ELEMENT FILTRE DE COMBUSTIBLE DIÉSEL

Amb la tendència dels equips mecànics a gran escala, intel·ligents i d'alta precisió, l'ús de peces giratòries, com el coixinet de rodets, s'ha millorat significativament per aconseguir la transmissió de potència, la fixació de la posició i altres finalitats. Quan es fan malbé o fallin, es veurà afectat el benefici de la producció i la seguretat del funcionament de l'equip mecànic. Tanmateix, a causa de la posició especial d'instal·lació d'aquestes peces giratòries, és més difícil investigar i jutjar l'estat de salut de l'equip, i els mètodes anteriors que es basen en humans o experiència ja no poden funcionar. Per tant, el desenvolupament de mètodes intel·ligents de detecció i diagnòstic per implementar la vigilància de la salut dels equips s'ha convertit en un tema de recerca candent.

Amb el ràpid desenvolupament de la intel·ligència artificial, cada cop més mètodes d'aprenentatge automàtic fan que el diagnòstic intel·ligent d'equips mecànics es faci realitat i prosperi, com ara l'aprenentatge de reforç (RL) [1], [2], xarxes adversaries generatives (GAN) [3], codificador automàtic (AE) [4] i màquina vectorial de suport (SVM) [5], [6], [47]. Entre ells, SVM és un algorisme de classificació basat en l'aprenentatge estadístic, que no és fàcil caure en mínims locals i separa les dades d'entrenament mitjançant un hiperplà òptim mentre que les dades d'entrenament es poden mapar a característiques d'alta dimensió mitjançant mètodes de mapeig no lineals, com ara funcions polinomials i funcions de base radial. A més, SVM pot proporcionar un hiperplà de decisió precisa sota mostres limitades i té una bona capacitat de generalització. Tenint en compte el seu excel·lent rendiment, SVM s'ha utilitzat àmpliament en molts camps. Wang et al. va proposar un mètode intel·ligent de diagnòstic de fallades basat en la combinació d'entropia de permutació ponderada multiescala composta generalitzada (GCMWPE) i SVM [7], que pot extreure característiques de rodament de múltiples escales per construir una col·lecció de característiques d'alta dimensionalitat. Bayati et al. va proposar un mètode de localització d'errors per a microxarxes de CC basat en SVM [8]. Mitjançant l'ús del valor mesurat local a un extrem de cada línia, es pot localitzar la ubicació precisa de la fallada d'alta impedància i els resultats experimentals mostren que l'esquema és robust al soroll i altres pertorbacions. Ref. [9] va proposar un mètode intel·ligent de diagnòstic d'errors per a bateries d'ió de liti basat en una màquina vectorial de suport, que utilitza un filtrat de cosinus discret per eliminar el soroll.