ДИЗЕЛЬНЫЙ ТОПЛИВНЫЙ ФИЛЬТР ЭЛЕМЕНТ

С тенденцией механического оборудования к крупномасштабному, интеллектуальному и высокоточному использованию вращающихся частей, таких как роликовый подшипник, было значительно улучшено для обеспечения передачи мощности, фиксации положения и других целей.Когда они повреждены или выходят из строя, это влияет на безопасность работы механического оборудования и производительность.Однако из-за особого положения установки этих вращающихся частей труднее исследовать и судить о состоянии оборудования, и предыдущие методы, основанные на людях или опыте, больше не могут работать.Поэтому разработка интеллектуальных методов обнаружения и диагностики для осуществления мониторинга состояния оборудования стала горячей темой исследований.

С быстрым развитием искусственного интеллекта все больше и больше методов машинного обучения делают интеллектуальную диагностику механического оборудования реальностью и процветают, например, обучение с подкреплением (RL) [1], [2], генеративно-состязательные сети (GAN) [3], автоэнкодер (AE) [4] и метод опорных векторов (SVM) [5], [6], [47].Среди них SVM — это алгоритм классификации, основанный на статистическом обучении, которому нелегко попасть в локальные минимумы и который разделяет обучающие данные через оптимальную гиперплоскость, в то время как обучающие данные могут быть сопоставлены с многомерными функциями с помощью методов нелинейного отображения, таких как полиномиальные функции и радиальные базисные функции.Кроме того, SVM может обеспечить точную гиперплоскость решения при ограниченных выборках и обладает хорошей способностью к обобщению.Ввиду отличной производительности SVM широко используется во многих областях.Ван и др.предложил интеллектуальный метод диагностики неисправностей, основанный на сочетании обобщенной составной многомасштабной взвешенной энтропии перестановок (GCMWPE) и SVM [7], который может извлекать характеристики подшипников из нескольких шкал для создания многомерной коллекции признаков.Баяти и др.предложил метод определения места повреждения для микросети постоянного тока на основе SVM [8].Используя локальное измеренное значение на одном конце каждой линии, можно точно определить местонахождение неисправности с высоким импедансом, а экспериментальные результаты показывают, что схема устойчива к шуму и другим помехам.Ссылка[9] предложили интеллектуальный метод диагностики неисправности литий-ионной батареи, основанный на методе опорных векторов, который использует дискретную косинусную фильтрацию для устранения шума.