تشخیص و پیش بینی زمان تعویض روغن موتور به کمک داده‌های بویایی، رنگ و ادغام داده‌های رنگ، بو و بریکس

نوع مقاله : مقاله پژوهشی

نویسندگان

1 گروه مهندسی مکانیک بیوسیستم، دانشکده کشاورزی، دانشگاه رازی، کرمانشاه، ایران

2 گروه مهندسی مکانیک بیوسیستم،دانشگاه رازی، کرمانشاه، ایران

3 گروه مهندسی مکانیک بیوسیستم، دانشکده کشاورزی سنقر،دانشگاه رازی، کرمانشاه، ایران

چکیده

روانکاری قطعات به منظور کاهش میزان اصطکاک و سایش از مهمترین وظایف روغن موتورها است. زمانی که از روغن موتورها استفاده می‌شود، رنگ و گرانروی آن در طی کارکرد خودرو دچار تغییر شده و با توجه به افزایش اصطکاک و انرژی لازم جهت پمپاژ روغن، موجب افزایش مصرف سوخت می‌گردد. هدف از این مطالعه بررسی تشخیص عمر روغن موتور از روی مسافت طی شده به کمک داده‌های بویایی،رنگ و داده‌های ادغام شده رنگ، بو و بریکس به دو روش استاندارد و صفر-یک است. در این پژوهش از دستگاه‌های بینی الکترونیک،رفرکتومتر و رنگ‌سنج استفاده شد. از روش تحلیل مؤلفه‌های اصلی ,(PCA) تحلیل تفکیک خطی (LDA) و شبکه عصبی مصنوعی (ANN) برای طبقه‌بندی داده‌ها جهت تشخیص مسافت طی شده به کیلومتر و از روش حداقل مربعات جزئی (PLS) و رگرسیون مؤلفه اصلی (PCR) در پیش‌بینی پارامترهای بریکس و تغییر رنگ روغن موتور استفاده گردید. در نتایج روش تحلیل مؤلفه‌های اصلی تشخیص عمر روغن موتور بر اساس رنگ بهتر انجام شد و تمام نمونه روغن‌ها براساس مسافت طی شده به خوبی از هم تفکیک شدند. همچنین روش LDA برای تشخیص عمر روغن موتور با کیلومترهای طی شده متفاوت برای داده‌های رنگ با دقت 36/96% طبقه‌های مختلف را تفکیک کرد. بر اساس ماتریس اغتشاش حاصل از شبکه عصبی مصنوعی برای داده‌های رنگ نیز دقت طبقه‌بندی روغن‌ها با مسافت طی شده متفاوت 6/93% به دست آمد. روش LDAنسبت به روشهای PCA و ANN در تشخیص مسافت طی شده دقت طبقهبندی بهتری را نشان داد. نتایج نشان داد که دو روش PLS و PCR نیز عملکرد مناسبی در پیش‌بینی عوامل بریکس و تغییر رنگ روغن موتور داشتند، اما عملکرد مناسبی در پیش‌بینی مسافت طی شده نداشتند. استفاده از مدل‌های PCR و PLS برای تشخیص بریکس و تغییر رنگ مناسب‌ترند.

کلیدواژه‌ها

موضوعات

عنوان مقاله [English]

Diagnosis and prediction of engine oil replacement time with the help of odor, color data and integration of color, odor and Brix data

نویسندگان [English]

  • Pourya Daolati Jalilian 1
  • َali nejat lorestani 2
  • Nahid Aghili nategh 3
1 Mechanical Engineering of Biosystems Department, َAgricultural Faculty.Razi University, Kermanshah, Iran
2 Mechanical Engineering of Biosystems department, Agricultural Faculty, Razi University, Kermanshah, Iran
3 Department of Agricultural Machinery Engineering, Sonqor Agriculture Faculty, Razi University, Kermanshah, Iran
چکیده [English]

Lubricating parts to reduce friction and wear is one of the most important functions of engine oil. When engine oil is used, the color and viscosity of the engine oil changes during the operation of the car, and due to the increase in friction and the energy required to pump the oil, it causes an increase in fuel consumption. The purpose of this study is to investigate the detection of engine oil life based on the distance traveled with the help of smell, color and integrated data of color, smell and brix using two standard and zero-one methods. In this research, electronic nose devices, refractometer and colorimeter were used. Principal component analysis (PCA), linear discriminant analysis (LDA) and artificial neural network (ANN) were used to classify the data to detect kilometers, and partial least squares (PLS) and principal component regression (PCR) were used to predict the parameters. Brix and engine oil color changes were used. The main component analysis method of the results showed that in the score chart, engine oil life detection was done better based on color, and all the oil samples were well separated based on the distance traveled. Also, the LDA method for detecting the life of engine oil with different traveled kilometers for color data separated different classes with 96.36% accuracy. Based on the disturbance matrix obtained from the artificial neural network for the color data, the classification accuracy of engine oil with different distances traveled was 93.6%. LDA method showed better classification than PCA and ANN methods. The results showed that the PLS and PCR methods performed well in predicting Brix parameters and engine oil color change, but they did not perform well in predicting the mileage parameter. Using PCR and PLS models are more suitable for Brix and color change detection.

کلیدواژه‌ها [English]

  • motor oil
  • odor
  • color
  • Brix

فایل ها

هم رسانی

ارجاع به این مقاله

آمار