ELEMEN PENAPIS BAHAN BAKAR DIESEL

Dengan trend peralatan mekanikal ke arah berskala besar, pintar dan berketepatan tinggi, penggunaan bahagian berputar, seperti galas roller, telah dipertingkatkan dengan ketara untuk mencapai penghantaran kuasa, penetapan kedudukan dan tujuan lain.Apabila ia rosak atau gagal, keselamatan operasi peralatan mekanikal dan faedah pengeluaran akan terjejas.Walau bagaimanapun, disebabkan kedudukan pemasangan khas bahagian berputar ini, adalah lebih sukar untuk menyelidik dan menilai status kesihatan peralatan, dan kaedah sebelumnya yang bergantung pada manusia atau pengalaman tidak lagi dapat berfungsi.Oleh itu, membangunkan kaedah pengesanan dan diagnosis pintar untuk melaksanakan pemantauan kesihatan peralatan telah menjadi topik penyelidikan yang hangat.

Dengan perkembangan pesat kecerdasan buatan, semakin banyak kaedah pembelajaran mesin menjadikan diagnosis pintar peralatan mekanikal menjadi kenyataan dan berjaya, seperti pembelajaran tetulang (RL) [1], [2], rangkaian musuh generatif (GAN) [3], autoencoder (AE) [4] dan mesin vektor sokongan (SVM) [5], [6], [47].Antaranya, SVM ialah algoritma klasifikasi berdasarkan pembelajaran statistik, yang tidak mudah jatuh ke dalam minima tempatan dan memisahkan data latihan melalui hyperplane optimum manakala data latihan boleh dipetakan kepada ciri-ciri dimensi tinggi melalui kaedah pemetaan bukan linear, seperti fungsi polinomial dan fungsi asas jejari.Di samping itu, SVM boleh menyediakan hyperplane keputusan yang tepat di bawah sampel terhad, dan mempunyai keupayaan generalisasi yang baik.Memandangkan prestasi cemerlangnya, SVM telah digunakan secara meluas dalam banyak bidang.Wang et al.mencadangkan kaedah diagnosis kesalahan pintar berdasarkan gabungan entropi pilih atur berwajaran komposit umum (GCMWPE) dan SVM [7], yang boleh mengekstrak ciri galas daripada berbilang skala untuk membina koleksi ciri berdimensi tinggi.Bayati et al.mencadangkan kaedah lokasi kerosakan untuk microgrid DC berdasarkan SVM [8].Dengan menggunakan nilai terukur tempatan pada satu hujung setiap baris, lokasi yang tepat bagi kerosakan impedans tinggi boleh dikesan, dan keputusan eksperimen menunjukkan bahawa skema itu teguh kepada hingar dan gangguan lain.Ruj.[9] mencadangkan kaedah diagnosis kerosakan pintar untuk bateri litium-ion berdasarkan mesin vektor sokongan, yang menggunakan penapisan kosinus diskret untuk menghapuskan hingar.