ФІЛЬТРУЮЧИЙ ЕЛЕМЕНТ ДИЗЕЛЬНОГО ПАЛИВА

З тенденцією механічного обладнання до великомасштабного, інтелектуального та високоточного, використання обертових частин, таких як роликові підшипники, було значно покращено для досягнення передачі енергії, фіксації положення та інших цілей. Коли вони пошкоджені або виходять з ладу, це вплине на безпеку роботи механічного обладнання та переваги виробництва. Однак через особливе положення встановлення цих обертових частин важче досліджувати та судити про стан здоров’я обладнання, а попередні методи, які покладаються на людей або досвід, більше не можуть працювати. Тому розробка інтелектуального методу виявлення та діагностики для впровадження моніторингу стану обладнання стала гарячою темою дослідження.

Зі швидким розвитком штучного інтелекту все більше і більше методів машинного навчання роблять інтелектуальну діагностику механічного обладнання реальністю та процвітають, наприклад навчання з підкріпленням (RL) [1], [2], генеративні змагальні мережі (GAN) [3], автокодер (AE) [4] та опорних векторних машин (SVM) [5], [6], [47]. Серед них SVM — це алгоритм класифікації, заснований на статистичному навчанні, який нелегко впасти в локальні мінімуми та розділяє тренувальні дані через оптимальну гіперплощину, тоді як тренувальні дані можна відобразити на високовимірні функції за допомогою нелінійних методів відображення, таких як поліноміальні функції та радіальні базисні функції. Крім того, SVM може забезпечити точну гіперплощину прийняття рішень за обмежених вибірок і має хорошу здатність до узагальнення. Завдяки чудовій продуктивності SVM широко використовується в багатьох сферах. Wang та ін. запропонував інтелектуальний метод діагностики несправностей, заснований на поєднанні узагальненої композитної багатомасштабної зваженої перестановочної ентропії (GCMWPE) і SVM [7], який може витягувати ознаки опори з кількох масштабів для побудови високовимірної колекції ознак. Баяті та ін. запропонував метод локалізації пошкоджень мікромережі постійного струму на основі SVM [8]. За допомогою локального виміряного значення на одному кінці кожної лінії можна визначити точне місце пошкодження з високим опором, а результати експерименту показують, що схема стійка до шуму та інших перешкод. посилання [9] запропонували інтелектуальний метод діагностики несправностей для літій-іонної батареї на основі машини опорних векторів, яка використовує дискретну косинусну фільтрацію для усунення шуму.