ディーゼル燃料フィルターエレメント

機械装置の大規模化、高機能化、高精度化に伴い、動力伝達や位置固定などを目的としてころ軸受などの回転部品の使用が大幅に改良されてきました。損傷または故障すると、機械装置の動作の安全性と生産上の利点が影響を受けます。しかし、これらの回転部品の取り付け位置が特殊なため、機器の健康状態を調査・判断することはさらに難しくなり、これまでの人や経験に頼った方法は通用しなくなりました。したがって、機器の健全性監視を実装するためのインテリジェントな検出および診断方法の開発が注目の研究テーマとなっています。

人工知能の急速な発展に伴い、強化学習 (RL) [1]、[2]、敵対的生成ネットワーク (GAN) [3]、オートエンコーダーなど、ますます多くの機械学習手法が機械機器のインテリジェント診断を実現し、繁栄させています。 (AE) [4] およびサポート ベクター マシン (SVM) [5]、[6]、[47]。その中でも、SVM は統計学習に基づいた分類アルゴリズムであり、極小値に陥りにくく、最適な超平面を通じてトレーニング データを分離し、多項式関数や多項式関数などの非線形マッピング手法を通じてトレーニング データを高次元の特徴にマッピングできます。動径基底関数。さらに、SVM は限られたサンプルの下で正確な決定超平面を提供でき、優れた汎化能力を備えています。 SVM はその優れた性能により、さまざまな分野で広く使用されています。王ら。は、一般化複合マルチスケール加重順列エントロピー (GCMWPE) と SVM の組み合わせに基づくインテリジェントな故障診断方法を提案しました [7]。これにより、複数のスケールから方位特徴を抽出して高次元の特徴コレクションを構築できます。バヤティら。は、SVM に基づく DC マイクログリッドの障害位置特定方法を提案しました [8]。各線路の一端でのローカル測定値を使用することにより、高インピーダンス障害の正確な位置を特定することができ、実験結果は、この方式がノイズやその他の外乱に対して堅牢であることを示しています。参照。 [9] は、ノイズを除去するために離散コサイン フィルターを使用するサポート ベクター マシンに基づくリチウム イオン バッテリーのインテリジェントな故障診断方法を提案しました。