ÉLÉMENT DE FILTRE À CARBURANT DIESEL

Avec la tendance des équipements mécaniques à grande échelle, intelligents et de haute précision, l'utilisation de pièces rotatives, telles que les roulements à rouleaux, a été considérablement améliorée pour assurer la transmission de puissance, la fixation de position et d'autres objectifs.Lorsqu'ils sont endommagés ou défaillants, la sécurité du fonctionnement de l'équipement mécanique et les avantages de la production en seront affectés.Cependant, en raison de la position d'installation spéciale de ces pièces rotatives, il est plus difficile de rechercher et de juger de l'état de santé de l'équipement, et les méthodes précédentes reposant sur l'homme ou l'expérience ne peuvent plus fonctionner.Par conséquent, le développement d'une méthode de détection et de diagnostic intelligente pour mettre en œuvre la surveillance de la santé des équipements est devenu un sujet de recherche brûlant.

Avec le développement rapide de l'intelligence artificielle, de plus en plus de méthodes d'apprentissage automatique permettent au diagnostic intelligent des équipements mécaniques de se réaliser et de prospérer, comme l'apprentissage par renforcement (RL) [1], [2], les réseaux antagonistes génératifs (GAN) [3], l'auto-encodeur (AE) [4] et machine à vecteurs de support (SVM) [5], [6], [47].Parmi eux, SVM est un algorithme de classification basé sur l'apprentissage statistique, qui n'est pas facile à tomber dans les minima locaux et sépare les données d'entraînement par un hyperplan optimal tandis que les données d'entraînement peuvent être mappées à des caractéristiques de grande dimension grâce à des méthodes de cartographie non linéaires, telles que les fonctions polynomiales et fonctions à base radiale.De plus, SVM peut fournir un hyperplan de décision précis sous des échantillons limités et a une bonne capacité de généralisation.Compte tenu de ses excellentes performances, SVM a été largement utilisé dans de nombreux domaines.Wang et al.ont proposé une méthode intelligente de diagnostic des défauts basée sur la combinaison de l'entropie de permutation pondérée multi-échelle composite généralisée (GCMWPE) et SVM [7], qui peut extraire des caractéristiques de roulement à partir de plusieurs échelles pour construire une collection de caractéristiques de haute dimension.Bayati et al.ont proposé une méthode de localisation des défauts pour les micro-réseaux DC basée sur SVM [8].En utilisant la valeur mesurée locale à une extrémité de chaque ligne, l'emplacement précis du défaut à haute impédance peut être localisé, et les résultats expérimentaux montrent que le schéma est robuste au bruit et à d'autres perturbations.Réf.[9] ont proposé une méthode intelligente de diagnostic des défauts pour les batteries lithium-ion basée sur la machine à vecteurs de support, qui utilise un filtrage en cosinus discret pour éliminer le bruit.