ELEMENTO DE FILTRO DE COMBUSTIBLE DIESEL

Con la tendencia de los equipos mecánicos a gran escala, inteligentes y de alta precisión, el uso de piezas giratorias, como los rodamientos de rodillos, se ha mejorado significativamente para lograr la transmisión de potencia, la fijación de la posición y otros fines.Cuando se dañan o fallan, la seguridad de la operación del equipo mecánico y el beneficio de producción se verán afectados.Sin embargo, debido a la posición de instalación especial de estas piezas giratorias, es más difícil investigar y juzgar el estado de salud del equipo, y los métodos anteriores que se basaban en humanos o en la experiencia ya no funcionan.Por lo tanto, el desarrollo de un método inteligente de detección y diagnóstico para implementar el monitoreo del estado del equipo se ha convertido en un tema de investigación candente.

Con el rápido desarrollo de la inteligencia artificial, cada vez más métodos de aprendizaje automático hacen que el diagnóstico inteligente de equipos mecánicos se haga realidad y prospere, como el aprendizaje por refuerzo (RL) [1], [2], las redes antagónicas generativas (GAN) [3], el codificador automático (AE) [4] y máquina de vectores de soporte (SVM) [5], [6], [47].Entre ellos, SVM es un algoritmo de clasificación basado en el aprendizaje estadístico, que no es fácil caer en mínimos locales y separa los datos de entrenamiento a través de un hiperplano óptimo, mientras que los datos de entrenamiento se pueden mapear a características de alta dimensión a través de métodos de mapeo no lineales, como funciones polinómicas y funciones de base radial.Además, SVM puede proporcionar un hiperplano de decisión preciso con muestras limitadas y tiene una buena capacidad de generalización.En vista de su excelente rendimiento, SVM se ha utilizado ampliamente en muchos campos.Wang et al.propuso un método inteligente de diagnóstico de fallas basado en la combinación de entropía de permutación ponderada multiescala compuesta generalizada (GCMWPE) y SVM [7], que puede extraer características de rodamientos de múltiples escalas para construir una colección de características de alta dimensión.Bayati et al.propuso un método de localización de fallas para microrredes de CC basado en SVM [8].Al usar el valor medido local en un extremo de cada línea, se puede ubicar la ubicación precisa de la falla de alta impedancia, y los resultados experimentales muestran que el esquema es resistente al ruido y otras perturbaciones.Árbitro.[9] propuso un método inteligente de diagnóstico de fallas para la batería de iones de litio basado en una máquina de vectores de soporte, que utiliza un filtrado de coseno discreto para eliminar el ruido.