ELEMENT FILTRA ZA DIZELSKO GORIVO

S trendom mehanske opreme k obsežni, inteligentni in visoko natančni, je bila uporaba vrtljivih delov, kot je valjčni ležaj, bistveno izboljšana za doseganje prenosa moči, fiksiranja položaja in drugih namenov. Ko se poškodujejo ali odpovejo, bo to vplivalo na varnost delovanja mehanske opreme in proizvodne koristi. Vendar pa je zaradi posebnega položaja vgradnje teh vrtljivih delov težje raziskati in presojati zdravstveno stanje opreme, prejšnje metode, ki se opirajo na ljudi ali izkušnje, pa ne morejo več delovati. Zato je razvoj inteligentne metode odkrivanja in diagnosticiranja za spremljanje stanja opreme postal vroča raziskovalna tema.

S hitrim razvojem umetne inteligence vse več metod strojnega učenja omogoča uresničitev in napredek inteligentne diagnoze mehanske opreme, kot so učenje z okrepitvijo (RL) [1], [2], generativna kontradiktorna omrežja (GAN) [3], samodejni kodirnik (AE) [4] in podporni vektorski stroj (SVM) [5], [6], [47]. Med njimi je SVM algoritem za razvrščanje, ki temelji na statističnem učenju, ki ga ni lahko zapasti v lokalne minimume in ločuje podatke o usposabljanju prek optimalne hiperravnine, medtem ko je podatke o usposabljanju mogoče preslikati v visokodimenzionalne značilnosti z metodami nelinearnega preslikave, kot so polinomske funkcije in radialne osnovne funkcije. Poleg tega lahko SVM zagotovi natančno hiperravnino odločitve v omejenih vzorcih in ima dobro sposobnost posploševanja. Zaradi svoje odlične zmogljivosti se SVM pogosto uporablja na številnih področjih. Wang et al. je predlagal inteligentno metodo za diagnosticiranje napak, ki temelji na kombinaciji generalizirane sestavljene večstopenjske utežene permutacijske entropije (GCMWPE) in SVM [7], ki lahko izvleče nosilne značilnosti iz več lestvic za izdelavo visokodimenzionalne zbirke funkcij. Bayati et al. predlagal metodo lociranja napake za enosmerno mikroomrežje, ki temelji na SVM [8]. Z uporabo lokalne izmerjene vrednosti na enem koncu vsake linije je mogoče določiti natančno lokacijo napake z visoko impedanco, eksperimentalni rezultati pa kažejo, da je shema robustna na hrup in druge motnje. Ref. [9] je predlagal inteligentno metodo diagnosticiranja napak za litij-ionsko baterijo, ki temelji na podpornem vektorskem stroju, ki uporablja diskretno kosinusno filtriranje za odpravo hrupa.