|
|
تعیین مقدار آب و شاخص tan در روغن هیدرولیک دروگر نیشکر استافت 7000 با فناوری طیفسنجی مرئی
|
|
|
|
|
نویسنده
|
اسدیان شیرین ,بناکار احمد ,جمشیدی بهاره
|
منبع
|
تحقيقات سامانه ها و مكانيزاسيون كشاورزي - 1401 - دوره : 23 - شماره : 84 - صفحه:57 -72
|
چکیده
|
امروزه با توجه به ارزیابیها و بالا بودن هزینههای تعمیر و نگهداری ماشینهای برداشت نیشکر، نظارت بر روغن هیدرولیک دروگر نیشکر با استفاده از روش سریعتر و غیرمخرب برای تعیین آلودگی و همچنین شاخص tan ضرورت دارد. در این پژوهش، توانایی روش طیفسنجی مرئی به منظور سنجش و پیشبینی غیرمخرب مقدار آب و شاخص tan در نمونههای روغن هیدرولیک دروگر نیشکر استافت 7000 در ساعتهای کارکرد متفاوت بررسی شد. برای این منظور، از نمونهها در ناحیۀ طیفی 780-400 نانومتر طیفگیری شد. مدلهای واسنجی چندمتغیره حداقل مربعات جزئی (pls) بر پایۀ اندازهگیریهای مرجع و اطلاعات طیفهای پیشپردازش شده با ترکیب روشهای مختلف پیشپردازش (میانگینگیری متحرک، هموارسازی ساویتزکی گولای، توزیع نرمال استاندارد و مشتق اول) برای سنجش و پیشبینی مقدار آب و شاخص tan روغن هیدرولیک توسعه داده شدند. نتایج بررسیها نشان داد که از روش طیفسنجی مرئی میتوان برای سنجش سریع و غیرمخرب مقدار آب و شاخص tan در ساعتهای مختلف کارکرد روغن هیدرولیک دروگر نیشکر استافت 7000 بهره برد. بهترین نتایج پیشبینی مقدار آب در روغن هیدرولیک با مدل pls بر پایۀ روش پیشپردازش میانگینگیری متحرک (ma) به دست آمد (rcv=0.96، rmsecv= 1.86، rp=0.89 و rmsep=3.18) که دقت عالی (sdr=3.12) داشت. از سوی دیگر، مدل pls بر پایۀ ترکیب پیشپردازشهای میانگینگیری متحرک و توزیع نرمال استاندارد (ma+snv) توانست شاخص tan را با دقت عالی (sdr=3.1) پیشبینی کند (rcv=0.94، rmsecv=0.007، rp=0.89 و rmsep=0.010). بنابراین، کاربرد فناوری طیفسنجی مرئی در کشت و صنعتها به منظور پایش سریع کیفیت روغن هیدرولیک و با هدف کنترل آلودگیها قابل توصیه است.
|
کلیدواژه
|
آلودگی روغن هیدرولیک، رگرسیون حداقل مربعات جزئی، غیرمخرب
|
آدرس
|
دانشگاه تربیت مدرس, دانشکده کشاورزی, گروه مهندسی بیوسیستم, ایران, دانشگاه تربیت مدرس, دانشکده کشاورزی, گروه مهندسی بیوسیستم, ایران, سازمان تحقیقات، آموزش و ترویج کشاورزی, موسسه تحقیقات فنی و مهندسی کشاورزی, ایران
|
پست الکترونیکی
|
b.jamshidi@areeo.ac.ir
|
|
|
|
|
|
|
|
|
determining the amount of water and the tan index of hydraulic oil by visible sproscopy in a austoft 7000 sugarcane harvester
|
|
|
Authors
|
asadian sh. ,banakar a. ,jamshidi b.
|
Abstract
|
nowadays, due to the evaluation and high costs of maintenance and repair of sugarcane harvesting machines, it is necessary to monitor sugarcane harvester hydraulic oil using a faster and non-destructive method to determine contamination and tan index. in this research, the ability of the visible spectroscopy method to non-destructively measure and predict the water content and tan index in harvester austoft 7000 hydraulic oil samples at different operating hours was investigated. for this purpose, spectra were taken from the samples in the spectral region of 400-780 nm. multivariate partial least squares (pls) regression models were developed based on reference measurements and pre-processed spectra information by combining different pre-processing (moving average, savitzky-golay, standard normal variate and first derivative) methods to measure and to predict the water content and tan index of hydraulic oil. the results showed that the visible spectroscopy method could be used for quick and non-destructive measurement of water content and tan index at different operating hours of harvester austoft 7000 hydraulic oil. the best prediction results of water content in hydraulic oil were obtained with pls model based on moving average (ma) preprocessing method (rcv=0.96, rmsecv=1.86, rp=0.89 and rmsep=3.18), which had excellent accuracy (sdr=3.12). on the other hand, the pls model based on the combination of moving average preprocessing and standard normal distribution (ma+snv) was able to predict the tan index with excellent accuracy (sdr=3.1) (rcv=0.94, rmsecv=0.007, rp=0.89 and rmsep= 0.010). therefore, the application of visible spectroscopy technology in agriculture and industries can be recommended for rapid monitoring of hydraulic oil quality and with the aim of controlling pollution.
|
Keywords
|
contamination of hydraulic oil ,non-destructive ,partial least squares regression
|
|
|
|
|
|
|
|
|
|
|