WKŁAD FILTRA PALIWA DIESLA

Wraz z trendem urządzeń mechanicznych w kierunku wielkoskalowych, inteligentnych i precyzyjnych, znacznie ulepszono wykorzystanie części obrotowych, takich jak łożyska wałeczkowe, w celu uzyskania przenoszenia mocy, ustalania pozycji i innych celów.Ich uszkodzenie lub awaria wpłynie na bezpieczeństwo pracy urządzeń mechanicznych i korzyści produkcyjne.Jednak ze względu na specjalne położenie montażowe tych obracających się części, badanie i ocena stanu technicznego sprzętu jest trudniejsze, a poprzednie metody oparte na ludziach lub doświadczeniu nie mogą już działać.Dlatego opracowanie inteligentnej metody wykrywania i diagnozowania w celu wdrożenia monitorowania stanu sprzętu stało się gorącym tematem badawczym.

Wraz z szybkim rozwojem sztucznej inteligencji coraz więcej metod uczenia maszynowego sprawia, że ​​inteligentna diagnostyka urządzeń mechanicznych staje się rzeczywistością i prosperuje, takich jak uczenie wzmacniające (RL) [1], [2], generatywne sieci przeciwstawne (GAN) [3], autoencoder (AE) [4] oraz maszynę wektorów nośnych (SVM) [5], [6], [47].Wśród nich SVM jest algorytmem klasyfikacji opartym na statystycznym uczeniu się, który nie jest łatwy do wpadnięcia w lokalne minima i oddziela dane treningowe za pomocą optymalnej hiperpłaszczyzny, podczas gdy dane treningowe można odwzorować na cechy wielowymiarowe za pomocą nieliniowych metod mapowania, takich jak funkcje wielomianowe i radialne funkcje bazowe.Ponadto SVM może zapewnić dokładną hiperpłaszczyznę decyzyjną w przypadku ograniczonych próbek i ma dobrą zdolność uogólniania.Ze względu na swoje doskonałe działanie, SVM jest szeroko stosowany w wielu dziedzinach.Wang i in.zaproponowali inteligentną metodę diagnozowania uszkodzeń opartą na połączeniu uogólnionej kompozytowej wieloskalowej entropii ważonej permutacji (GCMWPE) i SVM [7], która może wyodrębnić cechy łożyska z wielu skal w celu skonstruowania wielowymiarowego zbioru cech.Bayati i in.zaproponowali metodę lokalizacji zwarcia dla mikrosieci prądu stałego w oparciu o SVM [8].Wykorzystując lokalną wartość zmierzoną na jednym końcu każdej linii, można dokładnie zlokalizować zwarcie o wysokiej impedancji, a wyniki eksperymentalne pokazują, że schemat jest odporny na szumy i inne zakłócenia.Ref.[9] zaproponowali inteligentną metodę diagnostyki uszkodzeń akumulatorów litowo-jonowych opartą na maszynie wektorów nośnych, która wykorzystuje dyskretne filtrowanie kosinusowe w celu wyeliminowania szumów.