DÍZEL ÜZEMANYAG SZŰRŐ ELEM

A mechanikus berendezések nagyszabású, intelligens és nagy pontosságú irányába mutató trendje miatt a forgó alkatrészek, például a görgős csapágyak használata jelentősen javult az erőátvitel, a helyzetrögzítés és egyéb célok elérése érdekében. Ha megsérülnek vagy meghibásodnak, az befolyásolja a mechanikai berendezések működésének biztonságát és a termelés előnyeit. Ezeknek a forgó alkatrészeknek a speciális beépítési helyzete miatt azonban nehezebb kutatni, megítélni a berendezések egészségi állapotát, a korábbi, emberre vagy tapasztalatra támaszkodó módszerek már nem működnek. Ezért az intelligens észlelési és diagnosztikai módszerek fejlesztése a berendezések állapotának monitorozása érdekében forró kutatási témává vált.

A mesterséges intelligens eszközök gyors fejlődésével egyre több gépi tanulási módszer teszi valóra és boldogul a mechanikus berendezések intelligens diagnosztikáját, mint például a megerősítéses tanulás (RL) [1], [2], a generatív ellenséges hálózatok (GAN) [3], az autoencoder. (AE) [4] és támogató vektorgép (SVM) [5], [6], [47]. Ezek közül az SVM egy statisztikai tanuláson alapuló osztályozási algoritmus, amelyet nem könnyű a lokális minimumokba esni, és optimális hipersíkon választja el a képzési adatokat, míg a betanítási adatok nemlineáris leképezési módszerekkel nagydimenziós jellemzőkre leképezhetők, mint például polinomiális függvények, ill. radiális bázisfüggvények. Ezenkívül az SVM pontos döntési hipersíkot tud biztosítani korlátozott minták mellett, és jó általánosító képességgel rendelkezik. Kiváló teljesítményének köszönhetően az SVM-et számos területen széles körben alkalmazzák. Wang és mtsai. egy intelligens hibadiagnosztikai módszert javasolt, amely az általánosított kompozit többléptékű súlyozott permutációs entrópia (GCMWPE) és az SVM [7] kombinációján alapul, amely több skálából kinyerheti a csapágy jellemzőit nagydimenziós jellemzőgyűjtemény létrehozásához. Bayati et al. hibakeresési módszert javasolt az egyenáramú mikrohálózathoz SVM-en [8]. Az egyes vonalak egyik végén mért lokális érték felhasználásával a nagy impedanciájú hiba pontos helye meghatározható, és a kísérleti eredmények azt mutatják, hogy a séma robusztus a zajjal és egyéb zavarokkal szemben. Ref. [9] egy intelligens hibadiagnosztikai módszert javasolt a lítium-ion akkumulátorokhoz, amely támogatási vektor gépen alapul, amely diszkrét koszinuszszűrést használ a zaj kiküszöbölésére.