آمار
| تعداد نشریات | 36 |
| تعداد شماره‌ها | 1,192 |
| تعداد مقالات | 8,579 |
| تعداد مشاهده مقاله | 6,988,703 |
| تعداد دریافت فایل اصل مقاله | 4,032,545 |
تشخیص عیوب موتورمبتنی بر آنالیز روغن با استفاده از شبکه عصبی کانولوشن و تصویرسازی | ||
| مکانیک هوافضا | ||
| مقاله 9، دوره 19، شماره 3 - شماره پیاپی 73، آذر 1402، صفحه 123-136 اصل مقاله (776.07 K) | ||
| نوع مقاله: گرایش دینامیک، ارتعاشات و کنترل | ||
| نویسندگان | ||
| سعید رمضانی* 1؛ مصطفی یوسفی طزرجان2؛ علی عواطفی همت3 | ||
| 1نویسنده مسئول: استادیار، گروه مهندسی صنایع، دانشگاه جامع امام حسین (ع)، تهران، ایران | ||
| 2استادیار، گروه مهندسی صنایع، دانشگاه جامع علمی کاربردی، کرج، ایران | ||
| 3کارشناسی ارشد، گروه مهندسی صنایع، دانشگاه جامع امام حسین (ع)، تهران، ایران | ||
| تاریخ دریافت: 15 آذر 1401، تاریخ بازنگری: 23 بهمن 1401، تاریخ پذیرش: 25 اسفند 1401 | ||
| چکیده | ||
| پایش وضعیت روغن، روشی مؤثر در تشخیص فرسایش‌های غیرعادی یا عیوب تجهیزات و سامانه‌های مکانیکی است. یکی از مسائل حوزه پایش وضعیت به کمک آنالیز روغن، هزینه و زمان موردنیاز برای بررسی همه نمونه‌ها توسط خبره است؛ اما همه نمونه‌های آنالیز روغن نیاز به بررسی توسط خبره ندارند و کمتر از 10 درصد از این داده‌ها نشان‌دهنده وضعیت بحرانی است که نیاز به برنامه‌ریزی و اقدام سریع دارند. هدف در این مقاله تبدیل وضعیت روغن به یک تصویر است تا بتوان با نگاه به تصویر به‌سرعت وضعیت روغن را تشخیص داد. همچنین با پردازش این تصاویر به کمک نرم‌افزار بتوان وضعیت خرابی را از طریق هوش مصنوعی استخراج کرد. در این پژوهش داده‌ها از آزمایش نمونه روغن‌های موتور غلتک‌های راه‌سازی گرفته‌شده است. ابتدا داده‌ها به کمک خطوط مبنای به‌دست‌آمده برای موتورهای دیزلی و از طریق نرم‌افزار متلب به تصاویر مقیاس خاکستری تبدیل شد. در مرحله بعد این تصاویر به کمک روش شبکه عصبی کانولوشن پردازش‌شده است تا وضعیت روغن مشخص شود. مقایسه نتایج به‌دست‌آمده نشان داد تصویرسازی نتایج آنالیز روغن به درک وضعیت کلی روغن برای کاربر کمک می‌کند و سریع‌تر نمونه‌های بحرانی و نیازمند اقدام از بین انبوه نمونه‌های روغن تشخیص داده می‌شود. | ||
تازه های تحقیق | ||
| ||
| کلیدواژه‌ها | ||
| آنالیز روغن؛ پردازش تصویر؛ شبکه عصبی؛ خطوط مبنا؛ شبکه‌عصبی کانولوشن | ||
| عنوان مقاله [English] | ||
| Diagnosis of Diesel Engine Based on Oil Analysis Using Convolutional Neural Network and Visualization | ||
| نویسندگان [English] | ||
| Saeed Ramezani1؛ Mostafa Yousofi Tezerjan2؛ Ali Avatefi Hemmat3 | ||
| 1Corresponding author: Assistant Professor, Department of Industrial Engineering, Imam Hossein University, Tehran, Iran | ||
| 2Assistant Professor, Department of Industrial Engineering, University of Applied Science & Technology, Karaj, Iran | ||
| 3M.Sc., Department of Industrial Engineering, Imam Hossein University, Tehran, Iran | ||
| چکیده [English] | ||
| Oil condition monitoring is an effective method for detecting abnormal erosions or defects in mechanical equipment and systems. One of the issues in the field of condition monitoring with the help of oil analysis is the cost and time required to inspect all samples by an expert. However, not all oil analysis samples need to be reviewed by an expert, and less than 10% of this data indicates a critical situation that requires rapid planning and action. The goal of this article is to turn the oil status into an image so that you can quickly identify the oil status by looking at the image. Also, by processing these images by software, the state of failure can be extracted through artificial intelligence. In this research, the data are taken from the sample test of motor oils of road construction rollers. First, the data were converted to gray scale images using baseline for diesel engines and through MATLAB software. In the next step, these images are processed using the convolutional neural network method to determine the oil status. Comparison of the obtained results showed that the visualization of the oil analysis results helps to understand the general condition of the oil for the user and the critical samples and the need for action are identified more quickly among the mass of oil samples. | ||
| کلیدواژه‌ها [English] | ||
| Oil analysis, Image processing, Neural network, Convolutional neural network | ||
| مراجع | ||
|
[1] Akl SY, Abd El-Ghafar S, Mosleh H, editors. An Experimental Investigation of Industrial Gearbox Condition Using Wear Particle Analysis Technique. ASME International Mechanical Engineering Congress and Exposition; 2016: American Society of Mechanical Engineers.## [2] Ramezani S, Masoudi A, Memariani A. Application of data mining in determining the baseline lines of engine erosion behavior. Iranian Journal Of Supply Chain Management 2011;13(31).## [3] Alizadeh D, Ahmadi H. Condition Monitoring of Diesel Engine via Oil Analysis Using Fuzzy Logic. Engine Research. 2022;19(19):9-18.## [4] Bekana D, Antoniev A, Zach M, Mareček J. Monitoring of agricultural machines with used engine oil analysis. Acta Universitatis Agriculturae et Silviculturae Mendelianae Brunensis. 2015;63(1):15-22.## [5] Chaharsooghi SK, Nabavi A, Teimourpour B. Prediction model of remaining operating time until critical state based on engine oil analysis records with data mining solution. Logistics Thought. 2020;18(70):77-96.## [6] Dowling NE. Mechanical Behavior of Materials eBook: International Edition: Pearson Higher Ed; 2013.## [7] Haghparast A, Momeni A, Gord A, Mansoori F. Imaged financial Ratios and Bankruptcy Prediction using Convolutional Neural Networks. Financial Engineering and Portfolio Management. 2021;12(46):558-75.## [8] Hirri A, Tagourmate S, Benamar A, Kzaiber F, Oussama A. Prediction of kinematic viscosity in motor oil using ftir coupled with partial least squares regression. Int J Chem Mater Environ Res. 2017;4(1):102-7.## [9] Isa MC, Yusoff N, Nain H, Yati MSD, Muhammad M, Nor IM. Ferrographic analysis of wear particles of various machinery systems of a commercial marine ship. Procedia Engineering. 2013;68:345-51.## [10] Król A, Gocman K, Giemza B. Neural networks as a tool to characterise oil state after porous bearings prolonged tests. Materials Science. 2015;21(3):466-72.## [11] Kumar A, Ghosh SK. Oil condition monitoring for HEMM–a case study. Industrial Lubrication and Tribology. 2016.## [12] Li L, Chang W, Zhou S, Xiao Y, editors. An identification and prediction model of wear-out fault based on oil monitoring data using PSO-SVM method. 2017 Annual Reliability and Maintainability Symposium (RAMS); 2017: IEEE.## [13] Raposo H, Farinha JT, Fonseca I, Galar D. Predicting condition based on oil analysis–A case study. Tribology International. 2019;135:65-74.## [14] Rauscher MS, Tremmel AJ, Schardt M, Koch AW. Non-dispersive infrared sensor for online condition monitoring of gearbox oil. Sensors. 2017;17(2):399.## [15] RodRigues J, Costa I, Farinha JT, Mendes M, Margalho L. Predicting motor oil condition using artificial neural networks and principal component analysis. Eksploatacja i Niezawodność. 2020;22(3).## [16] Sejkorová M, Glos J. Analysis of degradation of motor oils used in Zetor tractors. Acta Universitatis Agriculturae et Silviculturae Mendelianae Brunensis, volume 65, issue: 1. 2017.## [17] Sidorov O. Artificial color constancy via GoogleNet with angular loss function. Applied Artificial Intelligence. 2020;34(9):643-55.## [18] Yu S, Zhao D, Chen W, Hou H. Oil-immersed power transformer internal fault diagnosis research based on probabilistic neural network. Procedia Computer Science. 2016;83:1327-31.## [19] Castresana J, Gabiña G, Martin L, Basterretxea A, Uriondo Z. Marine diesel engine ANN modelling with multiple output for complete engine performance map. Fuel. 2022;319:123873.## [20] Karatuğ Ç, Arslanoğlu Y. Development of condition-based maintenance strategy for fault diagnosis for ship engine systems. Ocean Engineering. 2022;256:111515.## [21] Chaki S, Biswas TK. An ANN-entropy-FA model for prediction and optimization of biodiesel-based engine performance. Applied Soft Computing. 2023;133:109929.## [22] Wang J, Li T, Sun C, Yan R, Chen X. Improved spiking neural network for intershaft bearing fault diagnosis. Journal of Manufacturing Systems. 2022;65:208-19.## [23] Kang H, Ma H. Fault detection and isolation of actuator failures in jet engines using adaptive dynamic programming. Applied Mathematics and Computation. 2022;414:126664.## [24] Calvo-Bascones P, Sanz-Bobi MA. Advanced Prognosis methodology based on behavioral indicators and Chained Sequential Memory Neural Networks with a diesel engine application. Computers in Industry. 2023;144:103771.## | ||
|
آمار تعداد مشاهده مقاله: 104 تعداد دریافت فایل اصل مقاله: 171 |
||