Machine Learning-Based Classification of Oils Using Dielectric Properties and Microwave Resonant Sensing

要約

このペーパーでは、マイクロ波共鳴センサーを利用して、誘電特性に基づいたさまざまなオイルサンプルの分類のための機械学習ベースの方法論を提案します。
分子組成によって支配される油の誘電挙動は、センサーの共鳴周波数と振幅応答の明確なシフトを誘発します。
これらのバリエーションは、顕著な特徴を抽出するために体系的にキャプチャおよび処理されます。これは、複数の機械学習分類器の入力として機能します。
マイクロ波共振センサーは、非破壊的で低電力の方法で動作し、リアルタイムの産業用アプリケーションに特に適しています。
包括的なデータセットは、オイルサンプルの誘電率を変化させ、対応するセンサー応答を取得することにより開発されます。
抽出された共振機能を使用していくつかの分類器を訓練および評価して、オイルタイプを区別する能力を評価します。
実験結果は、提案されたアプローチがランダムフォレスト分類器で99.41％の高い分類精度を達成し、自動化されたオイル識別の強い可能性を強調することを示しています。
システムのコンパクトなフォームファクター、効率、および高性能は、産業環境での高速で信頼性の高いオイルの特性評価に対する実行可能性を強調しています。

要約(オリジナル)

This paper proposes a machine learning-based methodology for the classification of various oil samples based on their dielectric properties, utilizing a microwave resonant sensor. The dielectric behaviour of oils, governed by their molecular composition, induces distinct shifts in the sensor’s resonant frequency and amplitude response. These variations are systematically captured and processed to extract salient features, which serve as inputs for multiple machine learning classifiers. The microwave resonant sensor operates in a non-destructive, low-power manner, making it particularly well-suited for real-time industrial applications. A comprehensive dataset is developed by varying the permittivity of oil samples and acquiring the corresponding sensor responses. Several classifiers are trained and evaluated using the extracted resonant features to assess their capability in distinguishing between oil types. Experimental results demonstrate that the proposed approach achieves a high classification accuracy of 99.41% with the random forest classifier, highlighting its strong potential for automated oil identification. The system’s compact form factor, efficiency, and high performance underscore its viability for fast and reliable oil characterization in industrial environments.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google