DIESEL FUEL FILTER ELEMENT

Sa trend ng mekanikal na kagamitan patungo sa malakihan, matalino at mataas na katumpakan, ang paggamit ng mga umiikot na bahagi, tulad ng roller bearing, ay makabuluhang napabuti upang makamit ang paghahatid ng kuryente, pag-aayos ng posisyon at iba pang mga layunin. Kapag nasira o nabigo ang mga ito, maaapektuhan ang kaligtasan sa pagpapatakbo ng mekanikal na kagamitan at benepisyo sa produksyon. Gayunpaman, dahil sa espesyal na posisyon ng pag-install ng mga umiikot na bahagi na ito, mas mahirap ang pagsasaliksik at paghusga sa kalagayan ng kalusugan ng kagamitan, at ang mga nakaraang pamamaraan na umaasa sa mga tao o karanasan ay hindi na gagana. Samakatuwid, ang pagbuo ng matalinong pagtuklas at pamamaraan ng pagsusuri upang ipatupad ang pagsubaybay sa kalusugan ng kagamitan ay naging isang mainit na paksa ng pananaliksik.

Sa mabilis na pag-unlad ng artificial intelligent, parami nang parami ang mga pamamaraan sa pag-aaral ng makina na natutupad at umuunlad ang intelihente na diagnosis ng mekanikal na kagamitan, tulad ng reinforcement learning (RL) [1], [2], generative adversarial networks (GAN) [3], autoencoder (AE) [4] at support vector machine (SVM) [5], [6], [47]. Kabilang sa mga ito, ang SVM ay isang algorithm ng pag-uuri batay sa pag-aaral ng istatistika, na hindi madaling mahulog sa lokal na minimum at pinaghihiwalay ang data ng pagsasanay sa pamamagitan ng pinakamainam na hyperplane habang ang data ng pagsasanay ay maaaring imapa sa mga high-dimensional na tampok sa pamamagitan ng mga nonlinear na pamamaraan ng pagmamapa, tulad ng mga polynomial function at mga function ng radial na batayan. Bilang karagdagan, ang SVM ay maaaring magbigay ng tumpak na desisyon hyperplane sa ilalim ng limitadong mga sample, at may mahusay na kakayahan sa pangkalahatan. Dahil sa mahusay na pagganap nito, malawakang ginagamit ang SVM sa maraming larangan. Wang et al. nagmungkahi ng isang intelligent na pamamaraan ng diagnosis ng fault batay sa kumbinasyon ng generalized composite multi-scale weighted permutation entropy (GCMWPE) at SVM [7], na maaaring mag-extract ng mga tampok na tindig mula sa maraming mga kaliskis upang makabuo ng high-dimensional na koleksyon ng tampok. Bayati et al. nagmungkahi ng paraan ng lokasyon ng fault para sa DC microgrid batay sa SVM [8]. Sa pamamagitan ng paggamit ng lokal na sinusukat na halaga sa isang dulo ng bawat linya, ang tumpak na lokasyon ng mataas na impedance fault ay makikita, at ang mga resulta ng eksperimental ay nagpapakita na ang scheme ay matatag sa ingay at iba pang mga kaguluhan. Ref. [9] nagmungkahi ng isang matalinong paraan ng pag-diagnose ng fault para sa lithium-ion na baterya batay sa support vector machine, na gumagamit ng discrete cosine filtering upang maalis ang ingay.