ELEMEN FILTER BAHAN BAKAR DIESEL

Dengan tren peralatan mekanis menuju skala besar, cerdas, dan presisi tinggi, penggunaan bagian yang berputar, seperti bantalan rol, telah ditingkatkan secara signifikan untuk mencapai transmisi daya, fiksasi posisi, dan tujuan lainnya.Ketika rusak atau gagal, keselamatan pengoperasian peralatan mekanis dan manfaat produksi akan terpengaruh.Namun, karena posisi pemasangan khusus dari bagian yang berputar ini, lebih sulit untuk meneliti dan menilai status kesehatan peralatan, dan metode sebelumnya yang mengandalkan manusia atau pengalaman tidak dapat lagi berfungsi.Oleh karena itu, mengembangkan metode deteksi dan diagnosis cerdas untuk mengimplementasikan pemantauan kesehatan peralatan telah menjadi topik penelitian yang hangat.

Dengan pesatnya perkembangan kecerdasan buatan, semakin banyak metode pembelajaran mesin membuat diagnosis cerdas peralatan mekanis menjadi kenyataan dan kemakmuran, seperti pembelajaran penguatan (RL) [1], [2], jaringan permusuhan generatif (GAN) [3], autoencoder (AE) [4] dan support vector machine (SVM) [5], [6], [47].Diantaranya, SVM adalah algoritma klasifikasi berdasarkan pembelajaran statistik, yang tidak mudah jatuh ke minima lokal dan memisahkan data pelatihan melalui hyperplane optimal sementara data pelatihan dapat dipetakan ke fitur dimensi tinggi melalui metode pemetaan nonlinier, seperti fungsi polinomial dan fungsi basis radial.Selain itu, SVM dapat memberikan hyperplane keputusan yang akurat dengan sampel yang terbatas, dan memiliki kemampuan generalisasi yang baik.Mengingat kinerjanya yang sangat baik, SVM telah banyak digunakan di berbagai bidang.Wang dkk.mengusulkan metode diagnosis kesalahan cerdas berdasarkan kombinasi entropi permutasi tertimbang multi-skala komposit umum (GCMWPE) dan SVM [7], yang dapat mengekstraksi fitur bantalan dari berbagai skala untuk membangun koleksi fitur dimensi tinggi.Bayati dkk.mengusulkan metode lokasi kesalahan untuk microgrid DC berdasarkan SVM [8].Dengan menggunakan nilai terukur lokal di salah satu ujung setiap saluran, lokasi kesalahan impedansi tinggi yang akurat dapat ditemukan, dan hasil eksperimen menunjukkan bahwa skema tersebut kuat terhadap kebisingan dan gangguan lainnya.referensi[9] mengusulkan metode diagnosis kesalahan cerdas untuk baterai lithium-ion berdasarkan mesin vektor dukungan, yang menggunakan penyaringan kosinus diskrit untuk menghilangkan kebisingan.