ອົງປະກອບການກັ່ນຕອງນໍ້າມັນກາຊວນ

ມີແນວໂນ້ມຂອງອຸປະກອນກົນຈັກໄປສູ່ການຂະຫນາດໃຫຍ່, ສະຫຼາດແລະຄວາມແມ່ນຍໍາສູງ, ການນໍາໃຊ້ພາກສ່ວນ rotating, ເຊັ່ນ roller bearing, ໄດ້ຮັບການປັບປຸງຢ່າງຫຼວງຫຼາຍເພື່ອບັນລຸການສົ່ງໄຟຟ້າ, fixation ຕໍາແຫນ່ງແລະຈຸດປະສົງອື່ນໆ. ເມື່ອພວກເຂົາເສຍຫາຍຫຼືລົ້ມເຫລວ, ຄວາມປອດໄພຂອງການດໍາເນີນງານອຸປະກອນກົນຈັກແລະຜົນປະໂຫຍດການຜະລິດຈະໄດ້ຮັບຜົນກະທົບ. ຢ່າງໃດກໍຕາມ, ເນື່ອງຈາກຕໍາແຫນ່ງການຕິດຕັ້ງພິເສດຂອງພາກສ່ວນຫມຸນເຫຼົ່ານີ້, ມັນເປັນການຍາກທີ່ຈະຄົ້ນຄ້ວາແລະຕັດສິນສະຖານະພາບສຸຂະພາບຂອງອຸປະກອນ, ແລະວິທີການທີ່ຜ່ານມາອີງໃສ່ມະນຸດຫຼືປະສົບການບໍ່ສາມາດເຮັດວຽກໄດ້. ດັ່ງນັ້ນ, ການພັດທະນາວິທີການກວດຫາແລະວິນິດໄສອັດສະລິຍະເພື່ອປະຕິບັດການຕິດຕາມສຸຂະພາບຂອງອຸປະກອນໄດ້ກາຍເປັນຫົວຂໍ້ຄົ້ນຄ້ວາຮ້ອນ.

ດ້ວຍການພັດທະນາອັດສະລິຍະອັດສະລິຍະຢ່າງໄວວາ, ວິທີການຮຽນຮູ້ເຄື່ອງຈັກນັບມື້ນັບຫຼາຍຂຶ້ນເຮັດໃຫ້ການວິນິດໄສອັດສະລິຍະອຸປະກອນກົນຈັກກາຍເປັນຄວາມຈິງ ແລະຈະເລີນຮຸ່ງເຮືອງ, ເຊັ່ນ: ການຮຽນຮູ້ເສີມ (RL) [1], [2], ເຄືອຂ່າຍຄູ່ຕໍ່ສູ້ແບບທົ່ວໄປ (GAN) [3], autoencoder (AE) [4] ແລະສະຫນັບສະຫນູນ vector machine (SVM) [5], [6], [47]. ໃນບັນດາພວກເຂົາ, SVM ແມ່ນວິທີການຈັດປະເພດໂດຍອີງໃສ່ການຮຽນຮູ້ສະຖິຕິ, ມັນບໍ່ແມ່ນເລື່ອງງ່າຍທີ່ຈະຕົກຢູ່ໃນ minima ທ້ອງຖິ່ນແລະແຍກຂໍ້ມູນການຝຶກອົບຮົມຜ່ານ hyperplane ທີ່ດີທີ່ສຸດໃນຂະນະທີ່ຂໍ້ມູນການຝຶກອົບຮົມສາມາດຖືກສ້າງແຜນທີ່ກັບລັກສະນະທີ່ມີມິຕິລະດັບສູງໂດຍຜ່ານວິທີການສ້າງແຜນທີ່ທີ່ບໍ່ແມ່ນເສັ້ນ, ເຊັ່ນ: ຫນ້າທີ່ polynomial ແລະ. ຫນ້າທີ່ພື້ນຖານ radial. ນອກຈາກນັ້ນ, SVM ສາມາດໃຫ້ hyperplane ການຕັດສິນໃຈທີ່ຖືກຕ້ອງພາຍໃຕ້ຕົວຢ່າງທີ່ຈໍາກັດ, ແລະມີຄວາມສາມາດທົ່ວໄປທີ່ດີ. ໃນທັດສະນະຂອງການປະຕິບັດທີ່ດີເລີດ, SVM ໄດ້ຖືກນໍາໃຊ້ຢ່າງກວ້າງຂວາງໃນຫຼາຍຂົງເຂດ. Wang et al. ສະເຫນີວິທີການວິນິດໄສຄວາມຜິດອັດສະລິຍະໂດຍອີງໃສ່ການລວມຕົວຂອງ entropy permutation weighted composite ທົ່ວໄປ (GCMWPE) ແລະ SVM [7], ເຊິ່ງສາມາດສະກັດລັກສະນະທີ່ຮັບຜິດຊອບຈາກຫຼາຍເກັດເພື່ອສ້າງການເກັບກໍາລັກສະນະທີ່ມີມິຕິລະດັບສູງ. Bayati et al. ສະເຫນີວິທີການຕັ້ງຂໍ້ຜິດສໍາລັບ DC microgrid ໂດຍອີງໃສ່ SVM [8]. ໂດຍການນໍາໃຊ້ມູນຄ່າການວັດແທກທ້ອງຖິ່ນຢູ່ປາຍຫນຶ່ງຂອງແຕ່ລະສາຍ, ສະຖານທີ່ທີ່ຖືກຕ້ອງຂອງຄວາມຜິດ impedance ສູງສາມາດຕັ້ງຢູ່ໄດ້, ແລະຜົນການທົດລອງສະແດງໃຫ້ເຫັນວ່າໂຄງການແມ່ນເຂັ້ມແຂງຕໍ່ກັບສິ່ງລົບກວນແລະສິ່ງລົບກວນອື່ນໆ. ອ້າງອີງ [9] ສະເຫນີວິທີການວິນິດໄສຄວາມຜິດອັດສະລິຍະສໍາລັບຫມໍ້ໄຟ lithium-ion ໂດຍອີງໃສ່ເຄື່ອງ vector ສະຫນັບສະຫນູນ, ເຊິ່ງໃຊ້ການກັ່ນຕອງ cosine discrete ເພື່ອລົບລ້າງສິ່ງລົບກວນ.