დიზელის საწვავის ფილტრის ელემენტი

მექანიკური აღჭურვილობის ფართომასშტაბიანი, ინტელექტუალური და მაღალი სიზუსტისკენ მიდრეკილებით, მბრუნავი ნაწილების გამოყენება, როგორიცაა როლიკებით საკისარი, მნიშვნელოვნად გაუმჯობესდა ენერგიის გადაცემის, პოზიციის ფიქსაციის და სხვა მიზნების მისაღწევად. როდესაც ისინი დაზიანებულია ან წარუმატებელია, მექანიკური აღჭურვილობის მუშაობის უსაფრთხოება და წარმოების სარგებელი გავლენას მოახდენს. თუმცა, ამ მბრუნავი ნაწილების სპეციალური სამონტაჟო პოზიციის გამო, უფრო რთულია აღჭურვილობის ჯანმრთელობის მდგომარეობის გამოკვლევა და მსჯელობა, ხოლო წინა მეთოდები, რომლებიც ეყრდნობოდა ადამიანებს ან გამოცდილებას, ვეღარ იმუშავებს. აქედან გამომდინარე, ინტელექტუალური გამოვლენისა და დიაგნოსტიკის მეთოდის შემუშავება აღჭურვილობის ჯანმრთელობის მონიტორინგის განსახორციელებლად გახდა კვლევის ცხელი თემა.

ხელოვნური ინტელექტის სწრაფი განვითარებით, უფრო და უფრო მეტი მანქანათმცოდნეობის მეთოდები ხდის მექანიკურ აღჭურვილობას ინტელექტუალურ დიაგნოზს ახდენენ და აყვავდებიან, როგორიცაა გაძლიერების სწავლა (RL) [1], [2], გენერაციული საპირისპირო ქსელები (GAN) [3], ავტოინკოდერი. (AE) [4] და დამხმარე ვექტორული მანქანა (SVM) [5], [6], [47]. მათ შორის, SVM არის კლასიფიკაციის ალგორითმი, რომელიც დაფუძნებულია სტატისტიკურ სწავლებაზე, რომელიც არ არის ადვილი მოხვედრა ლოკალურ მინიმუმებში და გამოყოფს სასწავლო მონაცემებს ოპტიმალური ჰიპერპლანეტის მეშვეობით, ხოლო ტრენინგის მონაცემები შეიძლება აისახოს მაღალგანზომილებიან მახასიათებლებზე არაწრფივი რუკების მეთოდებით, როგორიცაა პოლინომიური ფუნქციები და რადიალური ბაზის ფუნქციები. გარდა ამისა, SVM-ს შეუძლია უზრუნველყოს ზუსტი გადაწყვეტილების ჰიპერპლანი შეზღუდული ნიმუშების ქვეშ და აქვს კარგი განზოგადების უნარი. მისი შესანიშნავი შესრულების თვალსაზრისით, SVM ფართოდ გამოიყენება მრავალ სფეროში. ვანგი და სხვ. შესთავაზა ხარვეზის დიაგნოზის ინტელექტუალური მეთოდი, რომელიც დაფუძნებულია განზოგადებული კომპოზიციური მრავალმასშტაბიანი შეწონილი პერმუტაციის ენტროპიისა (GCMWPE) და SVM [7] კომბინაციაზე, რომელსაც შეუძლია ტარების მახასიათებლების ამოღება მრავალი მასშტაბიდან მაღალი განზომილებიანი მახასიათებლების კოლექციის შესაქმნელად. ბაიათი და სხვ. შესთავაზა ხარვეზის ადგილმდებარეობის მეთოდი DC მიკროქსელისთვის SVM-ზე დაფუძნებული [8]. ლოკალური გაზომილი მნიშვნელობის გამოყენებით თითოეული ხაზის ერთ ბოლოში, მაღალი წინაღობის ხარვეზის ზუსტი ადგილმდებარეობის დადგენა შესაძლებელია და ექსპერიმენტული შედეგები აჩვენებს, რომ სქემა მდგრადია ხმაურისა და სხვა დარღვევების მიმართ. Ref. [9] შემოგვთავაზა ლითიუმ-იონური ბატარეის ხარვეზის დიაგნოზის ინტელექტუალური მეთოდი დამხმარე ვექტორულ მანქანაზე დაფუძნებული, რომელიც იყენებს დისკრეტულ კოსინუს ფილტრაციას ხმაურის აღმოსაფხვრელად.