ФИЛЬТРУЮЩИЙ ЭЛЕМЕНТ ДИЗЕЛЬНОГО ТОПЛИВА

С тенденцией механического оборудования к крупномасштабному, интеллектуальному и высокоточному использованию вращающихся частей, таких как роликовые подшипники, было значительно улучшено для обеспечения передачи мощности, фиксации положения и других целей. Когда они повреждены или выходят из строя, это повлияет на безопасность работы механического оборудования и производственную выгоду. Однако из-за особого положения установки этих вращающихся частей становится сложнее исследовать и судить о состоянии оборудования, а предыдущие методы, основанные на людях или опыте, больше не могут работать. Поэтому разработка интеллектуального метода обнаружения и диагностики для мониторинга состояния оборудования стала горячей темой исследований.

Благодаря быстрому развитию искусственного интеллекта все больше и больше методов машинного обучения делают интеллектуальную диагностику механического оборудования реальностью и процветают, например, обучение с подкреплением (RL) [1], [2], генеративно-состязательные сети (GAN) [3], автоэнкодер. (AE) [4] и машина опорных векторов (SVM) [5], [6], [47]. Среди них SVM — это алгоритм классификации, основанный на статистическом обучении, который нелегко найти в локальных минимумах и который разделяет обучающие данные с помощью оптимальной гиперплоскости, в то время как обучающие данные могут быть сопоставлены с многомерными объектами с помощью методов нелинейного отображения, таких как полиномиальные функции и радиальные базисные функции. Кроме того, SVM может обеспечить точную гиперплоскость принятия решений при ограниченных выборках и обладает хорошей способностью к обобщению. Благодаря своим превосходным характеристикам SVM широко используется во многих областях. Ван и др. предложили интеллектуальный метод диагностики неисправностей, основанный на сочетании обобщенной составной многомасштабной взвешенной энтропии перестановок (GCMWPE) и SVM [7], который может извлекать характеристики подшипника из нескольких масштабов для построения многомерной коллекции признаков. Баяти и др. предложил метод определения места повреждения микросети постоянного тока на основе SVM [8]. Используя локальное измеренное значение на одном конце каждой линии, можно определить точное местоположение повреждения с высоким импедансом, а результаты экспериментов показывают, что схема устойчива к шуму и другим помехам. Ссылка. [9] предложили интеллектуальный метод диагностики неисправностей литий-ионных аккумуляторов, основанный на машине опорных векторов, который использует дискретную косинусную фильтрацию для устранения шума.