디젤 연료 필터 요소

기계 장비의 대형화, 지능화, 고정밀화 추세에 따라 롤러 베어링과 같은 회전 부품의 사용이 크게 개선되어 동력 전달, 위치 고정 및 기타 목적을 달성했습니다. 손상되거나 고장이 나면 기계 장비 작동 안전과 생산 이점에 영향을 미칩니다. 그러나 이러한 회전 부품의 특수한 설치 위치로 인해 장비의 상태를 조사하고 판단하기가 더 어렵고, 사람이나 경험에 의존하는 이전 방법은 더 이상 작동할 수 없습니다. 따라서 장비 상태 모니터링을 구현하기 위한 지능형 탐지 및 진단 방법을 개발하는 것이 뜨거운 연구 주제가 되었습니다.

인공 지능의 급속한 발전과 함께 강화 학습(RL) [1], [2], 생성적 적대 네트워크(GAN) [3], 오토인코더와 같은 기계 장비 지능형 진단이 점점 더 많아지고 번영하고 있습니다. (AE) [4] 및 지원 벡터 머신(SVM) [5], [6], [47]. 그 중 SVM은 통계적 학습을 기반으로 한 분류 알고리즘으로, Local Minima에 쉽게 빠지지 않고 최적의 초평면을 통해 훈련 데이터를 분리하는 반면, 훈련 데이터는 다항식 함수와 같은 비선형 매핑 방법을 통해 고차원 특징으로 매핑될 수 있다. 방사형 기초 함수. 또한 SVM은 제한된 샘플 하에서 정확한 의사결정 초평면을 제공할 수 있으며 일반화 능력이 좋습니다. 뛰어난 성능으로 인해 SVM은 다양한 분야에서 널리 사용되고 있습니다. 왕 외. 은 일반화된 복합 다중 스케일 가중 순열 엔트로피(GCMWPE)와 SVM[7]의 조합을 기반으로 여러 스케일에서 베어링 특징을 추출하여 고차원 특징 컬렉션을 구성할 수 있는 지능형 결함 진단 방법을 제안했습니다. Bayatiet al. SVM을 기반으로 한 DC 마이크로그리드의 결함 위치 파악 방법을 제안했다[8]. 각 선로의 한쪽 끝에서 국지적으로 측정된 값을 이용하여 고임피던스 결함의 정확한 위치를 찾을 수 있으며, 실험 결과는 이 방식이 잡음 및 기타 외란에 강하다는 것을 보여줍니다. 참조. [9]는 이산 코사인 필터링을 사용하여 잡음을 제거하는 서포트 벡터 머신 기반 리튬 이온 배터리의 지능형 결함 진단 방법을 제안했습니다.