DIESELDRIVSTOFFFILTERELEMENT

Med trenden med mekanisk utstyr mot storskala, intelligent og høy presisjon, har bruken av roterende deler, som rullelager, blitt betydelig forbedret for å oppnå kraftoverføring, posisjonsfiksering og andre formål. Når de er skadet eller svikter, vil driftssikkerheten og produksjonsfordelen for mekanisk utstyr bli påvirket. På grunn av den spesielle installasjonsposisjonen til disse roterende delene er det imidlertid vanskeligere å undersøke og bedømme utstyrets helsestatus, og tidligere metoder som er avhengige av mennesker eller erfaring kan ikke lenger fungere. Derfor har utvikling av intelligente deteksjons- og diagnosemetoder for å implementere utstyrshelseovervåking blitt et hett forskningstema.

Med den raske utviklingen av kunstig intelligent, gjør flere og flere maskinlæringsmetoder mekanisk utstyr intelligent diagnose til virkelighet og blomstre, slik som forsterkningslæring (RL) [1], [2], generative adversarial networks (GAN) [3], autoencoder (AE) [4] og støtte vektormaskin (SVM) [5], [6], [47]. Blant dem er SVM en klassifiseringsalgoritme basert på statistisk læring, som ikke er lett å falle inn i lokale minima og skiller treningsdata gjennom optimalt hyperplan mens treningsdata kan kartlegges til høydimensjonale funksjoner gjennom ikke-lineære kartleggingsmetoder, som polynomfunksjoner og radielle basisfunksjoner. I tillegg kan SVM gi nøyaktig beslutningshyperplan under begrensede prøver, og har god generaliseringsevne. På grunn av sin utmerkede ytelse har SVM blitt mye brukt på mange felt. Wang et al. foreslått en intelligent feildiagnosemetode basert på kombinasjonen av generalisert sammensatt multi-skala vektet permutasjonsentropi (GCMWPE) og SVM [7], som kan trekke ut bærende egenskaper fra flere skalaer for å konstruere høydimensjonal funksjonssamling. Bayati et al. foreslått en feillokaliseringsmetode for DC mikronett basert på SVM [8]. Ved å bruke den lokale målte verdien i den ene enden av hver linje, kan den nøyaktige plasseringen av høyimpedansfeil lokaliseres, og de eksperimentelle resultatene viser at ordningen er robust overfor støy og andre forstyrrelser. Ref. [9] foreslo en intelligent feildiagnosemetode for litiumionbatteri basert på støttevektormaskin, som bruker diskret cosinusfiltrering for å eliminere støy.