ELEMEN FILTER BAHAN BAKAR DIESEL

Dengan tren peralatan mekanis menuju skala besar, cerdas, dan presisi tinggi, penggunaan komponen berputar, seperti bantalan rol, telah ditingkatkan secara signifikan untuk mencapai transmisi daya, fiksasi posisi, dan tujuan lainnya. Jika rusak atau gagal, keselamatan pengoperasian peralatan mekanis dan manfaat produksi akan terpengaruh. Namun, karena posisi pemasangan khusus dari bagian-bagian yang berputar ini, lebih sulit untuk meneliti dan menilai status kesehatan peralatan, dan metode sebelumnya yang mengandalkan manusia atau pengalaman tidak dapat lagi berfungsi. Oleh karena itu, pengembangan metode deteksi dan diagnosis cerdas untuk menerapkan pemantauan kesehatan peralatan telah menjadi topik penelitian yang hangat.

Dengan pesatnya perkembangan kecerdasan buatan, semakin banyak metode pembelajaran mesin yang membuat diagnosis cerdas peralatan mekanis menjadi kenyataan dan berkembang, seperti pembelajaran penguatan (RL) [1], [2], jaringan permusuhan generatif (GAN) [3], autoencoder (AE) [4] dan mesin vektor pendukung (SVM) [5], [6], [47]. Diantaranya, SVM merupakan algoritma klasifikasi berdasarkan pembelajaran statistik, yang tidak mudah masuk ke dalam minimum lokal dan memisahkan data pelatihan melalui hyperplane optimal sedangkan data pelatihan dapat dipetakan ke fitur berdimensi tinggi melalui metode pemetaan nonlinier, seperti fungsi polinomial dan fungsi basis radial. Selain itu, SVM dapat memberikan hyperplane keputusan yang akurat dalam sampel terbatas, dan memiliki kemampuan generalisasi yang baik. Mengingat kinerjanya yang luar biasa, SVM telah banyak digunakan di banyak bidang. Wang dkk. mengusulkan metode diagnosis kesalahan cerdas berdasarkan kombinasi entropi permutasi tertimbang multi-skala komposit umum (GCMWPE) dan SVM [7], yang dapat mengekstrak fitur bantalan dari berbagai skala untuk membangun kumpulan fitur berdimensi tinggi. Bayati dkk. mengusulkan metode lokasi kesalahan untuk microgrid DC berdasarkan SVM [8]. Dengan menggunakan nilai terukur lokal di salah satu ujung setiap saluran, lokasi gangguan impedansi tinggi dapat ditemukan secara akurat, dan hasil eksperimen menunjukkan bahwa skema ini tahan terhadap kebisingan dan gangguan lainnya. Ref. [9] mengusulkan metode diagnosis kesalahan cerdas untuk baterai lithium-ion berdasarkan mesin vektor dukungan, yang menggunakan penyaringan kosinus diskrit untuk menghilangkan kebisingan.