Com a tendência dos equipamentos mecânicos em larga escala, inteligentes e de alta precisão, o uso de peças rotativas, como rolamentos de rolos, foi significativamente aprimorado para alcançar a transmissão de energia, fixação de posição e outros fins.Quando eles são danificados ou falham, a segurança da operação do equipamento mecânico e o benefício da produção serão afetados.No entanto, devido à posição especial de instalação dessas peças rotativas, é mais difícil pesquisar e julgar o estado de saúde do equipamento, e os métodos anteriores baseados em humanos ou experiência não podem mais funcionar.Portanto, o desenvolvimento de métodos inteligentes de detecção e diagnóstico para implementar o monitoramento da integridade do equipamento tornou-se um tópico de pesquisa importante.
Com o rápido desenvolvimento da inteligência artificial, mais e mais métodos de aprendizado de máquina tornam o diagnóstico inteligente de equipamentos mecânicos realidade e prosperam, como aprendizado por reforço (RL) [1], [2], redes adversárias generativas (GAN) [3], autoencoder (AE) [4] e máquina de vetores de suporte (SVM) [5], [6], [47].Entre eles, o SVM é um algoritmo de classificação baseado em aprendizado estatístico, que não é fácil de cair em mínimos locais e separa os dados de treinamento por meio de um hiperplano ótimo, enquanto os dados de treinamento podem ser mapeados para recursos de alta dimensão por meio de métodos de mapeamento não lineares, como funções polinomiais e funções de base radial.Além disso, o SVM pode fornecer um hiperplano de decisão preciso em amostras limitadas e possui boa capacidade de generalização.Devido ao seu excelente desempenho, o SVM tem sido amplamente utilizado em muitos campos.Wang et ai.propuseram um método inteligente de diagnóstico de falhas baseado na combinação de entropia de permutação ponderada multiescala generalizada composta (GCMWPE) e SVM [7], que pode extrair recursos de rolamento de várias escalas para construir uma coleção de recursos de alta dimensão.Bayati et ai.propôs um método de localização de faltas para microrrede DC baseado em SVM [8].Usando o valor medido local em uma extremidade de cada linha, a localização precisa da falha de alta impedância pode ser localizada e os resultados experimentais mostram que o esquema é robusto a ruído e outros distúrbios.Ref.[9] propuseram um método inteligente de diagnóstico de falhas para bateria de íon-lítio baseado em máquina de vetores de suporte, que usa filtragem discreta de cosseno para eliminar o ruído.
EQUIPAMENTO | ANOS | TIPO DE EQUIPAMENTO | OPÇÕES DE EQUIPAMENTOS | FILTRO DO MOTOR | OPÇÕES DO MOTOR |
Número do item do produto | BZL--ZX | |
Tamanho da caixa interna | CM | |
Tamanho da caixa externa | CM | |
GW | KG | |
CTN (QTD) | PCS |