كاربرد داده كاوي در تعيين خطوط مبناي رفتار فرسايشي موتورها

Application of Data Mining for Determining Baselines of Wear Behavior in Engines, Using Oil Analysis Results

هر چند امروزه به كارگيري فناوري مراقبت وضعيت از طريق آناليز روغن، به‌عنوان روش موثري در تشخيص فرسايش هاي غيرعادي يا عيوب تجهيزات و سيستم هاي مكانيكي شناخته مي شود، بايد توجه داشت كه در فرآيند تحليل و تفسير نتايج آناليز روغن، مسايلي نظير شناخت رفتارهاي فرسايشي، ويژگي‌هاي فني، سوابق و تجارب قبلي آناليز و غيره، جهت اجراي برنامه CM، بسيار ضروري و تعيين‌كننده است. در اين تحقيق به بررسي رفتار فرسايشي موتورهاي ديزل و ارزيابي و تحليل رابطه بين وضعيت نهايي موتور و وضعيت مولفه‌هاي مورد تحليل در آناليز روغن، پرداخته مي‌شود. تحليل و بررسي اين موضوع كه مولفه‌هاي موثر در تحليل وضعيت موتور، كدام و ميزان تاثير آنها چقدر است، موضوعي است كه در قالب يك مدل داده كاوي مورد بررسي قرار مي‌گيرد. شاخصهاي مورد مطالعه در آناليز روغن عبارتند از: ويسكوزيته، سيليسم، PQ، فلزات فرسايشي نظير آهن، آلومينوم، سرب، مس، قلع، كروم. داده كاوي فرآيند كشف الگوها و روابط پنهان موجود بين داده‌هاست. داده هاي موتور كاميون بنز 2628 با توجه به مدل‌هاي شبكه عصبي، درخت‌هاي تصميم گيري و مصورسازي و آمار توصيفي به عنوان نمونه مورد تحليل قرار گرفته و نتايج آن بيان شده است. يافته هاي اين مطالعه نشان مي‌دهد الگوهاي خاصي متناسب با مولفه هاي روغن وجود دارد و با توجه به حجم داده‌ها و ابزارها و شاخص‌هاي مرتبط، قواعد مناسب را مي‌توان استخراج نمود. در نهايت سعي نگارنده بر آن است كه مدلي هوشمند جهت تشخيص و پيش بيني عيوب در موتورهاي مورد مطالعه ارايه دهد.

Application of Data Mining for Determining Baselines of Wear Behavior in Engines, Using Oil Analysis Results Received: 3/2/2011 Accepted: 14/5/2011 S.Ramezani *, A. R. Masoudi A. Memariani Logistics Studies and Research Center Imam Hossein University (PBHU) Bu-Al Sina University Abstract Although nowadays machinery oil analysis Condition Monitoring (CM) techniques are known as an effective method in abnormal wear in equipments and mechanical systems fault diagnosis; issues like wear behavior, technical features, and previous records of oil analysis results are essential and determinant in the process of interpreting the results of oil analysis in implementing CM programs. In this research, it is intended to justify the importance of historic data on oil analysis for fault detection. With the access to decent information sources, the wear behaviors of diesel engines are studied. Also, the relation between the final status of engine and selected features in oil analysis is analyzed. The dissertation and analysis of determining effective features in condition monitoring of equipments and their contribution, is the issue that has been studied through a Data Mining model. Selected indicators in oil analysis are Density, Silesia, PQ, and the amount of wearing metals i.e. Ferrum, Aluminum, Lead, Copper, and Tin. As the case study, data for the truck BENZ2628 are analyzed by Artificial Neural Network, Decision Tree, Data Visualization and the results are presented. The future study of this project will yield to an intelligent model for fault diagnosis and prognosis in aforementioned.