डिझेल इंधन फिल्टर घटक

यांत्रिक उपकरणांचा कल मोठ्या प्रमाणात, बुद्धिमान आणि उच्च-सुस्पष्टताकडे असल्याने, पॉवर ट्रान्समिशन, पोझिशन फिक्सेशन आणि इतर हेतू साध्य करण्यासाठी रोलर बेअरिंगसारख्या फिरत्या भागांचा वापर लक्षणीयरीत्या सुधारला गेला आहे. जेव्हा ते खराब होतात किंवा अयशस्वी होतात, तेव्हा यांत्रिक उपकरणांच्या ऑपरेशनची सुरक्षितता आणि उत्पादन फायद्यावर परिणाम होतो. तथापि, या फिरत्या भागांच्या विशेष स्थापनेच्या स्थितीमुळे, उपकरणांच्या आरोग्य स्थितीचे संशोधन करणे आणि न्याय करणे अधिक कठीण आहे आणि मानवांवर किंवा अनुभवावर अवलंबून असलेल्या पूर्वीच्या पद्धती यापुढे कार्य करू शकत नाहीत. त्यामुळे, उपकरणे आरोग्य निरीक्षणाची अंमलबजावणी करण्यासाठी बुद्धिमान शोध आणि निदान पद्धती विकसित करणे हा एक चर्चेचा विषय बनला आहे.

कृत्रिम बुद्धिमत्तेच्या जलद विकासासह, अधिकाधिक मशीन शिक्षण पद्धती यांत्रिक उपकरणे बुद्धिमान निदान खरे आणि समृद्ध करतात, जसे की मजबुतीकरण शिक्षण (RL) [1], [2], जनरेटिव्ह ॲडव्हर्सियल नेटवर्क्स (GAN) [3], ऑटोएनकोडर (AE) [४] आणि सपोर्ट वेक्टर मशीन (SVM) [५], [६], [४७]. त्यापैकी, SVM हे सांख्यिकीय शिक्षणावर आधारित एक वर्गीकरण अल्गोरिदम आहे, जे स्थानिक मिनिमामध्ये पडणे सोपे नाही आणि इष्टतम हायपरप्लेनद्वारे प्रशिक्षण डेटा वेगळे करते तर प्रशिक्षण डेटा उच्च-आयामी वैशिष्ट्यांमध्ये नॉनलाइनर मॅपिंग पद्धतींद्वारे मॅप केला जाऊ शकतो, जसे की बहुपदीय कार्ये आणि रेडियल बेस फंक्शन्स. याव्यतिरिक्त, SVM मर्यादित नमुन्यांतर्गत अचूक निर्णय हायपरप्लेन प्रदान करू शकते, आणि चांगली सामान्यीकरण क्षमता आहे. त्याच्या उत्कृष्ट कार्यक्षमतेच्या दृष्टीकोनातून, SVM अनेक क्षेत्रांमध्ये मोठ्या प्रमाणावर वापरले गेले आहे. वांग वगैरे. सामान्यीकृत कंपोझिट मल्टी-स्केल वेटेड परम्युटेशन एन्ट्रॉपी (GCMWPE) आणि SVM [७] च्या संयोजनावर आधारित एक बुद्धिमान दोष निदान पद्धत प्रस्तावित केली आहे, जी उच्च-आयामी वैशिष्ट्य संग्रह तयार करण्यासाठी एकाधिक स्केलमधून बेअरिंग वैशिष्ट्ये काढू शकते. बायती वगैरे. एसव्हीएम [८] वर आधारित डीसी मायक्रोग्रिडसाठी दोष स्थान पद्धत प्रस्तावित केली. प्रत्येक ओळीच्या एका टोकाला स्थानिक मोजलेले मूल्य वापरून, उच्च प्रतिबाधा फॉल्टचे अचूक स्थान शोधले जाऊ शकते आणि प्रायोगिक परिणाम दाखवतात की ही योजना आवाज आणि इतर व्यत्ययांसाठी मजबूत आहे. संदर्भ [९] समर्थन वेक्टर मशीनवर आधारित लिथियम-आयन बॅटरीसाठी एक बुद्धिमान दोष निदान पद्धत प्रस्तावित केली आहे, जी आवाज दूर करण्यासाठी स्वतंत्र कोसाइन फिल्टरिंग वापरते.