ԴԻԶԵԼԱՅԻՆ ՎԱՌԵԼԻՔԻ ՖԻՏՐԻ ՏԱՐՐ

Մեխանիկական սարքավորումների լայնածավալ, խելացի և բարձր ճշգրտության միտումով, պտտվող մասերի օգտագործումը, ինչպիսիք են գլանակիրները, զգալիորեն բարելավվել են էլեկտրահաղորդման, դիրքի ամրագրման և այլ նպատակների հասնելու համար: Երբ դրանք վնասվեն կամ խափանվեն, մեխանիկական սարքավորումների շահագործման անվտանգությունը և արտադրության օգուտը կազդեն: Այնուամենայնիվ, այս պտտվող մասերի տեղադրման հատուկ դիրքի պատճառով ավելի դժվար է հետազոտել և դատել սարքավորումների առողջական վիճակի մասին, և նախկին մեթոդները, որոնք հիմնված են մարդկանց կամ փորձի վրա, այլևս չեն կարող աշխատել: Հետևաբար, սարքավորումների առողջության մոնիտորինգ իրականացնելու համար խելացի հայտնաբերման և ախտորոշման մեթոդի մշակումը դարձել է թեժ հետազոտական ​​թեմա:

Արհեստական ​​ինտելեկտի արագ զարգացման հետ մեկտեղ ավելի ու ավելի շատ մեքենայական ուսուցման մեթոդներ իրականություն և բարգավաճում են դարձնում մեխանիկական սարքավորումների խելացի ախտորոշումը, ինչպիսիք են ուժեղացման ուսուցումը (RL) [1], [2], գեներատիվ հակառակորդ ցանցերը (GAN) [3], ավտոկոդավորիչը։ (AE) [4] և օժանդակ վեկտորային մեքենա (SVM) [5], [6], [47]: Դրանցից SVM-ը դասակարգման ալգորիթմ է, որը հիմնված է վիճակագրական ուսուցման վրա, որը հեշտ չէ ընկնել տեղական նվազագույնի մեջ և բաժանում է ուսուցման տվյալները օպտիմալ հիպերպլանի միջոցով, մինչդեռ ուսուցման տվյալները կարող են քարտեզագրվել բարձրաչափ հատկանիշների ոչ գծային քարտեզագրման մեթոդների միջոցով, ինչպիսիք են բազմանդամ ֆունկցիաները և ճառագայթային հիմքի գործառույթները: Բացի այդ, SVM-ն կարող է ապահովել ճշգրիտ որոշման հիպերպլան սահմանափակ նմուշների ներքո և ունի լավ ընդհանրացման ունակություն: Հաշվի առնելով իր գերազանց կատարողականությունը՝ SVM-ն լայնորեն կիրառվում է բազմաթիվ ոլորտներում: Wang et al. առաջարկել է անսարքության ախտորոշման խելացի մեթոդ, որը հիմնված է ընդհանրացված կոմպոզիտային բազմամասշտաբ կշռված փոխակերպման էնտրոպիայի (GCMWPE) և SVM [7] համակցության վրա, որը կարող է բազմաթիվ սանդղակներից հանել կրող առանձնահատկությունները՝ կառուցելու բարձրաչափ հատկանիշների հավաքածու: Բայաթին և այլք։ առաջարկել է անսարքության տեղորոշման մեթոդ DC միկրոցանցերի համար՝ հիմնված SVM-ի վրա [8]: Օգտագործելով տեղական չափված արժեքը յուրաքանչյուր գծի մի ծայրում, կարող է որոշվել բարձր դիմադրության խզման ճշգրիտ վայրը, և փորձարարական արդյունքները ցույց են տալիս, որ սխեման կայուն է աղմուկի և այլ խանգարումների նկատմամբ: Հղ. [9] առաջարկել է լիթիում-իոնային մարտկոցի անսարքությունների ախտորոշման խելացի մեթոդ՝ հիմնված հենակետային վեկտորի մեքենայի վրա, որն օգտագործում է դիսկրետ կոսինուսային զտում՝ աղմուկը վերացնելու համար։