DIESELBRANDSTOFFILTERELEMENT

Met de trend van mechanische apparatuur naar grootschalige, intelligente en hoge precisie, is het gebruik van roterende onderdelen, zoals rollagers, aanzienlijk verbeterd om krachtoverbrenging, positiefixatie en andere doeleinden te bereiken. Wanneer ze beschadigd raken of defect raken, heeft dit gevolgen voor de veiligheid van de mechanische apparatuur en het productievoordeel. Vanwege de speciale installatiepositie van deze roterende delen is het echter moeilijker om de gezondheidsstatus van de apparatuur te onderzoeken en te beoordelen, en eerdere methoden die afhankelijk zijn van mensen of ervaring kunnen niet langer werken. Daarom is het ontwikkelen van intelligente detectie- en diagnosemethoden om de gezondheid van apparatuur te monitoren een veelbesproken onderzoeksonderwerp geworden.

Met de snelle ontwikkeling van kunstmatige intelligentie zorgen steeds meer machine learning-methoden ervoor dat de intelligente diagnose van mechanische apparatuur werkelijkheid wordt en bloeit, zoals versterkend leren (RL) [1], [2], generatieve vijandige netwerken (GAN) [3], autoencoder (AE) [4] en ondersteuningsvectormachine (SVM) [5], [6], [47]. Onder hen is SVM een classificatie-algoritme gebaseerd op statistisch leren, dat niet gemakkelijk in lokale minima valt en trainingsgegevens scheidt via een optimaal hypervlak, terwijl trainingsgegevens kunnen worden toegewezen aan hoog-dimensionale kenmerken via niet-lineaire mappingmethoden, zoals polynomiale functies en radiale basisfuncties. Bovendien kan SVM nauwkeurige hypervlakbeslissingen bieden onder beperkte steekproeven, en heeft het een goed generalisatievermogen. Vanwege de uitstekende prestaties wordt SVM op veel terreinen op grote schaal gebruikt. Wang et al. stelde een intelligente foutdiagnosemethode voor, gebaseerd op de combinatie van gegeneraliseerde samengestelde multi-scale gewogen permutatie-entropie (GCMWPE) en SVM [7], die lagerkenmerken uit meerdere schalen kan extraheren om een ​​hoogdimensionale verzameling van kenmerken te construeren. Bayati et al. stelde een foutlocatiemethode voor DC-microgrid voor op basis van SVM [8]. Door de lokale gemeten waarde aan het ene uiteinde van elke lijn te gebruiken, kan de nauwkeurige locatie van fouten met hoge impedantie worden gelokaliseerd, en de experimentele resultaten laten zien dat het schema robuust is tegen ruis en andere verstoringen. Ref. [9] stelde een intelligente foutdiagnosemethode voor voor lithium-ionbatterijen, gebaseerd op een ondersteunende vectormachine, die discrete cosinusfiltering gebruikt om ruis te elimineren.