ELEMENT FILTERA DIZEL GORIVA

Sa trendom mehaničke opreme ka velikoj, inteligentnoj i visokoj preciznosti, upotreba rotirajućih dijelova, kao što su valjkasti ležajevi, značajno je poboljšana kako bi se postigao prijenos snage, fiksacija položaja i druge svrhe. Kada se oštete ili pokvare, sigurnost rada mehaničke opreme i proizvodna korist će biti ugroženi. Međutim, zbog posebnog položaja ugradnje ovih rotirajućih dijelova, teže je istražiti i ocijeniti zdravstveno stanje opreme, a dosadašnje metode koje su se oslanjale na ljude ili iskustvo više ne mogu funkcionirati. Stoga je razvoj inteligentne metode detekcije i dijagnoze za implementaciju praćenja stanja opreme postao vruća tema istraživanja.

S brzim razvojem umjetne inteligencije, sve više i više metoda strojnog učenja čine da se inteligentna dijagnoza mehaničke opreme ostvari i napreduje, kao što je učenje s pojačanjem (RL) [1], [2], generativne adversarijske mreže (GAN) [3], autoencoder (AE) [4] i stroj vektora podrške (SVM) [5], [6], [47]. Među njima, SVM je klasifikacioni algoritam zasnovan na statističkom učenju, koji nije lako pasti u lokalne minimume i odvaja podatke o obuci kroz optimalnu hiperravninu, dok se podaci o obuci mogu mapirati na visokodimenzionalne karakteristike kroz metode nelinearnog mapiranja, kao što su polinomske funkcije i radijalne bazne funkcije. Osim toga, SVM može pružiti tačnu hiperravninu odlučivanja pod ograničenim uzorcima i ima dobru sposobnost generalizacije. S obzirom na svoje odlične performanse, SVM se široko koristi u mnogim poljima. Wang et al. predložio je inteligentnu metodu dijagnoze kvara zasnovanu na kombinaciji generalizirane kompozitne multi-scale ponderirane permutacijske entropije (GCMWPE) i SVM [7], koja može izdvojiti karakteristike ležaja iz više skala kako bi se konstruirala kolekcija značajki visoke dimenzije. Bayati et al. predložio metodu lociranja kvara za DC mikromrežu zasnovanu na SVM-u [8]. Koristeći lokalnu izmjerenu vrijednost na jednom kraju svake linije, može se locirati tačna lokacija kvara visoke impedancije, a eksperimentalni rezultati pokazuju da je shema otporna na šum i druge smetnje. Ref. [9] predložio je inteligentnu metodu dijagnoze kvara za litijum-jonsku bateriju zasnovanu na mašini za vektor podrške, koja koristi diskretno kosinusno filtriranje da eliminiše šum.