ELEMENT FILTRU COMBUSTIBIL DIESEL

Odată cu tendința echipamentelor mecanice către scară largă, inteligentă și de înaltă precizie, utilizarea pieselor rotative, cum ar fi rulmentul cu role, a fost îmbunătățită semnificativ pentru a obține transmisia puterii, fixarea poziției și alte scopuri. Atunci când sunt deteriorate sau defectează, siguranța funcționării echipamentelor mecanice și beneficiul producției vor fi afectate. Cu toate acestea, din cauza poziției speciale de instalare a acestor piese rotative, este mai dificil să cercetezi și să judeci starea de sănătate a echipamentului, iar metodele anterioare care se bazează pe oameni sau pe experiență nu mai pot funcționa. Prin urmare, dezvoltarea metodei inteligente de detectare și diagnosticare pentru a implementa monitorizarea sănătății echipamentelor a devenit un subiect fierbinte de cercetare.

Odată cu dezvoltarea rapidă a inteligentei artificiale, din ce în ce mai multe metode de învățare automată fac ca diagnosticarea inteligentă a echipamentelor mecanice să devină realitate și să prospere, cum ar fi învățarea prin întărire (RL) [1], [2], rețele adverse generative (GAN) [3], autoencoder (AE) [4] și suport vector machine (SVM) [5], [6], [47]. Printre acestea, SVM este un algoritm de clasificare bazat pe învățarea statistică, care nu este ușor să se încadreze în minime locale și separă datele de antrenament printr-un hiperplan optim, în timp ce datele de antrenament pot fi mapate la caracteristici dimensionale înalte prin metode de mapare neliniară, cum ar fi funcțiile polinomiale și funcții de bază radială. În plus, SVM poate oferi un hiperplan de decizie precis sub eșantioane limitate și are o bună capacitate de generalizare. Având în vedere performanțele sale excelente, SVM a fost utilizat pe scară largă în multe domenii. Wang şi colab. a propus o metodă inteligentă de diagnosticare a defecțiunilor bazată pe combinația de entropie generalizată de permutare ponderată pe mai multe scale (GCMWPE) și SVM [7], care poate extrage caracteristici de rulment de la mai multe scale pentru a construi o colecție de caracteristici de înaltă dimensiune. Bayati și colab. a propus o metodă de localizare a defecțiunilor pentru microrețea DC bazată pe SVM [8]. Folosind valoarea măsurată locală la un capăt al fiecărei linii, se poate localiza locația precisă a defectului de impedanță ridicată, iar rezultatele experimentale arată că schema este robustă la zgomot și alte perturbări. Ref. [9] a propus o metodă inteligentă de diagnosticare a defecțiunilor pentru bateria litiu-ion bazată pe o mașină de suport vector, care utilizează filtrarea cosinus discretă pentru a elimina zgomotul.