ΣΤΟΙΧΕΙΟ ΦΙΛΤΡΟΥ ΚΑΥΣΙΜΟΥ DIESEL

Με την τάση του μηχανικού εξοπλισμού προς μεγάλης κλίμακας, ευφυή και υψηλής ακρίβειας, η χρήση περιστρεφόμενων εξαρτημάτων, όπως το ρουλεμάν κυλίνδρων, έχει βελτιωθεί σημαντικά για την επίτευξη μετάδοσης ισχύος, στερέωσης θέσης και άλλους σκοπούς. Όταν καταστραφούν ή αποτύχουν, θα επηρεαστεί η ασφάλεια λειτουργίας του μηχανικού εξοπλισμού και το όφελος της παραγωγής. Ωστόσο, λόγω της ειδικής θέσης εγκατάστασης αυτών των περιστρεφόμενων εξαρτημάτων, είναι πιο δύσκολο να ερευνηθεί και να κριθεί η κατάσταση της υγείας του εξοπλισμού και οι προηγούμενες μέθοδοι που βασίζονται σε ανθρώπους ή εμπειρία δεν μπορούν πλέον να λειτουργήσουν. Ως εκ τούτου, η ανάπτυξη έξυπνης μεθόδου ανίχνευσης και διάγνωσης για την εφαρμογή της παρακολούθησης της υγείας του εξοπλισμού έχει γίνει ένα καυτό ερευνητικό θέμα.

Με την ταχεία ανάπτυξη της τεχνητής νοημοσύνης, όλο και περισσότερες μέθοδοι μηχανικής μάθησης κάνουν την έξυπνη διάγνωση μηχανικού εξοπλισμού να γίνεται πραγματικότητα και να ευημερεί, όπως η ενισχυτική μάθηση (RL) [1], [2], τα δίκτυα δημιουργίας αντιπάλων (GAN) [3], ο αυτόματος κωδικοποιητής (AE) [4] και μηχανή υποστήριξης διανυσμάτων (SVM) [5], [6], [47]. Μεταξύ αυτών, ο SVM είναι ένας αλγόριθμος ταξινόμησης που βασίζεται στη στατιστική μάθηση, ο οποίος δεν είναι εύκολο να ενταχθεί στα τοπικά ελάχιστα και διαχωρίζει τα δεδομένα εκπαίδευσης μέσω του βέλτιστου υπερεπίπεδου, ενώ τα δεδομένα εκπαίδευσης μπορούν να αντιστοιχιστούν σε χαρακτηριστικά υψηλών διαστάσεων μέσω μη γραμμικών μεθόδων χαρτογράφησης, όπως πολυωνυμικές συναρτήσεις και συναρτήσεις ακτινικής βάσης. Επιπλέον, το SVM μπορεί να παρέχει ακριβή υπερεπίπεδο απόφασης κάτω από περιορισμένα δείγματα και έχει καλή ικανότητα γενίκευσης. Λόγω της εξαιρετικής του απόδοσης, το SVM έχει χρησιμοποιηθεί ευρέως σε πολλούς τομείς. Οι Wang et al. πρότεινε μια έξυπνη μέθοδο διάγνωσης σφαλμάτων που βασίζεται στον συνδυασμό της γενικευμένης σύνθετης εντροπίας σταθμισμένης μετάθεσης πολλαπλών κλίμακων (GCMWPE) και του SVM [7], η οποία μπορεί να εξάγει χαρακτηριστικά ρουλεμάν από πολλαπλές κλίμακες για να δημιουργήσει συλλογή χαρακτηριστικών υψηλών διαστάσεων. Bayati et al. πρότεινε μια μέθοδο εντοπισμού σφαλμάτων για μικροδίκτυο DC βασισμένη στο SVM [8]. Χρησιμοποιώντας την τοπική μετρούμενη τιμή στο ένα άκρο κάθε γραμμής, μπορεί να εντοπιστεί η ακριβής θέση του σφάλματος υψηλής σύνθετης αντίστασης και τα πειραματικά αποτελέσματα δείχνουν ότι το σχήμα είναι ανθεκτικό σε θόρυβο και άλλες διαταραχές. Αναφ. [9] πρότεινε μια έξυπνη μέθοδο διάγνωσης σφαλμάτων για μπαταρία ιόντων λιθίου που βασίζεται σε μηχανή διανύσματος υποστήριξης, η οποία χρησιμοποιεί διακριτό φιλτράρισμα συνημιτόνου για την εξάλειψη του θορύβου.