ELEMENTO FILTRANTE DE COMBUSTIBLE DIESEL

Con la tendencia de los equipos mecánicos hacia grandes escalas, inteligentes y de alta precisión, el uso de piezas giratorias, como rodamientos de rodillos, se ha mejorado significativamente para lograr transmisión de potencia, fijación de posición y otros fines. Cuando se dañan o fallan, la seguridad de operación del equipo mecánico y el beneficio de producción se verán afectados. Sin embargo, debido a la posición de instalación especial de estas piezas giratorias, es más difícil investigar y juzgar el estado de salud del equipo, y los métodos anteriores que dependían de humanos o de la experiencia ya no pueden funcionar. Por lo tanto, el desarrollo de métodos inteligentes de detección y diagnóstico para implementar el monitoreo del estado de los equipos se ha convertido en un tema de investigación candente.

Con el rápido desarrollo de la inteligencia artificial, cada vez más métodos de aprendizaje automático hacen realidad y prosperan el diagnóstico inteligente de equipos mecánicos, como el aprendizaje por refuerzo (RL) [1], [2], las redes generativas adversarias (GAN) [3] y el codificador automático. (AE) [4] y máquina de vectores de soporte (SVM) [5], [6], [47]. Entre ellos, SVM es un algoritmo de clasificación basado en el aprendizaje estadístico, que no es fácil caer en mínimos locales y separa los datos de entrenamiento a través de un hiperplano óptimo, mientras que los datos de entrenamiento se pueden asignar a características de alta dimensión a través de métodos de mapeo no lineales, como funciones polinómicas y funciones de base radial. Además, SVM puede proporcionar un hiperplano de decisión preciso en muestras limitadas y tiene una buena capacidad de generalización. En vista de su excelente rendimiento, SVM se ha utilizado ampliamente en muchos campos. Wang y cols. propusieron un método inteligente de diagnóstico de fallas basado en la combinación de entropía de permutación ponderada de múltiples escalas compuesta generalizada (GCMWPE) y SVM [7], que puede extraer características de rodamientos de múltiples escalas para construir una colección de características de alta dimensión. Bayati et al. propuso un método de localización de fallas para microredes de CC basado en SVM [8]. Al utilizar el valor medido local en un extremo de cada línea, se puede localizar la ubicación precisa de la falla de alta impedancia y los resultados experimentales muestran que el esquema es robusto al ruido y otras perturbaciones. Árbitro. [9] propusieron un método inteligente de diagnóstico de fallas para baterías de iones de litio basado en una máquina de vectores de soporte, que utiliza filtrado de coseno discreto para eliminar el ruido.