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

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.

آنالیز روغن, پردازش تصویر, شبکه عصبی, خطوط مبنا, شبکه عصبی کانولوشن