டீசல் எரிபொருள் வடிகட்டி உறுப்பு

பெரிய அளவிலான, புத்திசாலித்தனமான மற்றும் உயர் துல்லியத்தை நோக்கிய இயந்திர உபகரணங்களின் போக்குடன், ரோலர் தாங்கி போன்ற சுழலும் பகுதிகளின் பயன்பாடு, ஆற்றல் பரிமாற்றம், நிலை சரிசெய்தல் மற்றும் பிற நோக்கங்களை அடைய கணிசமாக மேம்படுத்தப்பட்டுள்ளது. அவை சேதமடையும் போது அல்லது தோல்வியுற்றால், இயந்திர உபகரணங்களின் பாதுகாப்பு மற்றும் உற்பத்தி நன்மை பாதிக்கப்படும். இருப்பினும், இந்த சுழலும் பாகங்களின் சிறப்பு நிறுவல் நிலை காரணமாக, உபகரணங்களின் சுகாதார நிலையை ஆராய்ச்சி செய்து தீர்ப்பது மிகவும் கடினம், மேலும் மனிதர்கள் அல்லது அனுபவத்தை நம்பியிருக்கும் முந்தைய முறைகள் இனி வேலை செய்யாது. எனவே, அறிவார்ந்த கண்டறிதல் மற்றும் நோயறிதல் முறையை உருவாக்குவது, உபகரண சுகாதார கண்காணிப்பை செயல்படுத்துவது என்பது ஒரு சூடான ஆராய்ச்சி தலைப்பாக மாறியுள்ளது.

செயற்கை நுண்ணறிவின் விரைவான வளர்ச்சியுடன், மேலும் மேலும் இயந்திர கற்றல் முறைகள் இயந்திர உபகரணங்களை அறிவார்ந்த நோயறிதலை உண்மையாக்கி, வலுவூட்டல் கற்றல் (RL) [1], [2], ஜெனரேட்டிவ் அட்வர்சரியல் நெட்வொர்க்குகள் (GAN) [3], ஆட்டோஎன்கோடர் (AE) [4] மற்றும் ஆதரவு திசையன் இயந்திரம் (SVM) [5], [6], [47]. அவற்றுள், SVM என்பது புள்ளியியல் கற்றலின் அடிப்படையிலான ஒரு வகைப்பாடு அல்காரிதம் ஆகும், இது லோக்கல் மினிமாவில் விழுவது எளிதானது அல்ல, மேலும் பயிற்சி தரவை உகந்த ஹைப்பர் பிளேன் மூலம் பிரிக்கிறது, அதே நேரத்தில் பயிற்சி தரவை பல்லுறுப்புக்கோவை செயல்பாடுகள் போன்ற நேரியல் அல்லாத மேப்பிங் முறைகள் மூலம் உயர் பரிமாண அம்சங்களுக்கு வரைபடமாக்க முடியும். ரேடியல் அடிப்படை செயல்பாடுகள். கூடுதலாக, SVM ஆனது வரையறுக்கப்பட்ட மாதிரிகளின் கீழ் துல்லியமான முடிவு ஹைப்பர் பிளேனை வழங்க முடியும், மேலும் நல்ல பொதுமைப்படுத்தல் திறனையும் கொண்டுள்ளது. அதன் சிறந்த செயல்திறனைக் கருத்தில் கொண்டு, SVM பல துறைகளில் பரவலாகப் பயன்படுத்தப்படுகிறது. வாங் மற்றும் பலர். பொதுமைப்படுத்தப்பட்ட கூட்டு பல-அளவிலான எடையுள்ள வரிசைமாற்ற என்ட்ரோபி (GCMWPE) மற்றும் SVM [7] ஆகியவற்றின் அடிப்படையில் ஒரு அறிவார்ந்த தவறு கண்டறிதல் முறையை முன்மொழிந்தது, இது உயர் பரிமாண அம்ச சேகரிப்பை உருவாக்க பல அளவுகளில் இருந்து தாங்கி அம்சங்களைப் பிரித்தெடுக்க முடியும். பயட்டி மற்றும் பலர். SVM [8] அடிப்படையிலான DC மைக்ரோகிரிட்டுக்கான தவறான இருப்பிட முறையை முன்மொழிந்தது. ஒவ்வொரு வரியின் ஒரு முனையிலும் உள்ளூர் அளவிடப்பட்ட மதிப்பைப் பயன்படுத்துவதன் மூலம், உயர் மின்மறுப்புத் தவறுகளின் துல்லியமான இருப்பிடத்தைக் கண்டறிய முடியும், மேலும் சோதனை முடிவுகள் சத்தம் மற்றும் பிற இடையூறுகளுக்கு இத்திட்டம் வலுவானது என்பதைக் காட்டுகிறது. Ref. [9] சப்போர்ட் வெக்டர் மெஷினை அடிப்படையாகக் கொண்ட லித்தியம்-அயன் பேட்டரிக்கான அறிவார்ந்த பிழை கண்டறிதல் முறையை முன்மொழிந்தது, இது சத்தத்தை அகற்ற தனித்த கொசைன் வடிகட்டலைப் பயன்படுத்துகிறது.