องค์ประกอบกรองน้ำมันเชื้อเพลิงดีเซล

ด้วยแนวโน้มของอุปกรณ์เครื่องจักรกลไปสู่ขนาดใหญ่ ชาญฉลาด และมีความแม่นยำสูง การใช้ชิ้นส่วนที่หมุนได้ เช่น แบริ่งลูกกลิ้ง ได้รับการปรับปรุงอย่างมีนัยสำคัญเพื่อให้บรรลุการส่งกำลัง การตรึงตำแหน่ง และวัตถุประสงค์อื่น ๆ เมื่อได้รับความเสียหายหรือล้มเหลว ความปลอดภัยในการใช้งานอุปกรณ์เครื่องจักรกลและผลประโยชน์ในการผลิตจะได้รับผลกระทบ อย่างไรก็ตาม เนื่องจากตำแหน่งการติดตั้งพิเศษของชิ้นส่วนที่หมุนได้เหล่านี้ จึงเป็นเรื่องยากมากขึ้นในการวิจัยและตัดสินสถานะสุขภาพของอุปกรณ์ และวิธีการก่อนหน้านี้ที่อาศัยมนุษย์หรือประสบการณ์ไม่สามารถทำงานได้อีกต่อไป ดังนั้นการพัฒนาวิธีการตรวจจับและวินิจฉัยอัจฉริยะเพื่อใช้การตรวจติดตามสุขภาพของอุปกรณ์จึงกลายเป็นหัวข้อวิจัยที่กำลังเป็นที่นิยม

ด้วยการพัฒนาอย่างรวดเร็วของปัญญาประดิษฐ์ วิธีการเรียนรู้ของเครื่องเพิ่มมากขึ้นเรื่อยๆ ทำให้การวินิจฉัยอัจฉริยะของอุปกรณ์เครื่องจักรกลเป็นจริงและเจริญรุ่งเรือง เช่น การเรียนรู้แบบเสริมกำลัง (RL) [1], [2] เครือข่ายปฏิปักษ์กำเนิด (GAN) [3] โปรแกรมเข้ารหัสอัตโนมัติ (AE) [4] และรองรับเครื่องเวกเตอร์ (SVM) [5], [6], [47] ในบรรดาสิ่งเหล่านั้น SVM เป็นอัลกอริธึมการจำแนกประเภทตามการเรียนรู้ทางสถิติ ซึ่งไม่ใช่เรื่องง่ายที่จะจัดอยู่ในค่าต่ำสุดในพื้นที่ และแยกข้อมูลการฝึกผ่านไฮเปอร์เพลนที่เหมาะสมที่สุด ในขณะที่ข้อมูลการฝึกสามารถแมปกับคุณลักษณะมิติสูงผ่านวิธีการแมปแบบไม่เชิงเส้น เช่น ฟังก์ชันพหุนามและ ฟังก์ชันพื้นฐานแนวรัศมี นอกจากนี้ SVM ยังสามารถให้ไฮเปอร์เพลนการตัดสินใจที่แม่นยำภายใต้ตัวอย่างที่จำกัด และมีความสามารถในการสรุปข้อมูลทั่วไปที่ดี เมื่อพิจารณาถึงประสิทธิภาพที่ยอดเยี่ยม SVM จึงถูกนำมาใช้กันอย่างแพร่หลายในหลายสาขา วังและคณะ เสนอวิธีการวินิจฉัยข้อบกพร่องอัจฉริยะโดยอาศัยการผสมผสานเอนโทรปีการเรียงสับเปลี่ยนถ่วงน้ำหนักแบบคอมโพสิตหลายสเกลทั่วไป (GCMWPE) และ SVM [7] ซึ่งสามารถดึงคุณลักษณะของตลับลูกปืนจากหลายสเกลเพื่อสร้างคอลเลกชันคุณลักษณะที่มีมิติสูง บายาตี และคณะ เสนอวิธีการระบุตำแหน่งข้อผิดพลาดสำหรับไมโครกริด DC โดยใช้ SVM [8] ด้วยการใช้ค่าที่วัดได้เฉพาะที่ปลายด้านหนึ่งของเส้นแต่ละเส้น จึงสามารถระบุตำแหน่งที่แม่นยำของข้อบกพร่องด้านอิมพีแดนซ์สูงได้ และผลการทดลองแสดงให้เห็นว่ารูปแบบนี้ทนทานต่อสัญญาณรบกวนและการรบกวนอื่นๆ อ้างอิง [9] เสนอวิธีการวินิจฉัยข้อบกพร่องอันชาญฉลาดสำหรับแบตเตอรี่ลิเธียมไอออนโดยใช้เครื่องเวกเตอร์ที่รองรับ ซึ่งใช้การกรองโคไซน์แบบแยกเพื่อกำจัดสัญญาณรบกวน