S trendem mechanických zařízení směrem k velkorozměrovým, inteligentním a vysoce přesným se výrazně zlepšilo použití rotačních částí, jako jsou válečková ložiska, pro dosažení přenosu síly, fixace polohy a další účely.Když se poškodí nebo selžou, bude ovlivněna bezpečnost provozu mechanického zařízení a přínos výroby.Vzhledem ke speciální montážní poloze těchto rotujících částí je však obtížnější zkoumat a posuzovat zdravotní stav zařízení a předchozí metody spoléhající na lidi nebo zkušenosti již nemohou fungovat.Proto se vývoj inteligentní detekční a diagnostické metody pro implementaci monitorování stavu zařízení stal horkým výzkumným tématem.
S rychlým rozvojem umělé inteligence se stále více a více metod strojového učení stává skutečností a prosperitou pro inteligentní diagnostiku mechanických zařízení, jako je zesílení učení (RL) [1], [2], generativní adversariální sítě (GAN) [3], autoencoder (AE) [4] a podpůrný vektorový stroj (SVM) [5], [6], [47].Mezi nimi je SVM klasifikační algoritmus založený na statistickém učení, který není snadné spadnout do lokálních minim a odděluje trénovací data pomocí optimální nadroviny, zatímco trénovací data lze mapovat na vysokorozměrné prvky pomocí nelineárních mapovacích metod, jako jsou polynomiální funkce a radiální bázové funkce.Kromě toho může SVM poskytnout přesnou rozhodovací nadrovinu při omezených vzorcích a má dobrou schopnost generalizace.Vzhledem ke svému vynikajícímu výkonu se SVM široce používá v mnoha oblastech.Wang a kol.navrhl inteligentní metodu diagnostiky poruch založenou na kombinaci zobecněné kompozitní multi-škálové vážené permutační entropie (GCMWPE) a SVM [7], která dokáže extrahovat ložiskové prvky z více měřítek a vytvořit tak vysoce dimenzionální kolekci prvků.Bayati a kol.navrhl metodu lokalizace poruchy pro DC mikrosíť založenou na SVM [8].Použitím místní naměřené hodnoty na jednom konci každého vedení lze lokalizovat přesné místo vysokoimpedanční poruchy a experimentální výsledky ukazují, že schéma je odolné vůči šumu a dalším rušením.Ref.[9] navrhli inteligentní metodu diagnostiky poruch pro lithium-iontovou baterii založenou na podpůrném vektorovém stroji, který využívá diskrétní kosinusové filtrování k eliminaci šumu.
ZAŘÍZENÍ | LET | TYP ZAŘÍZENÍ | MOŽNOSTI VYBAVENÍ | MOTOROVÝ FILTR | MOŽNOSTI MOTORU |
Číslo položky produktu | BZL--ZX | |
Velikost vnitřní krabice | CM | |
Vnější velikost krabice | CM | |
GW | KG | |
CTN (množství) | PCS |