დიზელის საწვავის ფილტრის ელემენტი

მექანიკური აღჭურვილობის ფართომასშტაბიანი, ინტელექტუალური და მაღალი სიზუსტისკენ მიდრეკილებით, მბრუნავი ნაწილების გამოყენება, როგორიცაა როლიკებით საკისარი, მნიშვნელოვნად გაუმჯობესდა ენერგიის გადაცემის, პოზიციის ფიქსაციისა და სხვა მიზნების მისაღწევად.როდესაც ისინი დაზიანებულია ან წარუმატებელია, მექანიკური აღჭურვილობის მუშაობის უსაფრთხოება და წარმოების სარგებელი გავლენას მოახდენს.თუმცა, ამ მბრუნავი ნაწილების სპეციალური სამონტაჟო პოზიციის გამო, უფრო რთულია აღჭურვილობის ჯანმრთელობის მდგომარეობის კვლევა და მსჯელობა, ხოლო წინა მეთოდები, რომლებიც ეყრდნობოდა ადამიანებს ან გამოცდილებას, აღარ შეუძლია მუშაობა.აქედან გამომდინარე, ინტელექტუალური გამოვლენისა და დიაგნოსტიკის მეთოდის შემუშავება აღჭურვილობის ჯანმრთელობის მონიტორინგის განსახორციელებლად გახდა კვლევის ცხელი თემა.

ხელოვნური ინტელექტის სწრაფი განვითარებით, უფრო და უფრო მეტი მანქანათმცოდნეობის მეთოდი ახორციელებს მექანიკურ აღჭურვილობას ინტელექტუალურ დიაგნოზს, როგორიცაა გაძლიერების სწავლა (RL) [1], [2], გენერაციული საპირისპირო ქსელები (GAN) [3], ავტოკოდერი (AE) [4] და დამხმარე ვექტორული მანქანა (SVM) [5], [6], [47].მათ შორის, SVM არის კლასიფიკაციის ალგორითმი, რომელიც დაფუძნებულია სტატისტიკურ სწავლაზე, რომელიც არ არის ადვილი მოხვედრა ადგილობრივ მინიმუმებში და გამოყოფს სასწავლო მონაცემებს ოპტიმალური ჰიპერპლანეტის მეშვეობით, ხოლო ტრენინგის მონაცემები შეიძლება იყოს მაღალგანზომილებიან მახასიათებლებზე არაწრფივი რუკების მეთოდების გამოყენებით, როგორიცაა პოლინომიური ფუნქციები და რადიალური ბაზის ფუნქციები.გარდა ამისა, SVM-ს შეუძლია უზრუნველყოს ზუსტი გადაწყვეტილების ჰიპერპლანი შეზღუდული ნიმუშების ქვეშ და აქვს კარგი განზოგადების უნარი.მისი შესანიშნავი შესრულების თვალსაზრისით, SVM ფართოდ გამოიყენება მრავალ სფეროში.ვანგი და სხვ.შესთავაზა ხარვეზის დიაგნოზის ინტელექტუალური მეთოდი, რომელიც დაფუძნებულია განზოგადებული კომპოზიციური მრავალმასშტაბიანი შეწონილი პერმუტაციის ენტროპიისა (GCMWPE) და SVM [7] კომბინაციით, რომელსაც შეუძლია ამოიღოს ტარების მახასიათებლები მრავალი მასშტაბიდან მაღალი განზომილებიანი მახასიათებლების კოლექციის შესაქმნელად.ბაიათი და სხვ.შესთავაზა ხარვეზის ადგილმდებარეობის მეთოდი DC მიკროქსელისთვის SVM-ზე დაფუძნებული [8].ადგილობრივი გაზომილი მნიშვნელობის გამოყენებით თითოეული ხაზის ერთ ბოლოში, მაღალი წინაღობის ხარვეზის ზუსტი ადგილმდებარეობა შეიძლება განთავსდეს და ექსპერიმენტული შედეგები აჩვენებს, რომ სქემა მდგრადია ხმაურისა და სხვა დარღვევების მიმართ.Ref.[9] შემოგვთავაზა ლითიუმ-იონური ბატარეის ხარვეზის დიაგნოზის ინტელექტუალური მეთოდი, რომელიც დაფუძნებულია დამხმარე ვექტორულ მანქანაზე, რომელიც იყენებს დისკრეტულ კოსინუს ფილტრაციას ხმაურის აღმოსაფხვრელად.