ဒီဇယ်ဆီ Filter Element

အကြီးစား၊ ဉာဏ်ရည်ထက်မြက်ပြီး တိကျမှုမြင့်မားသော စက်ကိရိယာများ၏ ခေတ်ရေစီးကြောင်းနှင့်အတူ၊ Roller Bearing ကဲ့သို့သော လှည့်ပတ်အစိတ်အပိုင်းများကို အသုံးပြုခြင်းသည် ပါဝါပို့လွှတ်မှု၊ အနေအထားပြင်ဆင်မှုနှင့် အခြားရည်ရွယ်ချက်များရရှိရန် သိသိသာသာ တိုးတက်ကောင်းမွန်လာခဲ့သည်။ ပျက်စီးခြင်း သို့မဟုတ် ပျက်ကွက်သည့်အခါ စက်ကိရိယာများ လည်ပတ်မှု ဘေးကင်းရေးနှင့် ထုတ်လုပ်မှု အကျိုးကျေးဇူးအပေါ် သက်ရောက်မှုရှိမည်ဖြစ်သည်။ သို့သော်၊ ဤလည်ပတ်နေသောအစိတ်အပိုင်းများ၏ အထူးတပ်ဆင်အနေအထားကြောင့်၊ စက်ကိရိယာများ၏ ကျန်းမာရေးအခြေအနေကို သုတေသနပြု၍ အကဲဖြတ်ရန် ပို၍ခက်ခဲပြီး လူသား သို့မဟုတ် အတွေ့အကြုံကို မှီခိုနေရသော ယခင်နည်းလမ်းများသည် အလုပ်မဖြစ်တော့ပါ။ ထို့ကြောင့်၊ စက်ကိရိယာများ၏ ကျန်းမာရေးစောင့်ကြပ်ကြည့်ရှုခြင်းကို အကောင်အထည်ဖော်ရန် ဉာဏ်ရည်ထက်မြက်သော ထောက်လှမ်းမှုနှင့် ရောဂါရှာဖွေရေးနည်းလမ်းကို တီထွင်ထုတ်လုပ်လိုက်ခြင်းသည် ပြင်းပြင်းထန်ထန် သုတေသနပြုသည့် အကြောင်းအရာတစ်ခု ဖြစ်လာခဲ့သည်။

ဉာဏ်ရည်တုတု၏ လျင်မြန်စွာ ဖွံ့ဖြိုးတိုးတက်လာမှုနှင့်အတူ၊ စက်သင်ယူမှုနည်းလမ်းများ ပိုများလာခြင်းကြောင့် စက်ပိုင်းဆိုင်ရာ ဉာဏ်ရည်ဉာဏ်သွေးဆိုင်ရာ ရောဂါရှာဖွေစစ်ဆေးခြင်းများသည် အားကောင်းလာကာ အားဖြည့်သင်ယူခြင်း (RL) [1]၊ [2]၊ generative adversarial networks (GAN) [3]၊ autoencoder၊ (AE) [4] နှင့် ပံ့ပိုးမှု vector machine (SVM) [5], [6], [47]။ ၎င်းတို့အနက်၊ SVM သည် စာရင်းအင်းဆိုင်ရာ သင်ယူမှုအပေါ် အခြေခံ၍ အမျိုးအစားခွဲသည့် အယ်လဂိုရီသမ်တစ်ခုဖြစ်ပြီး ဒေသန္တရ minima အတွင်းသို့ ကျရောက်ရန်နှင့် လေ့ကျင့်ရေးဒေတာကို အကောင်းဆုံး ဟိုက်ပါလေယာဉ်ဖြင့် ပိုင်းခြားရန် မလွယ်ကူသည့် လေ့ကျင့်ရေးဒေတာကို မျဉ်းမကြောင်းမဟုတ်သော မြေပုံဆွဲခြင်းနည်းလမ်းများဖြစ်သည့် မျဉ်းသားမဟုတ်သော မြေပုံဆွဲခြင်းနည်းလမ်းများမှတစ်ဆင့် မြင့်မားသောဘက်မြင်အင်္ဂါရပ်များသို့ မြေပုံဆွဲနိုင်သော်လည်း၊ radial အခြေခံလုပ်ဆောင်ချက်များ။ ထို့အပြင်၊ SVM သည် အကန့်အသတ်နမူနာများအောက်တွင် တိကျသောဆုံးဖြတ်ချက် hyperplane ကို ပေးစွမ်းနိုင်ပြီး ကောင်းမွန်သော ယေဘုယျလုပ်ဆောင်နိုင်စွမ်းရှိသည်။ ၎င်း၏ကောင်းမွန်သောစွမ်းဆောင်ရည်ကြောင့် SVM ကို နယ်ပယ်များစွာတွင် တွင်ကျယ်စွာအသုံးပြုခဲ့သည်။ Wang et al ။ ယေဘုယျအားဖြင့် ပေါင်းစပ်ဖွဲ့စည်းထားသော ဘက်စုံအလေးသာမှုဆိုင်ရာ အင်ထရိုပီ (GCMWPE) နှင့် SVM [7] ပေါင်းစပ်မှုအပေါ် အခြေခံ၍ အသိဉာဏ်ချို့ယွင်းမှုရောဂါရှာဖွေရေးနည်းလမ်းကို အဆိုပြုခဲ့သည်။ Bayati et al ။ SVM [8] ကိုအခြေခံ၍ DC microgrid အတွက် မှားယွင်းသောတည်နေရာနည်းလမ်းကို အဆိုပြုခဲ့သည်။ စာကြောင်းတစ်ခုစီ၏ အဆုံးတစ်ဖက်ရှိ ဒေသဆိုင်ရာ တိုင်းတာသည့်တန်ဖိုးကို အသုံးပြုခြင်းဖြင့်၊ မြင့်မားသော impedance ပြတ်ရွေ့၏ တိကျသောတည်နေရာကို တွေ့ရှိနိုင်ပြီး စမ်းသပ်မှုရလဒ်များက အဆိုပါအစီအစဉ်သည် ဆူညံသံနှင့် အခြားအနှောင့်အယှက်များအထိ အားကောင်းကြောင်း ပြသသည်။ Ref. [9] ဆူညံသံများကိုဖယ်ရှားရန် discrete cosine filtering ကိုအသုံးပြုသည့် support vector machine ကိုအခြေခံ၍ lithium-ion ဘက်ထရီအတွက် အသိဉာဏ်ချို့ယွင်းမှုရောဂါရှာဖွေရေးနည်းလမ်းကို အဆိုပြုခဲ့သည်။