ELEMENTO DE FILTRO DE COMBUSTÍVEL DIESEL

Com a tendência dos equipamentos mecânicos de grande escala, inteligentes e de alta precisão, o uso de peças rotativas, como rolamentos de rolos, foi significativamente melhorado para alcançar transmissão de potência, fixação de posição e outras finalidades. Quando eles são danificados ou falham, a segurança da operação do equipamento mecânico e os benefícios da produção serão impactados. No entanto, devido à posição especial de instalação destas peças rotativas, é mais difícil pesquisar e avaliar o estado de saúde do equipamento, e os métodos anteriores que dependiam de humanos ou da experiência já não podem funcionar. Portanto, o desenvolvimento de métodos inteligentes de detecção e diagnóstico para implementar o monitoramento da integridade dos equipamentos tornou-se um tema de pesquisa importante.

Com o rápido desenvolvimento da inteligência artificial, cada vez mais métodos de aprendizado de máquina tornam o diagnóstico inteligente de equipamentos mecânicos realidade e prosperar, como aprendizado por reforço (RL) [1], [2], redes adversárias generativas (GAN) [3], autoencoder (AE) [4] e máquina de vetores de suporte (SVM) [5], [6], [47]. Entre eles, SVM é um algoritmo de classificação baseado em aprendizado estatístico, que não é fácil de cair em mínimos locais e separa os dados de treinamento por meio de hiperplano ideal, enquanto os dados de treinamento podem ser mapeados para recursos de alta dimensão por meio de métodos de mapeamento não linear, como funções polinomiais e funções de base radial. Além disso, o SVM pode fornecer um hiperplano de decisão preciso sob amostras limitadas e possui boa capacidade de generalização. Devido ao seu excelente desempenho, o SVM tem sido amplamente utilizado em muitos campos. Wang et al. propuseram um método inteligente de diagnóstico de falhas baseado na combinação de entropia de permutação ponderada multiescala composta generalizada (GCMWPE) e SVM [7], que pode extrair características de rolamento de múltiplas escalas para construir uma coleção de características de alta dimensão. Bayati et al. propuseram um método de localização de faltas para microrredes CC baseado em SVM [8]. Usando o valor medido local em uma extremidade de cada linha, a localização precisa da falta de alta impedância pode ser localizada, e os resultados experimentais mostram que o esquema é robusto a ruídos e outros distúrbios. Ref. [9] propuseram um método inteligente de diagnóstico de falhas para baterias de íons de lítio baseado em máquina de vetores de suporte, que usa filtragem de cosseno discreta para eliminar ruído.