ELEMENTO FILTRO DE COMBUSTIBLE DIESEL

Coa tendencia dos equipos mecánicos cara a gran escala, intelixente e de alta precisión, o uso de pezas xiratorias, como os rodamentos de rolos, mellorouse significativamente para conseguir a transmisión de enerxía, a fixación de posición e outros fins. Cando se danen ou fallen, a seguridade de funcionamento dos equipos mecánicos e o beneficio da produción veranse afectados. Non obstante, debido á posición especial de instalación destas pezas xiratorias, é máis difícil investigar e xulgar o estado de saúde do equipo, e os métodos anteriores que dependen dos humanos ou da experiencia xa non poden funcionar. Polo tanto, o desenvolvemento de métodos intelixentes de detección e diagnóstico para implementar a vixilancia da saúde dos equipos converteuse nun tema candente de investigación.

Co rápido desenvolvemento da intelixencia artificial, cada vez son máis os métodos de aprendizaxe automática que fan que o diagnóstico intelixente dos equipos mecánicos se faga realidade e prospere, como a aprendizaxe por reforzo (RL) [1], [2], as redes adversarias xerativas (GAN) [3], o codificador automático. (AE) [4] e máquina vector de soporte (SVM) [5], [6], [47]. Entre eles, SVM é un algoritmo de clasificación baseado na aprendizaxe estatística, que non é doado caer en mínimos locais e separa os datos de adestramento a través dun hiperplano óptimo mentres que os datos de adestramento pódense mapear a características de alta dimensión mediante métodos de mapeo non lineal, como funcións polinómicas e funcións polinómicas. funcións de base radial. Ademais, SVM pode proporcionar un hiperplano de decisión preciso baixo mostras limitadas e ten unha boa capacidade de xeneralización. Tendo en conta o seu excelente rendemento, SVM foi amplamente utilizado en moitos campos. Wang et al. propuxo un método intelixente de diagnóstico de avarías baseado na combinación de entropía de permutación ponderada multi-escala xeneralizada composta (GCMWPE) e SVM [7], que pode extraer características de rodamentos de múltiples escalas para construír unha colección de características de alta dimensión. Bayati et al. propuxo un método de localización de fallas para microrredes de CC baseado en SVM [8]. Usando o valor medido local nun extremo de cada liña, pódese localizar a localización precisa da falla de alta impedancia e os resultados experimentais mostran que o esquema é robusto ao ruído e outras perturbacións. Ref. [9] propuxo un método intelixente de diagnóstico de avarías para baterías de iones de litio baseado nunha máquina vector de soporte, que utiliza un filtrado discreto de coseno para eliminar o ruído.