ဒီဇယ်ဆီ Filter Element

အကြီးစား၊ ဉာဏ်ရည်ထက်မြက်ပြီး တိကျမှုမြင့်မားသော စက်ယန္တရားများ ခေတ်ရေစီးကြောင်းနှင့်အတူ၊ roller bearing ကဲ့သို့သော rotating အစိတ်အပိုင်းများကို အသုံးပြုခြင်းသည် ပါဝါပို့လွှတ်ခြင်း၊ အနေအထားပြင်ဆင်ခြင်းနှင့် အခြားရည်ရွယ်ချက်များရရှိရန် သိသိသာသာ တိုးတက်ကောင်းမွန်လာပါသည်။ပျက်စီးခြင်း သို့မဟုတ် ပျက်ကွက်သည့်အခါ စက်ပစ္စည်းများ လည်ပတ်မှု ဘေးကင်းရေးနှင့် ထုတ်လုပ်မှု အကျိုးကျေးဇူးအပေါ် သက်ရောက်မှုရှိလိမ့်မည်။သို့သော်၊ ဤလည်ပတ်နေသောအစိတ်အပိုင်းများ၏ အထူးတပ်ဆင်အနေအထားကြောင့်၊ စက်ကိရိယာများ၏ ကျန်းမာရေးအခြေအနေကို သုတေသနပြု၍ အကဲဖြတ်ရန် ပို၍ခက်ခဲပြီး လူသား သို့မဟုတ် အတွေ့အကြုံကို မှီခိုနေရသည့် ယခင်နည်းလမ်းများသည် အလုပ်မဖြစ်တော့ပါ။ထို့ကြောင့်၊ စက်ကိရိယာများ၏ ကျန်းမာရေးစောင့်ကြပ်ကြည့်ရှုခြင်းကို အကောင်အထည်ဖော်ရန် ဉာဏ်ရည်ထက်မြက်သော ထောက်လှမ်းမှုနှင့် ရောဂါရှာဖွေရေးနည်းလမ်းကို တီထွင်ထုတ်လုပ်လိုက်ခြင်းသည် သုတေသနပြုရမည့် အကြောင်းအရာတစ်ခု ဖြစ်လာခဲ့သည်။

ဉာဏ်ရည်တုတု၏ လျင်မြန်စွာ ဖွံ့ဖြိုးတိုးတက်လာမှုနှင့်အတူ၊ စက်သင်ယူမှုနည်းလမ်းများ ပိုများလာခြင်းကြောင့် စက်ကိရိယာများ ဉာဏ်ရည်ဉာဏ်သွေးဆိုင်ရာ ရောဂါရှာဖွေခြင်းများကို အမှန်တကယ်ဖြစ်လာစေပြီး အားကောင်းလာစေရန် အားဖြည့်သင်ယူခြင်း (RL) [1]၊ [2]၊ မျိုးဆက်ပွားဆန့်ကျင်ဘက်ကွန်ရက်များ (GAN) [3]၊ autoencoder၊ (AE) [4] နှင့် support vector machine (SVM) [5], [6], [47]။၎င်းတို့အနက်၊ SVM သည် စာရင်းအင်းဆိုင်ရာ သင်ယူမှုအပေါ် အခြေခံ၍ အမျိုးအစားခွဲခြင်းဆိုင်ရာ အယ်လဂိုရီသမ်တစ်ခုဖြစ်ပြီး၊ ဒေသန္တရ minima အတွင်းသို့ ကျရောက်ရန်နှင့် လေ့ကျင့်ရေးဒေတာကို အကောင်းဆုံး ဟိုက်ပါလေယာဉ်ဖြင့် ပိုင်းခြားရန်မလွယ်ကူသည့်၊ radial အခြေခံလုပ်ဆောင်ချက်များ။ထို့အပြင်၊ SVM သည် အကန့်အသတ်နမူနာများအောက်တွင် တိကျသောဆုံးဖြတ်ချက် hyperplane ကို ပေးစွမ်းနိုင်ပြီး ကောင်းမွန်သော ယေဘုယျလုပ်ဆောင်နိုင်စွမ်းရှိသည်။၎င်း၏ကောင်းမွန်သောစွမ်းဆောင်ရည်ကြောင့် SVM ကို နယ်ပယ်များစွာတွင် တွင်ကျယ်စွာအသုံးပြုခဲ့သည်။Wang et al ။ယေဘုယျအားဖြင့် ပေါင်းစပ်ဖွဲ့စည်းထားသော အတိုင်းအတာများစွာသော အလေးချိန်ပြောင်းလဲခြင်း အင်ထရိုပီ (GCMWPE) နှင့် SVM [7] ပေါင်းစပ်မှုအပေါ် အခြေခံ၍ အသိဉာဏ်ချို့ယွင်းမှုရောဂါရှာဖွေရေးနည်းလမ်းကို အဆိုပြုခဲ့သည်။Bayati et al ။SVM [8] ကိုအခြေခံ၍ DC microgrid အတွက် မှားယွင်းသောတည်နေရာနည်းလမ်းကို အဆိုပြုခဲ့သည်။စာကြောင်းတစ်ခုစီ၏ အဆုံးတစ်ဖက်ရှိ ဒေသဆိုင်ရာ တိုင်းတာသည့်တန်ဖိုးကို အသုံးပြုခြင်းဖြင့်၊ မြင့်မားသော impedance ပြတ်ရွေ့၏ တိကျသောတည်နေရာကို တွေ့ရှိနိုင်ပြီး စမ်းသပ်မှုရလဒ်များက အဆိုပါ အစီအစဉ်သည် ဆူညံသံနှင့် အခြားအနှောင့်အယှက်များအထိ အားကောင်းကြောင်း ပြသပါသည်။Ref.[9] ဆူညံသံများကိုဖယ်ရှားရန် discrete cosine filtering ကိုအသုံးပြုသည့် support vector machine ကိုအခြေခံ၍ lithium-ion ဘက်ထရီအတွက် အသိဉာဏ်ချို့ယွင်းမှုရောဂါရှာဖွေရေးနည်းလမ်းကို အဆိုပြုခဲ့သည်။