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

پایش وضعیت روغن، روشی موثر در تشخیص فرسایش‌ های 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.

diagnosis of diesel engine based on oil analysis using convolutional neural network and visualization

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.