ÉLÉMENT DE FILTRE À CARBURANT DIESEL

Avec la tendance des équipements mécaniques vers des équipements à grande échelle, intelligents et de haute précision, l'utilisation de pièces rotatives, telles que les roulements à rouleaux, a été considérablement améliorée pour réaliser la transmission de puissance, la fixation de position et à d'autres fins. Lorsqu’ils sont endommagés ou tombent en panne, la sécurité du fonctionnement des équipements mécaniques et les avantages en matière de production seront affectés. Cependant, en raison de la position d'installation particulière de ces pièces rotatives, il est plus difficile de rechercher et de juger de l'état de santé de l'équipement, et les méthodes antérieures s'appuyant sur l'homme ou l'expérience ne peuvent plus fonctionner. Par conséquent, le développement d’une méthode intelligente de détection et de diagnostic pour mettre en œuvre la surveillance de l’état des équipements est devenu un sujet de recherche brûlant.

Avec le développement rapide de l'intelligence artificielle, de plus en plus de méthodes d'apprentissage automatique permettent de réaliser et de prospérer le diagnostic intelligent des équipements mécaniques, comme l'apprentissage par renforcement (RL) [1], [2], les réseaux contradictoires génératifs (GAN) [3], l'auto-encodeur. (AE) [4] et machine à vecteurs de support (SVM) [5], [6], [47]. Parmi eux, SVM est un algorithme de classification basé sur l'apprentissage statistique, qui ne tombe pas facilement dans les minima locaux et sépare les données d'entraînement via un hyperplan optimal, tandis que les données d'entraînement peuvent être mappées sur des caractéristiques de grande dimension via des méthodes de cartographie non linéaires, telles que les fonctions polynomiales et fonctions de base radiale. De plus, SVM peut fournir un hyperplan de décision précis sous des échantillons limités et possède une bonne capacité de généralisation. Compte tenu de ses excellentes performances, SVM a été largement utilisé dans de nombreux domaines. Wang et coll. a proposé une méthode intelligente de diagnostic de défauts basée sur la combinaison de l'entropie de permutation pondérée multi-échelle composite généralisée (GCMWPE) et du SVM [7], qui peut extraire des caractéristiques de roulement à partir de plusieurs échelles pour construire une collection de caractéristiques de grande dimension. Bayati et coll. ont proposé une méthode de localisation de défauts pour les micro-réseaux DC basée sur SVM [8]. En utilisant la valeur mesurée locale à une extrémité de chaque ligne, l'emplacement précis du défaut à haute impédance peut être localisé, et les résultats expérimentaux montrent que le système est robuste au bruit et à d'autres perturbations. Réf. [9] ont proposé une méthode intelligente de diagnostic des défauts pour les batteries lithium-ion basée sur une machine à vecteurs de support, qui utilise un filtrage cosinus discret pour éliminer le bruit.