ELEMENTO FILTRANTE DEL COMBUSTIBILE DIESEL

Con la tendenza delle apparecchiature meccaniche verso soluzioni su larga scala, intelligenti e di alta precisione, l'uso di parti rotanti, come i cuscinetti a rulli, è stato significativamente migliorato per ottenere la trasmissione di potenza, il fissaggio della posizione e altri scopi. Quando sono danneggiati o si guastano, la sicurezza operativa dell'attrezzatura meccanica e i vantaggi in termini di produzione ne risentiranno. Tuttavia, a causa della speciale posizione di installazione di queste parti rotanti, è più difficile ricercare e giudicare lo stato di salute dell'apparecchiatura e i metodi precedenti che si basavano sull'uomo o sull'esperienza non possono più funzionare. Pertanto, lo sviluppo di metodi di rilevamento e diagnosi intelligenti per implementare il monitoraggio dello stato delle apparecchiature è diventato un argomento di ricerca caldo.

Con il rapido sviluppo dell'intelligenza artificiale, sempre più metodi di apprendimento automatico fanno sì che la diagnosi intelligente delle apparecchiature meccaniche diventi realtà e prosperi, come l'apprendimento per rinforzo (RL) [1], [2], le reti generative avversarie (GAN) [3], l'autoencoder (AE) [4] e Support Vector Machine (SVM) [5], [6], [47]. Tra questi, SVM è un algoritmo di classificazione basato sull'apprendimento statistico, che non è facile cadere nei minimi locali e separa i dati di addestramento attraverso l'iperpiano ottimale mentre i dati di addestramento possono essere mappati su caratteristiche ad alta dimensione attraverso metodi di mappatura non lineari, come funzioni polinomiali e funzioni di base radiale. Inoltre, SVM può fornire un iperpiano decisionale accurato su campioni limitati e ha una buona capacità di generalizzazione. In considerazione delle sue eccellenti prestazioni, SVM è stato ampiamente utilizzato in molti campi. Wang et al. ha proposto un metodo intelligente di diagnosi dei guasti basato sulla combinazione di entropia di permutazione ponderata multiscala composita generalizzata (GCMWPE) e SVM [7], che può estrarre caratteristiche dei cuscinetti da più scale per costruire una raccolta di caratteristiche ad alta dimensionalità. Bayati et al. ha proposto un metodo di localizzazione dei guasti per la microrete DC basato su SVM [8]. Utilizzando il valore misurato locale a un'estremità di ciascuna linea, è possibile individuare la posizione precisa del guasto ad alta impedenza e i risultati sperimentali mostrano che lo schema è resistente al rumore e ad altri disturbi. Rif. [9] hanno proposto un metodo intelligente di diagnosi dei guasti per la batteria agli ioni di litio basato su una macchina vettoriale di supporto, che utilizza il filtraggio coseno discreto per eliminare il rumore.