DIESELBRÄNSLEFILTERELEMENT

Med trenden med mekanisk utrustning mot storskalig, intelligent och hög precision har användningen av roterande delar, såsom rullager, förbättrats avsevärt för att uppnå kraftöverföring, positionsfixering och andra ändamål. När de skadas eller går sönder kommer den mekaniska utrustningens driftsäkerhet och produktionsfördelar att påverkas. Men på grund av den speciella installationspositionen för dessa roterande delar är det svårare att undersöka och bedöma utrustningens hälsostatus, och tidigare metoder som förlitar sig på människor eller erfarenhet kan inte längre fungera. Därför har utvecklingen av intelligenta detektions- och diagnosmetoder för att implementera hälsoövervakning av utrustning blivit ett hett forskningsämne.

Med den snabba utvecklingen av artificiell intelligent, gör fler och fler maskininlärningsmetoder mekanisk utrustning intelligent diagnostik förverkligas och blomstra, såsom förstärkningsinlärning (RL) [1], [2], generativa motstridiga nätverk (GAN) [3], autoencoder (AE) [4] och stöd för vektormaskin (SVM) [5], [6], [47]. Bland dem är SVM en klassificeringsalgoritm baserad på statistisk inlärning, som inte är lätt att falla in i lokala minima och som separerar träningsdata genom optimalt hyperplan medan träningsdata kan mappas till högdimensionella egenskaper genom ickelinjära kartläggningsmetoder, såsom polynomfunktioner och radiella basfunktioner. Dessutom kan SVM tillhandahålla korrekt beslutshyperplan under begränsade urval och har god generaliseringsförmåga. Med tanke på dess utmärkta prestanda har SVM använts flitigt inom många områden. Wang et al. föreslagit en intelligent feldiagnosmetod baserad på kombinationen av generaliserad sammansatt multi-skala viktad permutationsentropi (GCMWPE) och SVM [7], som kan extrahera bärande egenskaper från flera skalor för att konstruera högdimensionell funktionssamling. Bayati et al. föreslagit en fellokaliseringsmetod för DC-mikronät baserad på SVM [8]. Genom att använda det lokala uppmätta värdet i ena änden av varje linje kan den exakta platsen för högimpedansfel lokaliseras, och de experimentella resultaten visar att schemat är robust mot brus och andra störningar. Ref. [9] föreslog en intelligent feldiagnosmetod för litiumjonbatteri baserad på stödvektormaskin, som använder diskret cosinusfiltrering för att eliminera brus.