| تعداد نشریات | 283 |
| تعداد نشریات سازمان | 81 |
| تعداد شماره‌ها | 2,729 |
| تعداد مقالات | 31,090 |
| تعداد مشاهده مقاله | 29,449,560 |
| تعداد دریافت فایل اصل مقاله | 16,378,841 |
تعیین مقدار آب و شاخص TAN در روغن هیدرولیک دروگر نیشکر استافت 7000 با فناوری طیف‌سنجی مرئی | ||
| تحقیقات سامانه‌ها و مکانیزاسیون کشاورزی | ||
| دوره 23، شماره 84، اسفند 1401، صفحه 57-72 اصل مقاله (1.07 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22092/amsr.2023.362145.1450 | ||
| نویسندگان | ||
| شیرین اسدیان1؛ احمد بناکار* 2؛ بهاره جمشیدی3 | ||
| 1دانشجوی کارشناسی ارشد گروه مهندسی بیوسیستم، دانشکده کشاورزی، دانشگاه تربیت مدرس، تهران، ایران | ||
| 2دانشیار گروه مهندسی بیوسیستم، دانشکده کشاورزی، دانشگاه تربیت مدرس، تهران، ایران | ||
| 3دانشیار، موسسه تحقیقات فنی و مهندسی کشاورزی، سازمان تحقیقات، آموزش و ترویج کشاورزی، کرج، ایران. | ||
| چکیده | ||
| امروزه با توجه به ارزیابیها و بالا بودن هزینه‌های تعمیر و نگهداری ماشین‌های برداشت نیشکر، نظارت بر روغن هیدرولیک دروگر نیشکر با استفاده از روش سریع‌تر و غیرمخرب برای تعیین آلودگی و همچنین شاخص TAN ضرورت دارد. در این پژوهش، توانایی روش طیف‌سنجی مرئی به منظور سنجش و پیش‌بینی غیرمخرب مقدار آب و شاخص TAN در نمونه‌های روغن هیدرولیک دروگر نیشکر استافت 7000 در ساعت‌های کارکرد متفاوت بررسی شد. برای این منظور، از نمونه‌ها در ناحیۀ طیفی 780-400 نانو‌متر طیف‌گیری شد. مدل‌های واسنجی چند‌متغیره حداقل مربعات جزئی (PLS) بر پایۀ اندازه‌گیری‌های مرجع و اطلاعات طیف‌های پیش‌پردازش شده با ترکیب روش‌های مختلف پیش‌پردازش (میانگین‌گیری متحرک، هموار‌سازی ساویتزکی گولای، توزیع نرمال استاندارد و مشتق اول) برای سنجش و پیش‌بینی مقدار آب و شاخص TAN روغن هیدرولیک توسعه داده شدند. نتایج بررسیها نشان داد که از روش طیف‌سنجی مرئی می‌توان برای سنجش سریع و غیرمخرب مقدار آب و شاخص TAN در ساعت‌های مختلف کارکرد روغن هیدرولیک دروگر نیشکر استافت 7000 بهره برد. بهترین نتایج پیش‌بینی مقدار آب در روغن هیدرولیک با مدل PLS بر پایۀ روش پیش‌پردازش میانگین‌گیری متحرک (MA) به دست آمد (rcv=0.96، RMSECV= 1.86، rp=0.89 و RMSEP=3.18) که دقت عالی (SDR=3.12) داشت. از سوی دیگر، مدل PLS بر پایۀ ترکیب پیش‌پردازش‌های میانگین‌گیری متحرک و توزیع نرمال استاندارد (MA+SNV) توانست شاخص TAN را با دقت عالی (SDR=3.1) پیش‌بینی کند (rcv=0.94، RMSECV=0.007، rp=0.89 و RMSEP=0.010). بنابراین، کاربرد فناوری طیف‌سنجی مرئی در کشت و صنعت‌ها به منظور پایش سریع کیفیت روغن هیدرولیک و با هدف کنترل آلودگی‌ها قابل توصیه است. | ||
| کلیدواژه‌ها | ||
| آلودگی روغن هیدرولیک؛ رگرسیون حداقل مربعات جزئی؛ غیرمخرب | ||
| عنوان مقاله [English] | ||
| Determining the Amount of Water and the TAN Index of Hydraulic oil by Visible Sproscopy in a Austoft 7000 Sugarcane Harvester | ||
| نویسندگان [English] | ||
| shirin asadian1؛ ahmad banakar2؛ Bahareh Jamshidi3 | ||
| 1tarbiat modares university, Tehran, Iran | ||
| 2Associate Professor agricultural engineering, tarbiat modares university, | ||
| 3Associate Professor, Agricultural Engineering Research Institute, Agricultural Research, Education and Extension Organization (AREEO) | ||
| چکیده [English] | ||
| Nowadays, due to the evaluation and high costs of maintenance and repair of sugarcane harvesting machines, it is necessary to monitor sugarcane harvester hydraulic oil using a faster and non-destructive method to determine contamination and TAN index. In this research, the ability of the visible spectroscopy method to non-destructively measure and predict the water content and TAN index in harvester Austoft 7000 hydraulic oil samples at different operating hours was investigated. For this purpose, spectra were taken from the samples in the spectral region of 400-780 nm. Multivariate Partial Least Squares (PLS) regression models were developed based on reference measurements and pre-processed spectra information by combining different pre-processing (Moving Average, Savitzky-Golay, Standard normal variate and First Derivative) methods to measure and to predict the water content and TAN index of hydraulic oil. The results showed that the visible spectroscopy method could be used for quick and non-destructive measurement of water content and TAN index at different operating hours of harvester Austoft 7000 hydraulic oil. The best prediction results of water content in hydraulic oil were obtained with PLS model based on moving average (MA) preprocessing method (rcv=0.96, RMSECV=1.86, rp=0.89 and RMSEP=3.18), which had excellent accuracy (SDR=3.12). On the other hand, the PLS model based on the combination of moving average preprocessing and standard normal distribution (MA+SNV) was able to predict the TAN index with excellent accuracy (SDR=3.1) (rcv=0.94, RMSECV=0.007, rp=0.89 and RMSEP= 0.010). Therefore, the application of visible spectroscopy technology in agriculture and industries can be recommended for rapid monitoring of hydraulic oil quality and with the aim of controlling pollution. | ||
| کلیدواژه‌ها [English] | ||
| Contamination of Hydraulic Oil, Non-Destructive, Partial Least Squares Regression | ||
| مراجع | ||
|
Ahmed, A. E., & Alam-Eldin, A. O. M. (2015). An assessment of mechanical vs manual harvesting of the sugarcane in Sudan – The case of Sennar Sugar Factory. Journal of the Saudi Society of Agricultural Sciences, 14(2), 160–166. https://doi.org/10.1016/j.jssas.2013.10.005.
Behroozi-Lar, M. Mobli,h& Jafari, A. (2008). Machines for harvesting agricultural products. Payam Noor University Pub. (in Persian)
Breitkreitz, M. C., Raimundo, I. M., Rohwedder, J. J. R., Pasquini, C., Dantas Filho, H. A., José, G. E., & Araújo, M. C. U. (2003). Determination of total sulfur in diesel fuel employing NIR spectroscopy and multivariate calibration. Analyst, 128(9), 1204–1207. https://doi.org/10.1039/b305265f.
Cen, H., He, Y., & Huang, M. (2007). Combination and comparison of multivariate analysis for the identification of orange varieties using visible and near infrared reflectance spectroscopy. European Food Research and Technology, 225(5–6), 699–705. https://doi.org/10.1007/s00217-006-0470-2.
Chira, N. A., Todasca, M. C., Nicolescu, A., Rosu, A., Nicolae, M., & Rosca, S. I. (2011). Evaluation of the computational methods for determining vegetable oils composition using1H-NMR spectroscopy. Revista de Chimie, 62(1), 42–46.
De Rivas, B. L., Vivancos, J. L., Ordieres-Meré, J., & Capuz-Rizo, S. F. (2017). Determination of the total acid number (TAN) of used mineral oils in aviation engines by FTIR using regression models. Chemometrics and Intelligent Laboratory Systems, 160, 32–39. https://doi.org/10.1016/j.chemolab.2016.10.015.
Ghasemi, E., Hosseini, V., & Yazdanparast K. (2018). Oil quality monitoring in gasoline spark ignition engine using oil dielectric coefficient measurement. Engine Research Quarterly. 53, 54-45. (in Persian)
Hamilton, A., & Quail, F. (2011). Detailed state of the art review for the different online/inline oil analysis techniques in context of wind turbine gearboxes. Journal of Tribology, 133(4), 1–18. https://doi.org/10.1115/1.4004903.
Heise, H. M., Delbeck, S., & Marbach, R. (2021). Noninvasive monitoring of glucose using near-infrared reflection spectroscopy of skin-constraints and effective novel strategy in multivariate calibration. Biosensors, 11(3). https://doi.org/10.3390/bios11030064.
Jamshidi, B. (2012). Non-destructive taste characterization and classification of oranges using Vis/NIR spectroscopy (Ph. D. Thesis), Mechanics of Agricultural Machines, Tarbiat Modares University, Tehran, Iran. (in Persian)
Liu, W. W., & Zhu, Y. (2020). Development and application of analytical detection techniques for droplet-based microfluidics -A review. Analytica Chimica Acta, 1113, 66–84. https://doi.org/10.1016/j.aca.2020.03.011.
Masoudi, A. (2011). An introduction to oil analysis. Alborz Tadbir Karan Technical and Engineering Company, Tehran, Iran. (in Persian)
Mikheev, Y. A., Guseva, L. N., & Ershov, Y. A. (2017). Structure of matter and quantum chemistry UV–Vis spectra and structure of acid-base forms of dimethylamino - and aminoazobenzene. Russian Journal of Physical Chemistry A, 91(4), 715–726. https://doi.org/10.1134/S0036024417040161.
Nematpour Malek Abad, H., Sheikhdavoodi, M. J., Hazbavi, I., & Marzban, A. (2020). Optimization of refinement operations of sugarcane harvester hydraulic oil. Journal of Agricultural Machinery, 10(1), 59–72. https://doi.org/10.22067/jam.v10i1.75912.
Raposo, H., Farinha, J. T., Fonseca, I., & Galar, D. (2019). Predicting condition based on oil analysis – A case study. Tribology International, 135(January), 65–74. https://doi.org/10.1016/j.triboint.2019.01.041.
Rivera-barrera, D., Rueda-chacón, H., & Molina V, D. (2019). Talanta Prediction of the total acid number (TAN) of colombian crude oils via ATR - FTIR spectroscopy and chemometric methods. Talanta, 206(July), 120186. https://doi.org/10.1016/j.talanta.2019.120186.
Shi, H., Zhang, H., Ma, L., & Zeng, L. (2019). A multi-function sensor for online detection of contaminants in hydraulic oil. Tribology International, 138(April), 196–203. https://doi.org/10.1016/j.triboint.2019.05.025.
Wang, K., Huggins, D. R., & Tao, H. (2019). Rapid mapping of winter wheat yield, protein, and nitrogen uptake using remote and proximal sensing. International Journal of Applied Earth Observation and Geoinformation, 82, 1–20. https://doi.org/10.1016/j.jag.2019.101921.
Zhao, Y. (2017). Predictive equipment maintenance oil analysis (Handbook). Third Ed. Spectro Scientific Pub. Available at: https://www.spartancontrols.com. | ||
|
آمار تعداد مشاهده مقاله: 131 تعداد دریافت فایل اصل مقاله: 80 |
||