методи за машинно обучение правят интелигентната диагностика на механичното оборудване истинска и просперираща, като обучение с подсилване (RL) [1], [2], генеративни състезателни мрежи (GAN) [3], автоенкодер (AE) [4] и поддържаща векторна машина (SVM) [5], [6], [47]. Сред тях SVM е класификационен алгоритъм, базиран на статистическо обучение, което не е лесно да попадне в локални минимуми и разделя тренировъчните данни чрез оптимална хиперравнина, докато тренировъчните данни могат да бъдат картографирани към високоразмерни характеристики чрез нелинейни методи за картографиране, като полиномиални функции и радиални базисни функции. В допълнение, SVM може да осигури точна хиперравнина на решение при ограничени проби и има добра способност за обобщение. С оглед на отличното си представяне, SVM се използва широко в много области. Wang и др. предложи интелигентен метод за диагностика на неизправности, базиран на комбинацията от обобщена композитна многомащабна претеглена пермутационна ентропия (GCMWPE) и SVM [7], която може да извлече носещи характеристики от множество скали, за да конструира колекция от високомерни характеристики. Bayati и др. предложи метод за локализиране на повреда за DC микромрежа, базиран на SVM [8]. Чрез използване на локалната измерена стойност в единия край на всяка линия може да се локализира точното местоположение на повреда с висок импеданс и експерименталните резултати показват, че схемата е устойчива на шум и други смущения. Реф. [9] предложи интелигентен метод за диагностика на неизправности за литиево-йонна батерия, базиран на опорна векторна машина, която използва дискретно косинусово филтриране за елиминиране на шума.