DIESELBRÆNDSTOFFILTERELEMENT

Med tendensen til mekanisk udstyr i retning af storstilet, intelligent og høj præcision er brugen af ​​roterende dele, såsom rullelejer, blevet væsentligt forbedret for at opnå kraftoverførsel, positionsfiksering og andre formål. Når de er beskadiget eller svigter, vil det mekaniske udstyrs driftssikkerhed og produktionsfordele blive påvirket. Men på grund af disse roterende deles specielle installationsposition er det sværere at undersøge og bedømme udstyrets sundhedsstatus, og tidligere metoder, der er afhængige af mennesker eller erfaring, kan ikke længere fungere. Derfor er udvikling af intelligente detektions- og diagnosemetoder til implementering af udstyrssundhedsovervågning blevet et varmt forskningsemne.

Med den hurtige udvikling af kunstig intelligent gør flere og flere maskinlæringsmetoder mekanisk udstyrs intelligente diagnose til virkelighed og blomstre, såsom forstærkningslæring (RL) [1], [2], generative adversarial networks (GAN) [3], autoencoder (AE) [4] og understøtte vektormaskine (SVM) [5], [6], [47]. Blandt dem er SVM en klassifikationsalgoritme baseret på statistisk læring, som ikke er let at falde ind under lokale minima og adskiller træningsdata gennem optimal hyperplan, mens træningsdata kan kortlægges til højdimensionelle funktioner gennem ikke-lineære kortlægningsmetoder, såsom polynomiske funktioner og radiale basisfunktioner. Derudover kan SVM give nøjagtig beslutningshyperplan under begrænsede prøver og har god generaliseringsevne. I lyset af dens fremragende ydeevne er SVM blevet meget brugt på mange områder. Wang et al. foreslået en intelligent fejldiagnosemetode baseret på kombinationen af ​​generaliseret sammensat multi-skala vægtet permutationsentropi (GCMWPE) og SVM [7], som kan udtrække bærende funktioner fra flere skalaer for at konstruere højdimensionel funktionssamling. Bayati et al. foreslået en fejllokaliseringsmetode for DC mikronet baseret på SVM [8]. Ved at bruge den lokale målte værdi i den ene ende af hver linje kan den nøjagtige placering af højimpedansfejl lokaliseres, og de eksperimentelle resultater viser, at skemaet er robust over for støj og andre forstyrrelser. Ref. [9] foreslog en intelligent fejldiagnosemetode til lithium-ion-batteri baseret på støttevektormaskine, som bruger diskret cosinusfiltrering til at eliminere støj.