DIESELKRAFTSTOFFFILTERELEMENT

Mit dem Trend mechanischer Geräte zu großen, intelligenten und hochpräzisen Geräten wurde die Verwendung rotierender Teile, wie z. B. Rollenlager, zur Kraftübertragung, Positionsfixierung und anderen Zwecken erheblich verbessert. Wenn sie beschädigt werden oder ausfallen, wird die Betriebssicherheit der mechanischen Ausrüstung und der Produktionsvorteil beeinträchtigt. Aufgrund der besonderen Einbaulage dieser rotierenden Teile ist es jedoch schwieriger, den Gesundheitszustand der Geräte zu untersuchen und zu beurteilen, und bisherige Methoden, die auf Menschen oder Erfahrung angewiesen sind, können nicht mehr funktionieren. Daher ist die Entwicklung intelligenter Erkennungs- und Diagnosemethoden zur Implementierung der Gerätezustandsüberwachung zu einem heißen Forschungsthema geworden.

Mit der rasanten Entwicklung der künstlichen Intelligenz machen immer mehr Methoden des maschinellen Lernens die intelligente Diagnose mechanischer Geräte wahr und gedeihen, wie z. B. Reinforcement Learning (RL) [1], [2], Generative Adversarial Networks (GAN) [3] und Autoencoder (AE) [4] und Support Vector Machine (SVM) [5], [6], [47]. Unter diesen ist SVM ein auf statistischem Lernen basierender Klassifizierungsalgorithmus, der nicht leicht in lokale Minima fällt und Trainingsdaten durch eine optimale Hyperebene trennt, während Trainingsdaten durch nichtlineare Abbildungsmethoden wie Polynomfunktionen und andere auf hochdimensionale Merkmale abgebildet werden können Radiale Basisfunktionen. Darüber hinaus kann SVM bei begrenzten Stichproben eine genaue Entscheidungshyperebene bereitstellen und verfügt über eine gute Generalisierungsfähigkeit. Aufgrund seiner hervorragenden Leistung wird SVM in vielen Bereichen häufig eingesetzt. Wang et al. schlug eine intelligente Fehlerdiagnosemethode vor, die auf der Kombination von verallgemeinerter zusammengesetzter mehrskaliger gewichteter Permutationsentropie (GCMWPE) und SVM [7] basiert und Lagermerkmale aus mehreren Skalen extrahieren kann, um eine hochdimensionale Merkmalssammlung zu erstellen. Bayati et al. schlug eine Fehlerortungsmethode für DC-Mikronetze basierend auf SVM vor [8]. Durch die Verwendung des lokalen Messwerts an einem Ende jeder Leitung kann der genaue Ort eines Hochimpedanzfehlers lokalisiert werden, und die experimentellen Ergebnisse zeigen, dass das System robust gegenüber Rauschen und anderen Störungen ist. Ref. [9] schlugen eine intelligente Fehlerdiagnosemethode für Lithium-Ionen-Batterien vor, die auf einer Support-Vektor-Maschine basiert und diskrete Kosinusfilterung verwendet, um Rauschen zu beseitigen.