تحقیقات موتور

تحقیقات موتور

طراحی سامانه هوشمند مبتنی بر بینایی رایانه‌‏ای برای تشخیص سایش لقی‌گیر روغنی

نوع مقاله : مقاله پژوهشی

نویسندگان
زهرا نورالهی 1
جعفر هاشمی داریان 2
سید محمدرضا سادات اخوی 2
توحید میرزابابای مستوفی 3
1 گروه مهندسی مکانیک، دانشگاه صنعتی مالک اشتر، تهران، ایران
2 شرکت تحقیق، طراحی و تولید موتور ایران خودرو (ایپکو)، تهران، ایران
3 گروه مهندسی مکانیک، دانشگاه ایوان‌کی، تهران، ایران
10.22034/er.2026.2076349.1108
چکیده
تشخیص به‌موقع خرابی قطعات حیاتی در موتورهای درونسوز یکی از عوامل کلیدی در افزایش عمر مفید موتور و کاهش هزینه‌های تعمیر و نگهداری است. در این پژوهش، یک سامانه هوشمند مبتنی بر بینایی رایانه‌‏ای برای تشخیص خرابی (سایش) لقی‌‏گیر روغنی طراحی و اجرا شده است. هدف از این سامانه، جایگزین کردن روش‌های سنتی و پرهزینه بازرسی، مانند دستگاه اندازه‌گیری مختصات (CMM) که برای اندازه‌گیری دقیق ابعادی قطعات به کار می‌رود، با روشی سریع‌تر، دقیق‌تر و کم‌هزینه‌تر است. داده‌های مورد استفاده شامل تصاویر رنگی قطعات سالم و معیوب است. پس از مرحله پیش‌پردازش شامل تغییر اندازه، هم‏‌مرتبه‌‏سازی و افزایش داده، برای طبقه‌بندی سالم/معیوب از شبکه رزنت ۱۸ (ResNet18) و برای بخش‌بندی نواحی خرابی از یونت (U-Net) استفاده شد. سامانه پیشنهادی با استفاده از معیارهای دقت، بازخوانی، دقت مثبت و شاخص‌های هم‌پوشانی ارزیابی گردید. نتایج نشان داد که الگوی پیشنهادی در مقایسه با روش‌های سنتی، ضمن افزایش دقت (بیش از 97.6% در طبقه‌بندی و ضریب دایس ۰.۷۵۰ (در بخش‌بندی)، موجب کاهش زمان بازرسی تا بیش از ۷۰% شد. همچنین مقایسه خروجی سامانه با ارزیابی کارشناسان انسانی، همخوانی بالایی را نشان داد، که بیانگر قابلیت اعتماد و دقت عملی سامانه است.
کلیدواژه‌ها
بینایی رایانه‌‏ای
طبقه‌بندی
بخش‌بندی تصویر
موتور درونسوز
خرابی قطعات موتور

عنوان مقاله English

An intelligent machine vision system for automated wear detection in hydraulic lash adjusters

نویسندگان English

Zahra Norallahi 1
Jafar Hashemi Daryan 2
Seyed Mohammadreza Sadat Akhavi 2
Tohid Mirzababayi Mostofi 3
1 Mechanical Engineering Department, Malek Ashtar University of Technology, Tehran, Iran
2 Irankhodro Powertrain Company (IPCo), Tehran, Iran
3 Mechanical Engineering Department, Eyvanekey University, Tehran, Iran
چکیده English

Timely failure detection in critical internal combustion engine (ICE) components is crucial for extending engine service life and minimizing maintenance costs. In this study, we design and implement an intelligent machine vision system for the automated detection of wear in Hydraulic Lash Adjusters (HLAs). The system aims to replace traditional, high-cost metrology methods such as Coordinate Measuring Machines (CMM) with a rapid, accurate, and cost-effective alternative. Utilizing a dataset of color images capturing both nominal and worn components, we apply image preprocessing, including resizing, normalization, and data augmentation. We then employ a ResNet-18 architecture for binary classification (nominal vs. damaged) and a U-Net architecture for defect segmentation. The system’s performance is evaluated using accuracy, recall, precision, and overlap-based metrics. The experimental results demonstrate that the proposed model achieves a classification accuracy exceeding 97.6% and a segmentation Dice Score of 0.750, while reducing inspection time by over 70% compared to traditional methods. Furthermore, validation against expert human assessments confirms high consistency, demonstrating the reliability and practical viability of the proposed system for industrial quality control.

کلیدواژه‌ها English

Machine Vision
Classification
Image Segmentation
Internal Combustion Engine
Engine Parts Failure Detection
[1] Keyence Corporation. CMM for the automotive industry. Keyence; [cited 2025]. Available from: https://www.keyence.com/products/3d-measure/cmm/industries/automotive.jsp
[2] Nel Pretech. CMM inspection service and its application. Nel Pretech; 2024 [cited 2025]. Available from: https://www.nelpretech.com/blog/cmm-inspection-service-and-its-application
[3] Averroes AI. Automated quality control vs manual inspection. Averroes AI; 2024 [cited 2025]. Available from: https://averroes.ai/blog/automated-quality-control-vs-manual-inspection
[4] Shahbazi M, Torabi Moghaddar R. Deep learning in machine vision as a replacement for human labor in visual inspection of casting parts. In: Proceedings of the 18th National Conference and 7th International Conference on Manufacturing Engineering; 2024 Mar 2; Tehran, Iran. Tehran: Technical and Vocational University (TVU); 2024. [In Persian]
[5] Molina J, Solanes JE, Arnal L, Tornero J. On the detection of defects on specular car body surfaces. Robotics and Computer-Integrated Manufacturing. 2017 Dec 1;48:263-78. doi: 10.1016/j.rcim.2017.04.009
[6] Palma-Ramírez D, Ross-Veitía BD, Font-Ariosa P, Espinel-Hernández A, Sanchez-Roca A, Carvajal-Fals H, Nuñez-Alvarez JR, Hernández-Herrera H. Deep convolutional neural network for weld defect classification in radiographic images. Heliyon. 2024 May 15;10(9). doi: 10.1016/j.heliyon.2024.e30590
[7] Qu Z, Shen J, Li R, Liu J, Guan Q. Partsnet: A unified deep network for automotive engine precision parts defect detection. InProceedings of the 2018 2nd International Conference on Computer Science and Artificial Intelligence 2018 Dec 8 (pp. 594-599).
[8] Yazdani Jo A, Moosavian A. Automatic intelligent inspection system for crankshaft grade detection based on‎ machine vision and deep learning. The Journal of Engine Research. 2025 Feb 19;71(4):33-43. doi: 10.22034/er.2024.2003707.1006 [In Persian]
[9] Ranjbar A, Hajalimohammadi A, Moosavian A, Barin Z, Rahmani MR. Defect detection in piston rings using deep learning-based computer vision. The Journal of Engine Research. 2025 Aug 23;72(2):9-18. doi: 10.22034/er.2025.2056649.1080[In Persian]
[10] Capela S, Silva R, Khanal SR, Campaniço AT, Barroso J, Filipe V. Engine labels detection for vehicle quality verification in the assembly line: a machine vision approach. InAPCA International Conference on Automatic Control and Soft Computing 2020 Jul 1 (pp. 740-751). Cham: Springer International Publishing.
[11] Rochussen J, Kirchen P. Robust image segmentation for feature extraction from internal combustion engine in-cylinder images. Measurement Science and Technology. 2020 Jan 1;32(1):015302. doi: 10.1088/1361-6501/abae8f
[12] Kim KS, Park JY, Kwak SY. Attention mechanism-based lightweight defect detection method for small components. In: Proceedings of the 2022 International Conference on Electronics, Information and Communication (ICEIC); 2022 Feb 6-9; Jeju, South Korea. Piscataway, NJ: IEEE; 2022.
[13] Hosseini AR, Moosavian A, Javan S, Baradaran-Shokouhi S. Development of Machine Vision System to Track Movement of an Engine Timing Belt Tensioner Based on Deep Neural Network. The Journal of Engine Research. 2022 Jun 22;67(67):16-23. doi: 10.22034/er.2022.697916 [In Persian]
[14] Lin T, Wu X, Qiu Z, Chen Y. Research on a defect detection method of rolling bearing based on an improved YOLOv4. In: Proceedings of the 2021 IEEE International Conference on Robotics and Automation (ICRA); 2021 May 30-Jun 5; Xi'an, China. Piscataway, NJ: IEEE; 2021. p. 2480-2487.
[15] Huynh N. Understanding evaluation metrics in medical image segmentation. Medium: Where good ideas find you. 2023 Mar 1.
[16] Yeung M, Rundo L, Nan Y, Sala E, Schönlieb CB, Yang G. Calibrating the dice loss to handle neural network overconfidence for biomedical image segmentation. Journal of Digital Imaging. 2023 Apr;36(2):739-52. doi: 10.1007/s10278-022-00735-3

  • تاریخ دریافت 08 اسفند 1404
  • تاریخ بازنگری 15 تیر 1405
  • تاریخ پذیرش 16 تیر 1405