ഡീസൽ ഇന്ധന ഫിൽട്ടർ ഘടകം

വലിയ തോതിലുള്ളതും ബുദ്ധിപരവും ഉയർന്ന കൃത്യതയുള്ളതുമായ മെക്കാനിക്കൽ ഉപകരണങ്ങളുടെ പ്രവണതയോടെ, പവർ ട്രാൻസ്മിഷൻ, പൊസിഷൻ ഫിക്സേഷൻ, മറ്റ് ആവശ്യങ്ങൾ എന്നിവ നേടുന്നതിന് റോളർ ബെയറിംഗ് പോലുള്ള കറങ്ങുന്ന ഭാഗങ്ങളുടെ ഉപയോഗം ഗണ്യമായി മെച്ചപ്പെടുത്തി. അവ കേടാകുകയോ പരാജയപ്പെടുകയോ ചെയ്യുമ്പോൾ, മെക്കാനിക്കൽ ഉപകരണങ്ങളുടെ പ്രവർത്തന സുരക്ഷയെയും ഉൽപാദന നേട്ടത്തെയും ബാധിക്കും. എന്നിരുന്നാലും, ഈ കറങ്ങുന്ന ഭാഗങ്ങളുടെ പ്രത്യേക ഇൻസ്റ്റാളേഷൻ സ്ഥാനം കാരണം, ഉപകരണങ്ങളുടെ ആരോഗ്യസ്ഥിതിയെക്കുറിച്ച് ഗവേഷണം നടത്തുകയും വിലയിരുത്തുകയും ചെയ്യുന്നത് കൂടുതൽ ബുദ്ധിമുട്ടാണ്, കൂടാതെ മനുഷ്യരെയോ അനുഭവത്തെയോ ആശ്രയിക്കുന്ന മുൻ രീതികൾ ഇനി പ്രവർത്തിക്കില്ല. അതിനാൽ, ഉപകരണ ആരോഗ്യ നിരീക്ഷണം നടപ്പിലാക്കുന്നതിനായി ബുദ്ധിപരമായ കണ്ടെത്തലും രോഗനിർണയ രീതിയും വികസിപ്പിക്കുന്നത് ഒരു ചൂടുള്ള ഗവേഷണ വിഷയമായി മാറിയിരിക്കുന്നു.

കൃത്രിമ ബുദ്ധിയുടെ ദ്രുതഗതിയിലുള്ള വികാസത്തോടെ, കൂടുതൽ കൂടുതൽ മെഷീൻ ലേണിംഗ് രീതികൾ മെക്കാനിക്കൽ ഉപകരണങ്ങളുടെ ഇൻ്റലിജൻ്റ് ഡയഗ്നോസിസ് യാഥാർത്ഥ്യമാക്കുന്നു, റൈൻഫോഴ്‌സ്‌മെൻ്റ് ലേണിംഗ് (RL) [1], [2], ജനറേറ്റീവ് അഡ്‌വേഴ്സറിയൽ നെറ്റ്‌വർക്കുകൾ (GAN) [3], ഓട്ടോഎൻകോഡർ (AE) [4] കൂടാതെ സപ്പോർട്ട് വെക്റ്റർ മെഷീനും (SVM) [5], [6], [47]. അവയിൽ, SVM എന്നത് സ്റ്റാറ്റിസ്റ്റിക്കൽ ലേണിംഗിനെ അടിസ്ഥാനമാക്കിയുള്ള ഒരു വർഗ്ഗീകരണ അൽഗോരിതം ആണ്, ഇത് ലോക്കൽ മിനിമയിൽ വീഴുന്നത് എളുപ്പമല്ല, കൂടാതെ പരിശീലന ഡാറ്റ ഒപ്റ്റിമൽ ഹൈപ്പർപ്ലെയ്നിലൂടെ വേർതിരിക്കുന്നു, അതേസമയം പരിശീലന ഡാറ്റ പോളിനോമിയൽ ഫംഗ്ഷനുകൾ പോലെയുള്ള നോൺ-ലീനിയർ മാപ്പിംഗ് രീതികളിലൂടെ ഹൈ-ഡൈമൻഷണൽ സവിശേഷതകളിലേക്ക് മാപ്പ് ചെയ്യാൻ കഴിയും. റേഡിയൽ അടിസ്ഥാന പ്രവർത്തനങ്ങൾ. കൂടാതെ, SVM-ന് പരിമിതമായ സാമ്പിളുകൾക്ക് കീഴിൽ കൃത്യമായ തീരുമാന ഹൈപ്പർപ്ലെയ്ൻ നൽകാൻ കഴിയും, കൂടാതെ നല്ല സാമാന്യവൽക്കരണ ശേഷിയുമുണ്ട്. അതിൻ്റെ മികച്ച പ്രകടനം കണക്കിലെടുത്ത്, SVM പല മേഖലകളിലും വ്യാപകമായി ഉപയോഗിക്കപ്പെടുന്നു. വാങ് തുടങ്ങിയവർ. ഹൈ-ഡൈമൻഷണൽ ഫീച്ചർ കളക്ഷൻ നിർമ്മിക്കുന്നതിന് ഒന്നിലധികം സ്കെയിലുകളിൽ നിന്ന് ബെയറിംഗ് സവിശേഷതകൾ വേർതിരിച്ചെടുക്കാൻ കഴിയുന്ന സാമാന്യവൽക്കരിച്ച കോമ്പോസിറ്റ് മൾട്ടി-സ്കെയിൽ വെയ്റ്റഡ് പെർമ്യൂട്ടേഷൻ എൻട്രോപ്പി (GCMWPE), SVM [7] എന്നിവയുടെ സംയോജനത്തെ അടിസ്ഥാനമാക്കിയുള്ള ഒരു ഇൻ്റലിജൻ്റ് ഫാൾട്ട് ഡയഗ്നോസിസ് രീതി നിർദ്ദേശിച്ചു. ബയാതി തുടങ്ങിയവർ. എസ്‌വിഎം [8] അടിസ്ഥാനമാക്കി ഡിസി മൈക്രോഗ്രിഡിനായി ഒരു തകരാർ ലൊക്കേഷൻ രീതി നിർദ്ദേശിച്ചു. ഓരോ വരിയുടെയും ഒരറ്റത്ത് പ്രാദേശിക അളന്ന മൂല്യം ഉപയോഗിക്കുന്നതിലൂടെ, ഉയർന്ന ഇംപെഡൻസ് തെറ്റിൻ്റെ കൃത്യമായ സ്ഥാനം കണ്ടെത്താനാകും, കൂടാതെ സ്കീം ശബ്ദത്തിനും മറ്റ് അസ്വസ്ഥതകൾക്കും കരുത്തുറ്റതാണെന്ന് പരീക്ഷണ ഫലങ്ങൾ കാണിക്കുന്നു. റഫ. [9] സപ്പോർട്ട് വെക്റ്റർ മെഷീനെ അടിസ്ഥാനമാക്കിയുള്ള ലിഥിയം-അയൺ ബാറ്ററിക്ക് വേണ്ടിയുള്ള ഒരു ഇൻ്റലിജൻ്റ് ഫോൾട്ട് ഡയഗ്നോസിസ് രീതി നിർദ്ദേശിച്ചു, അത് ശബ്ദത്തെ ഇല്ലാതാക്കാൻ ഡിസ്ക്രീറ്റ് കോസൈൻ ഫിൽട്ടറിംഗ് ഉപയോഗിക്കുന്നു.