ELEMENTO FILTRANTE GASOLIO

Con la tendenza delle apparecchiature meccaniche verso grandi dimensioni, intelligenza e alta precisione, l'uso di parti rotanti, come i cuscinetti a rulli, è stato notevolmente migliorato per ottenere la trasmissione di potenza, il fissaggio della posizione e altri scopi.Quando sono danneggiati o falliscono, la sicurezza operativa dell'attrezzatura meccanica e il vantaggio produttivo ne risentiranno.Tuttavia, a causa della speciale posizione di installazione di queste parti rotanti, è più difficile ricercare e giudicare lo stato di salute dell'apparecchiatura e i metodi precedenti basati sull'uomo o sull'esperienza non possono più funzionare.Pertanto, lo sviluppo di un metodo di rilevamento e diagnosi intelligente per implementare il monitoraggio dello stato delle apparecchiature è diventato un argomento di ricerca caldo.

Con il rapido sviluppo dell'intelligenza artificiale, sempre più metodi di apprendimento automatico fanno sì che la diagnosi intelligente delle apparecchiature meccaniche diventi realtà e prosperi, come l'apprendimento per rinforzo (RL) [1], [2], le reti generative avversarie (GAN) [3], l'autoencoder (AE) [4] e support vector machine (SVM) [5], [6], [47].Tra questi, SVM è un algoritmo di classificazione basato sull'apprendimento statistico, che non è facile cadere nei minimi locali e separa i dati di addestramento attraverso un iperpiano ottimale mentre i dati di addestramento possono essere mappati su caratteristiche ad alta dimensione attraverso metodi di mappatura non lineari, come funzioni polinomiali e funzioni di base radiale.Inoltre, SVM può fornire un iperpiano decisionale accurato con campioni limitati e ha una buona capacità di generalizzazione.In considerazione delle sue eccellenti prestazioni, SVM è stato ampiamente utilizzato in molti campi.Wang et al.ha proposto un metodo di diagnosi dei guasti intelligente basato sulla combinazione di entropia di permutazione pesata multiscala composita generalizzata (GCMWPE) e SVM [7], che può estrarre le caratteristiche del cuscinetto da più scale per costruire una raccolta di caratteristiche ad alta dimensione.Bayatti et al.ha proposto un metodo di localizzazione dei guasti per la microrete DC basato su SVM [8].Utilizzando il valore misurato locale a un'estremità di ciascuna linea, è possibile individuare la posizione precisa del guasto ad alta impedenza ei risultati sperimentali mostrano che lo schema è robusto al rumore e ad altri disturbi.Rif.[9] ha proposto un metodo di diagnosi dei guasti intelligente per la batteria agli ioni di litio basato sulla macchina vettoriale di supporto, che utilizza il filtraggio del coseno discreto per eliminare il rumore.