VLOŽKA PALIVOVÉHO FILTRU NAFTY

S trendem mechanických zařízení směrem k velkorozměrovým, inteligentním a vysoce přesným se výrazně zlepšilo použití rotačních dílů, jako jsou válečková ložiska, pro dosažení přenosu síly, fixace polohy a další účely. Když se poškodí nebo selžou, bude to mít dopad na bezpečnost provozu mechanického zařízení a přínos výroby. Vzhledem ke speciální montážní poloze těchto rotujících částí je však obtížnější zkoumat a posuzovat zdravotní stav zařízení a předchozí metody spoléhající na lidi nebo zkušenosti již nemohou fungovat. Proto se vývoj inteligentní detekční a diagnostické metody pro implementaci monitorování stavu zařízení stal horkým tématem výzkumu.

S rychlým rozvojem umělé inteligence se stále více metod strojového učení stává skutečností a prosperitou pro inteligentní diagnostiku mechanických zařízení, jako je posilovací učení (RL) [1], [2], generativní adversariální sítě (GAN) [3], autoencoder (AE) [4] a podpůrný vektorový stroj (SVM) [5], [6], [47]. Mezi nimi je SVM klasifikační algoritmus založený na statistickém učení, který není snadné spadnout do lokálních minim a odděluje trénovací data pomocí optimální nadroviny, zatímco trénovací data lze mapovat na vysokorozměrné prvky pomocí nelineárních mapovacích metod, jako jsou polynomiální funkce a radiální bázové funkce. Kromě toho může SVM poskytnout přesnou rozhodovací nadrovinu na omezených vzorcích a má dobrou schopnost generalizace. Vzhledem ke svému vynikajícímu výkonu se SVM široce používá v mnoha oblastech. Wang a kol. navrhl inteligentní metodu diagnostiky poruch založenou na kombinaci zobecněné kompozitní multi-škálové vážené permutační entropie (GCMWPE) a SVM [7], která dokáže extrahovat ložiskové prvky z více měřítek za účelem vytvoření vysoce dimenzionální kolekce prvků. Bayati a kol. navrhl metodu lokalizace poruchy pro DC mikrosíť založenou na SVM [8]. Použitím místní naměřené hodnoty na jednom konci každého vedení lze lokalizovat přesné místo vysokoimpedanční poruchy a experimentální výsledky ukazují, že schéma je odolné vůči šumu a dalším rušením. Ref. [9] navrhli inteligentní metodu diagnostiky poruch pro lithium-iontovou baterii založenou na podpůrném vektorovém stroji, který využívá diskrétní kosinusové filtrování k eliminaci šumu.