디젤 연료 필터 요소

기계 장비가 대규모, 지능화 및 고정밀화 추세에 따라 롤러 베어링과 같은 회전 부품의 사용이 크게 개선되어 동력 전달, 위치 고정 및 기타 목적을 달성했습니다.손상되거나 실패하면 기계 장비 작동 안전 및 생산 이점에 영향을 미칩니다.그러나 이러한 회전 부품의 특수한 설치 위치로 인해 장비의 건강 상태를 조사하고 판단하기가 더 어렵고 사람이나 경험에 의존하는 이전 방법은 더 이상 작동하지 않습니다.따라서 장비 상태 모니터링을 구현하기 위한 지능형 감지 및 진단 방법을 개발하는 것이 뜨거운 연구 주제가 되었습니다.

인공 지능의 급속한 발전과 함께 강화 학습(RL)[1],[2], 생성적 적대 신경망(GAN)[3], 오토인코더와 같은 점점 더 많은 기계 학습 방법이 기계 장비 지능형 진단을 실현하고 번영하게 합니다. (AE) [4] 및 SVM(Support Vector Machine) [5], [6], [47].그 중 SVM은 통계적 학습에 기반한 분류 알고리즘으로 local minima에 빠지기 쉽지 않고 최적의 초평면을 통해 훈련 데이터를 분리하는 반면, 훈련 데이터는 다항 함수, 방사형 기저 함수.또한 SVM은 제한된 샘플에서 정확한 결정 초평면을 제공할 수 있으며 일반화 능력이 우수합니다.SVM은 뛰어난 성능으로 인해 많은 분야에서 널리 사용되고 있습니다.Wang et al.는 다중 스케일에서 베어링 특징을 추출하여 고차원 특징 수집을 구성할 수 있는 일반화 복합 다중 스케일 가중 순열 엔트로피(GCMWPE)와 SVM[7]의 조합을 기반으로 지능형 결함 진단 방법을 제안했습니다.Bayatiet al.SVM 기반의 DC 마이크로그리드에 대한 결함 위치 확인 방법을 제안했다[8].각 라인의 한쪽 끝에서 로컬 측정 값을 사용하여 높은 임피던스 결함의 정확한 위치를 찾을 수 있으며 실험 결과는 체계가 잡음 및 기타 방해에 강인함을 보여줍니다.참조[9]는 노이즈를 제거하기 위해 이산 코사인 필터링을 사용하는 서포트 벡터 머신 기반의 리튬 이온 배터리에 대한 지능형 결함 진단 방법을 제안했습니다.