تشخیص عیوب موتورمبتنی بر آنالیز روغن با استفاده از شبکه عصبی کانولوشن و تصویرسازی

سال انتشار: 1402
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 74

فایل این مقاله در 14 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_MEASEJT-19-3_009

تاریخ نمایه سازی: 19 شهریور 1402

چکیده مقاله:

پایش وضعیت روغن، روشی موثر در تشخیص فرسایش های غیرعادی یا عیوب تجهیزات و سامانه های مکانیکی است. یکی از مسائل حوزه پایش وضعیت به کمک آنالیز روغن، هزینه و زمان موردنیاز برای بررسی همه نمونه ها توسط خبره است؛ اما همه نمونه های آنالیز روغن نیاز به بررسی توسط خبره ندارند و کمتر از ۱۰ درصد از این داده ها نشان دهنده وضعیت بحرانی است که نیاز به برنامه ریزی و اقدام سریع دارند. هدف در این مقاله تبدیل وضعیت روغن به یک تصویر است تا بتوان با نگاه به تصویر به سرعت وضعیت روغن را تشخیص داد. همچنین با پردازش این تصاویر به کمک نرم افزار بتوان وضعیت خرابی را از طریق هوش مصنوعی استخراج کرد. در این پژوهش داده ها از آزمایش نمونه روغن های موتور غلتک های راه سازی گرفته شده است. ابتدا داده ها به کمک خطوط مبنای به دست آمده برای موتورهای دیزلی و از طریق نرم افزار متلب به تصاویر مقیاس خاکستری تبدیل شد. در مرحله بعد این تصاویر به کمک روش شبکه عصبی کانولوشن پردازش شده است تا وضعیت روغن مشخص شود. مقایسه نتایج به دست آمده نشان داد تصویرسازی نتایج آنالیز روغن به درک وضعیت کلی روغن برای کاربر کمک می کند و سریع تر نمونه های بحرانی و نیازمند اقدام از بین انبوه نمونه های روغن تشخیص داده می شود.

نویسندگان

سعید رمضانی

نویسنده مسئول: استادیار، گروه مهندسی صنایع، دانشگاه جامع امام حسین (ع)، تهران، ایران

مصطفی یوسفی طزرجان

استادیار، گروه مهندسی صنایع، دانشگاه جامع علمی کاربردی، کرج، ایران

علی عواطفی همت

کارشناسی ارشد، گروه مهندسی صنایع، دانشگاه جامع امام حسین (ع)، تهران، ایران

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • Akl SY, Abd El-Ghafar S, Mosleh H, editors. An Experimental ...
  • Ramezani S, Masoudi A, Memariani A. Application of data mining ...
  • Alizadeh D, Ahmadi H. Condition Monitoring of Diesel Engine via ...
  • Bekana D, Antoniev A, Zach M, Mareček J. Monitoring of ...
  • Chaharsooghi SK, Nabavi A, Teimourpour B. Prediction model of remaining ...
  • Dowling NE. Mechanical Behavior of Materials eBook: International Edition: Pearson ...
  • Haghparast A, Momeni A, Gord A, Mansoori F. Imaged financial ...
  • Hirri A, Tagourmate S, Benamar A, Kzaiber F, Oussama A. ...
  • Isa MC, Yusoff N, Nain H, Yati MSD, Muhammad M, ...
  • Król A, Gocman K, Giemza B. Neural networks as a ...
  • Kumar A, Ghosh SK. Oil condition monitoring for HEMM–a case ...
  • Li L, Chang W, Zhou S, Xiao Y, editors. An ...
  • Raposo H, Farinha JT, Fonseca I, Galar D. Predicting condition ...
  • Rauscher MS, Tremmel AJ, Schardt M, Koch AW. Non-dispersive infrared ...
  • RodRigues J, Costa I, Farinha JT, Mendes M, Margalho L. ...
  • Sejkorová M, Glos J. Analysis of degradation of motor oils ...
  • Sidorov O. Artificial color constancy via GoogleNet with angular loss ...
  • Yu S, Zhao D, Chen W, Hou H. Oil-immersed power ...
  • Castresana J, Gabiña G, Martin L, Basterretxea A, Uriondo Z. ...
  • Karatuğ Ç, Arslanoğlu Y. Development of condition-based maintenance strategy for ...
  • Chaki S, Biswas TK. An ANN-entropy-FA model for prediction and ...
  • Wang J, Li T, Sun C, Yan R, Chen X. ...
  • Kang H, Ma H. Fault detection and isolation of actuator ...
  • Calvo-Bascones P, Sanz-Bobi MA. Advanced Prognosis methodology based on behavioral ...
  • نمایش کامل مراجع