DIESELPOLTTOAINEEN SUODATINELEMENTTI

Mekaanisten laitteiden suuntauksen myötä suuriin, älykkäisiin ja erittäin tarkkoihin pyörivien osien, kuten rullalaakereiden, käyttöä on parannettu merkittävästi voimansiirron, asennon kiinnittämisen ja muiden tarkoituksiin. Niiden vaurioituminen tai epäonnistuminen vaikuttaa mekaanisten laitteiden käyttöturvallisuuteen ja tuotannon hyötyyn. Näiden pyörivien osien erityisen asennusasennon vuoksi on kuitenkin vaikeampaa tutkia ja arvioida laitteiden terveydentilaa, eivätkä aiemmat ihmisiin tai kokemukseen perustuvat menetelmät enää toimi. Siksi älykkään tunnistus- ja diagnoosimenetelmän kehittäminen laitteiden kunnon seurannan toteuttamiseksi on noussut kuumaksi tutkimusaiheeksi.

Keinotekoisen älykkään nopean kehityksen myötä yhä useammat koneoppimismenetelmät tekevät mekaanisten laitteiden älykkäästä diagnoosista totta ja menestyvät, kuten vahvistusoppiminen (RL) [1], [2], generatiiviset vastakkainasettelut (GAN) [3], autoencoder (AE) [4] ja tukivektorikone (SVM) [5], [6], [47]. Niistä SVM on tilastolliseen oppimiseen perustuva luokittelualgoritmi, jota ei ole helppo pudota paikallisiin minimiin ja joka erottaa harjoitustiedot optimaalisen hypertason avulla, kun taas harjoitustiedot voidaan kartoittaa korkeadimensionaalisiin piirteisiin epälineaarisilla kartoitusmenetelmillä, kuten polynomifunktioilla ja säteittäiset kantafunktiot. Lisäksi SVM voi tarjota tarkan päätöksen hypertason rajoitetuissa näytteissä, ja sillä on hyvä yleistyskyky. Erinomaisen suorituskyvyn vuoksi SVM:ää on käytetty laajasti monilla aloilla. Wang et ai. ehdotti älykästä vikadiagnoosimenetelmää, joka perustuu yleistettyyn moniskaalaiseen painotettuun permutaatioentropiaan (GCMWPE) ja SVM:ään [7], jolla voidaan poimia laakeripiirteitä useista asteikoista korkean ulottuvuuden piirrekokoelman rakentamiseksi. Bayati et ai. ehdotti SVM:ään perustuvaa vianpaikantamismenetelmää DC-mikroverkolle [8]. Käyttämällä paikallista mitattua arvoa kunkin linjan toisessa päässä korkean impedanssin vian tarkka sijainti voidaan paikantaa ja kokeelliset tulokset osoittavat, että menetelmä on kestävä melua ja muita häiriöitä vastaan. Viite. [9] ehdotti älykästä vikadiagnostiikkamenetelmää litiumioniakulle, joka perustuu tukivektorikoneeseen, joka käyttää diskreettiä kosinisuodatusta melun poistamiseksi.