WKŁAD FILTRA PALIWA DIESLA

Wraz z tendencją urządzeń mechanicznych do wielkoskalowych, inteligentnych i precyzyjnych zastosowań, zastosowanie części obrotowych, takich jak łożyska wałeczkowe, zostało znacznie ulepszone w celu osiągnięcia przenoszenia mocy, ustalania pozycji i innych celów. Jeśli ulegną uszkodzeniu lub ulegną awarii, będzie to miało wpływ na bezpieczeństwo działania sprzętu mechanicznego i korzyści produkcyjne. Jednak ze względu na specjalne położenie montażowe tych części obrotowych, trudniej jest zbadać i ocenić stan zdrowotny sprzętu, a poprzednie metody opierające się na ludziach lub doświadczeniu nie mogą już działać. Dlatego opracowanie inteligentnych metod wykrywania i diagnozowania w celu wdrożenia monitorowania stanu sprzętu stało się gorącym tematem badawczym.

Wraz z szybkim rozwojem sztucznej inteligencji coraz więcej metod uczenia maszynowego sprawia, że ​​inteligentna diagnostyka urządzeń mechanicznych staje się rzeczywistością i prosperuje, takie jak uczenie się przez wzmacnianie (RL) [1], [2], generatywne sieci kontradyktoryjne (GAN) [3], autoenkoder (AE) [4] i maszynę wektorów nośnych (SVM) [5], [6], [47]. Wśród nich SVM jest algorytmem klasyfikacji opartym na uczeniu statystycznym, który nie jest łatwy do wpadnięcia w lokalne minima i oddziela dane szkoleniowe poprzez optymalną hiperpłaszczyznę, podczas gdy dane treningowe można odwzorować na cechy wielowymiarowe za pomocą nieliniowych metod mapowania, takich jak funkcje wielomianowe i radialne funkcje bazowe. Ponadto SVM może zapewnić dokładną hiperpłaszczyznę decyzyjną w ograniczonych próbkach i ma dobrą zdolność uogólniania. Ze względu na doskonałą wydajność, SVM jest szeroko stosowany w wielu dziedzinach. Wang i in. zaproponowali inteligentną metodę diagnozowania usterek opartą na połączeniu uogólnionej złożonej wieloskalowej ważonej permutacji entropii (GCMWPE) i SVM [7], która może wyodrębnić cechy łożysk z wielu skal w celu skonstruowania wielowymiarowego zbioru cech. Bayati i in. zaproponowali metodę lokalizacji uszkodzeń mikrosieci prądu stałego opartą na SVM [8]. Wykorzystując lokalnie zmierzoną wartość na jednym końcu każdej linii, można zlokalizować dokładną lokalizację zwarcia o wysokiej impedancji, a wyniki eksperymentów pokazują, że schemat jest odporny na szum i inne zakłócenia. Nr ref. [9] zaproponowali inteligentną metodę diagnostyki uszkodzeń akumulatorów litowo-jonowych opartą na maszynie wektorów nośnych, która wykorzystuje dyskretne filtrowanie kosinusowe w celu eliminacji szumów.