ELEMEN FILTER BAHAN BAKAR DIESEL

Kanthi tren peralatan mekanik menyang skala gedhe, cerdas lan tliti dhuwur, panggunaan bagean puteran, kayata bantalan roller, wis ditingkatake kanthi signifikan kanggo entuk transmisi daya, fiksasi posisi lan tujuan liyane. Nalika rusak utawa gagal, safety operasi peralatan mekanik lan entuk manfaat produksi bakal kena pengaruh. Nanging, amarga posisi instalasi khusus saka bagean puteran iki, iku luwih angel kanggo riset lan ngadili status kesehatan saka peralatan, lan cara sadurungé gumantung ing manungsa utawa pengalaman ora bisa maneh. Mula, ngembangake metode deteksi lan diagnosis cerdas kanggo ngetrapake pemantauan kesehatan peralatan wis dadi topik riset sing panas.

Kanthi perkembangan kanthi cepet saka artificial intelligent, cara machine learning sing luwih akeh nggawe diagnosis cerdas peralatan mekanik dadi nyata lan makmur, kayata learning reinforcement (RL) [1], [2], jaringan adversarial generatif (GAN) [3], autoencoder (AE) [4] lan mesin vektor dhukungan (SVM) [5], [6], [47]. Ing antarane, SVM minangka algoritma klasifikasi adhedhasar pembelajaran statistik, sing ora gampang dilebokake ing minima lokal lan misahake data latihan liwat hyperplane optimal nalika data latihan bisa dipetakan menyang fitur dimensi dhuwur liwat metode pemetaan nonlinear, kayata fungsi polinomial lan fungsi basis radial. Kajaba iku, SVM bisa nyedhiyani hyperplane kaputusan akurat ing conto winates, lan nduweni kemampuan generalisasi apik. Amarga kinerja sing apik banget, SVM wis akeh digunakake ing pirang-pirang lapangan. Wang et al. ngajokaken cara diagnosis fault cerdas adhedhasar kombinasi umum komposit multi-ukuran bobot permutation entropy (GCMWPE) lan SVM [7], kang bisa extract fitur prewangan saka sawetara timbangan kanggo mbangun koleksi fitur dhuwur-dimensi. Bayati et al. ngajokaken cara lokasi fault kanggo DC microgrid adhedhasar SVM [8]. Kanthi nggunakake nilai sing diukur lokal ing salah siji mburi saben baris, lokasi akurat saka fault impedansi dhuwur bisa dumunung, lan asil eksperimen nuduhake yen rencana iku kuat kanggo gangguan lan gangguan liyane. Ref. [9] ngusulake metode diagnosis kesalahan cerdas kanggo baterei lithium-ion adhedhasar mesin vektor dhukungan, sing nggunakake panyaring kosinus diskrèt kanggo ngilangi gangguan.