ЕЛЕМЕНТ ЗА ФИЛТЕР ЗА ДИЗЕЛ ГОРИВО

Со трендот на механичка опрема кон големи размери, интелигентна и висока прецизност, значително е подобрена употребата на ротирачки делови, како што е валјакот за да се постигне пренос на енергија, фиксација на положбата и други цели. Кога тие се оштетени или не успеат, ќе бидат засегнати безбедноста на работата на механичката опрема и придобивките од производството. Меѓутоа, поради посебната позиција на инсталација на овие ротирачки делови, потешко е да се истражува и да се суди за здравствената состојба на опремата, а претходните методи кои се потпираат на луѓе или искуство повеќе не можат да работат. Затоа, развивањето интелигентни методи за откривање и дијагноза за спроведување на следење на здравјето на опремата станаа жешка тема за истражување.

Со брзиот развој на вештачки интелигентни, сè повеќе методи за машинско учење ја прават интелигентната дијагноза на механичката опрема и напредува, како што се засилено учење (RL) [1], [2], генеративни противнички мрежи (GAN) [3], автоенкодер (AE) [4] и векторска машина за поддршка (SVM) [5], [6], [47]. Меѓу нив, SVM е алгоритам за класификација базиран на статистичко учење, кој не е лесно да се спушти во локални минимуми и ги одвојува податоците за обуката преку оптимална хиперрамнина додека податоците за обуката може да се мапираат на високодимензионални карактеристики преку нелинеарни методи на мапирање, како што се полиномните функции и функции на радијална основа. Покрај тоа, SVM може да обезбеди прецизна хиперрамнина на одлучување под ограничени примероци и има добра способност за генерализација. Со оглед на неговите одлични перформанси, SVM е широко користен во многу полиња. Ванг и сор. предложи интелигентен метод за дијагностицирање на дефекти заснован на комбинација на генерализирана композитна мулти-скала пондерирана пермутациона ентропија (GCMWPE) и SVM [7], што може да ги извлече карактеристиките на лежиштата од повеќе скали за да конструира високодимензионална колекција на карактеристики. Бајати и сор. предложи метод за локација на дефекти за DC микромрежа базиран на SVM [8]. Со користење на локалната измерена вредност на едниот крај од секоја линија, може да се лоцира точната локација на дефектот со висока импеданса, а експерименталните резултати покажуваат дека шемата е отпорна на бучава и други пречки. Уп. [9] предложи интелигентна метода за дијагностицирање на дефекти за литиум-јонска батерија базирана на векторска машина за поддршка, која користи дискретно косинусно филтрирање за да ја елиминира бучавата.