Elementi i FILTRIT TË KARBURANTIT DIIZEL

Me prirjen e pajisjeve mekanike drejt shkallës së gjerë, inteligjente dhe me precizion të lartë, përdorimi i pjesëve rrotulluese, si kushinetat me rul, është përmirësuar ndjeshëm për të arritur transmetimin e energjisë, fiksimin e pozicionit dhe qëllime të tjera. Kur ato dëmtohen ose dështojnë, siguria e funksionimit të pajisjeve mekanike dhe përfitimi i prodhimit do të ndikohen. Megjithatë, për shkak të pozicionit të veçantë të instalimit të këtyre pjesëve rrotulluese, është më e vështirë të hulumtohet dhe gjykohet statusi shëndetësor i pajisjes dhe metodat e mëparshme që mbështeten te njerëzit ose përvoja nuk mund të funksionojnë më. Prandaj, zhvillimi i metodës inteligjente të zbulimit dhe diagnostikimit për të zbatuar monitorimin e shëndetit të pajisjeve janë bërë një temë e nxehtë kërkimore.

Me zhvillimin e shpejtë të inteligjencës artificiale, gjithnjë e më shumë metoda të mësimit të makinerive e bëjnë diagnozën inteligjente të pajisjeve mekanike të realizohet dhe të përparojë, siç është mësimi përforcues (RL) [1], [2], rrjetet kundërshtare gjeneruese (GAN) [3], autoenkoder (AE) [4] dhe makinë vektoriale mbështetëse (SVM) [5], [6], [47]. Midis tyre, SVM është një algoritëm klasifikimi i bazuar në të mësuarit statistikor, i cili nuk është i lehtë për t'u futur në minimumet lokale dhe i ndan të dhënat e trajnimit përmes hiperplanit optimal ndërsa të dhënat e trajnimit mund të hartohen në veçori me dimensione të larta përmes metodave të hartës jolineare, siç janë funksionet polinomiale dhe funksionet e bazës radiale. Përveç kësaj, SVM mund të sigurojë hiperplan të saktë të vendimit nën mostra të kufizuara dhe ka aftësi të mirë përgjithësimi. Në funksion të performancës së tij të shkëlqyer, SVM është përdorur gjerësisht në shumë fusha. Wang et al. propozoi një metodë inteligjente të diagnostikimit të defekteve bazuar në kombinimin e entropisë së përgjithësuar të permutacionit të peshuar me shumë shkallë (GCMWPE) dhe SVM [7], e cila mund të nxjerrë veçori mbajtëse nga shkallë të shumta për të ndërtuar koleksionin e veçorive me dimensione të larta. Bajati etj. propozoi një metodë për vendndodhjen e gabimeve për mikrorrjetin DC bazuar në SVM [8]. Duke përdorur vlerën e matur lokale në një skaj të çdo linje, mund të gjendet vendndodhja e saktë e gabimit me rezistencë të lartë dhe rezultatet eksperimentale tregojnë se skema është e qëndrueshme ndaj zhurmave dhe shqetësimeve të tjera. Ref. [9] propozoi një metodë inteligjente të diagnostikimit të defekteve për baterinë litium-jon bazuar në makinën e vektorit mbështetës, e cila përdor filtrimin diskret kosinus për të eliminuar zhurmën.