تخمین عمر مفید باقیمانده‌ روغن موتور دیزل با استفاده از روش روندنمایی فرآیند گوسی

این پژوهش در راستای پیش‌بینی عمر مفید باقیمانده‌ روغن موتورهای دیزل با استفاده از رویکرد هوش مصنوعی مبتنی بر روندنمایی فرآیند گوسی انجام شده است. برای آموزش سامانه گوسی، بیش از 1020 نمونه تحلیل و استفاده شده است. داده‌ها به دو بخش آموزش و صحت‌سنجی تقسیم شده و نسبت داده‌های صحت‌سنجی بهینه‌سازی شد از 25% تا 5% که منجر به افزایش قابل‌توجه دقت پیش‌بینی از 49% به 66% شد. این سامانه‏ با استفاده از داده‌های کیفی و کمی مرتبط با ویژگی‌های روغن، شامل عناصر فلزی، گرانروی، و سایر شاخص‌ها ایجاد و بهینه‌سازی شده است. تحلیل داده‌ها تایید کرد که توزیع این ویژگی‌ها عمدتاً نرمال است، که صحت استفاده از فرآیند گوسی را تایید می‌کند. برای کاهش پیچیدگی محاسبات و افزایش دقت، از روش‌های آماری مانند آزمون f و mrmr برای انتخاب ویژگی‌های مهم استفاده شده است. با تحلیل نتایج، مشاهده شد که حذف داده‌های پرت و استفاده از ویژگی‌های منتخب به طور قابل‌ملاحظه‌ای دقت سامانه‏ را بهبود بخشید. این سامانه قابلیت ارائه پیش‌بینی‌های قابل‌اعتماد برای عمر مفید روغن را فراهم کرده و امکان بهینه‌سازی مصرف روغن و حفظ سلامت موتورهای دیزل را فراهم می‌آورد. همچنین، این سامانه می‌تواند به‌عنوان پایه‌ای برای توسعه‌ سامانه‏‌های پیشرفته نگهداری و تعمیرات مبتنی بر شرایط کاری موتورهای دیزل استفاده شود.

predicting the remaining useful life of diesel engine oil using gaussian process regression

this study intends to predict the remaining useful life (rul) of diesel engine oil using an artificial intelligence approach based on gaussian process regression. over 1,020 oil samples were analyzed and utilized to train the gaussian system, with data divided into training and validation sets. the validation ratio was adjusted from 25% to 5%, leading to a significant improvement in prediction accuracy from 49% to 66%. the system incorporates qualitative and quantitative oil properties, including metallic elements, viscosity, and other indices. data analysis confirmed that these properties predominantly follow a normal distribution, validating the application of gaussian processes. to reduce computational complexity and enhance precision, statistical methods such as the f-test and mrmr were used to select key features. the results revealed that eliminating outliers and utilizing selected features substantially improved the system’s accuracy. this system provides reliable predictions for oil rul, enabling optimized oil usage and ensuring diesel engine health. furthermore, it can serve as a foundation for developing advanced condition-based maintenance systems for diesel engines.