عنصر فیلتر سوخت دیزل

با گرایش تجهیزات مکانیکی به سمت مقیاس بزرگ، هوشمند و با دقت بالا، استفاده از قطعات دوار مانند بلبرینگ غلتکی برای دستیابی به انتقال نیرو، تثبیت موقعیت و سایر اهداف به طور قابل توجهی بهبود یافته است.هنگامی که آنها آسیب ببینند یا از کار بیفتند، ایمنی عملیات تجهیزات مکانیکی و مزایای تولید تحت تاثیر قرار می گیرد.با این حال، به دلیل موقعیت نصب ویژه این قطعات دوار، تحقیق و قضاوت در مورد وضعیت سلامت تجهیزات دشوارتر است و روش‌های قبلی با تکیه بر انسان یا تجربه دیگر نمی‌تواند کارساز باشد.بنابراین، توسعه روش تشخیص و تشخیص هوشمند برای اجرای پایش سلامت تجهیزات به یک موضوع تحقیقاتی داغ تبدیل شده است.

با توسعه سریع هوش مصنوعی، روش‌های یادگیری ماشینی بیشتر و بیشتر باعث می‌شود تشخیص هوشمند تجهیزات مکانیکی محقق شود و پیشرفت کند، مانند یادگیری تقویتی (RL) [1]، [2]، شبکه‌های متخاصم مولد (GAN) [3]، رمزگذار خودکار. (AE) [4] و ماشین بردار پشتیبان (SVM) [5]، [6]، [47].در میان آنها، SVM یک الگوریتم طبقه‌بندی مبتنی بر یادگیری آماری است، که به راحتی نمی‌توان آن را در حداقل‌های محلی قرار داد و داده‌های آموزشی را از طریق ابرصفحه بهینه جدا می‌کند در حالی که داده‌های آموزشی را می‌توان از طریق روش‌های نگاشت غیرخطی، مانند توابع چند جمله‌ای، به ویژگی‌های با ابعاد بالا نگاشت کرد. توابع پایه شعاعیعلاوه بر این، SVM می‌تواند فوق‌العاده تصمیم‌گیری دقیق را در نمونه‌های محدود ارائه دهد و توانایی تعمیم خوبی دارد.با توجه به عملکرد عالی، SVM به طور گسترده در بسیاری از زمینه ها استفاده شده است.وانگ و همکارانیک روش تشخیص عیب هوشمند مبتنی بر ترکیب آنتروپی جایگشت وزنی چند مقیاسی مرکب تعمیم یافته (GCMWPE) و SVM [7] پیشنهاد کرد، که می تواند ویژگی های بلبرینگ را از مقیاس های چندگانه برای ساخت مجموعه ویژگی های با ابعاد بالا استخراج کند.بیاتی و همکارانیک روش مکان یابی خطا برای ریزشبکه DC بر اساس SVM [8] پیشنهاد کرد.با استفاده از مقدار اندازه‌گیری شده محلی در یک انتهای هر خط، می‌توان محل دقیق خطای امپدانس بالا را تعیین کرد و نتایج تجربی نشان می‌دهد که این طرح در برابر نویز و سایر اختلالات مقاوم است.مرجع.[9] یک روش تشخیص عیب هوشمند برای باتری لیتیوم یونی بر اساس ماشین بردار پشتیبان پیشنهاد کرد که از فیلتر کسینوس گسسته برای حذف نویز استفاده می کند.