Utilize este identificador para referenciar este registo:
https://hdl.handle.net/10316/101256
Título: | Predicting motor oil condition using artificial neural networks and principal component analysis | Autor: | Rodrigues, João Costa, Inês Farinha, J. Torres Mendes, Mateus Margalho, Luís |
Palavras-chave: | condition monitoring; oil analysis; multivariate analysis; predictive maintenance; monitorowanie stanu; analiza oleju; analiza wielowymiarowa; konserwacja predykcyjna | Data: | 2020 | Título da revista, periódico, livro ou evento: | Eksploatacja i Niezawodnosc | Volume: | 22 | Número: | 3 | Resumo: | The safety and performance of engines such as Diesel, gas or even wind turbines depends on the quality and condition of the
lubricant oil. Assessment of engine oil condition is done based on more than twenty variables that have, individually, variations
that depend on the engines’ behaviour, type and other factors. The present paper describes a model to automatically classify the
oil condition, using Artificial Neural Networks and Principal Component Analysis. The study was done using data obtained from
two passenger bus companies in a country of Southern Europe. The results show the importance of each variable monitored for
determining the ideal time to change oil. In many cases, it may be possible to enlarge intervals between maintenance interventions,
while in other cases the oil passed the ideal change point. Bezpieczeństwo i wydajność silników takich, jak silniki Diesla czy gazowe, a nawet turbiny wiatrowe, zależą od jakości i stanu oleju smarowego. Stanu oleju silnikowego ocenia się na podstawie ponad dwudziestu zmiennych, z których każda ulega wahaniom w zależności od typu i zachowania silnika oraz innych czynników. W niniejszym artykule opisano model, który pozwala na automatyczną klasyfikację stanu oleju, z wykorzystaniem sztucznych sieci neuronowych i analizy składowych głównych. Badania przeprowadzono na podstawie danych uzyskanych od dwóch przewoźników pasażerskich działających na terenie jednego z krajów położonych na południu Europy. Wyniki pokazują, że każda z monitorowanych zmiennych ma znaczenie dla określenia idealnego czasu na wymianę oleju. Podczas gdy w wielu przypadkach w badanych przedsiębiorstwach możliwe było zwiększenie odstępów czasowych między działaniami konserwacyjnymi, w innych, idealny moment wymiany oleju został przekroczony. |
URI: | https://hdl.handle.net/10316/101256 | ISSN: | 15072711 | DOI: | 10.17531/ein.2020.3.6 | Direitos: | openAccess |
Aparece nas coleções: | I&D CEMMPRE - Artigos em Revistas Internacionais I&D ISR - Artigos em Revistas Internacionais |
Ficheiros deste registo:
Ficheiro | Descrição | Tamanho | Formato | |
---|---|---|---|---|
Predicting-motor-oil-condition-using-artificial-neural-networks-and-principal-component-analysisEksploatacja-i-Niezawodnosc.pdf | 555.71 kB | Adobe PDF | Ver/Abrir |
Citações SCOPUSTM
14
Visto em 17/nov/2022
Citações WEB OF SCIENCETM
16
Visto em 2/mai/2023
Visualizações de página
60
Visto em 11/set/2024
Downloads
66
Visto em 11/set/2024
Google ScholarTM
Verificar
Altmetric
Altmetric
Este registo está protegido por Licença Creative Commons