CN112765789B - 机油老化程度预测方法、装置、设备及存储介质 - Google Patents

机油老化程度预测方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN112765789B
CN112765789B CN202011643874.0A CN202011643874A CN112765789B CN 112765789 B CN112765789 B CN 112765789B CN 202011643874 A CN202011643874 A CN 202011643874A CN 112765789 B CN112765789 B CN 112765789B
Authority
CN
China
Prior art keywords
engine oil
degree
prediction model
aging
vehicle
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202011643874.0A
Other languages
English (en)
Other versions
CN112765789A (zh
Inventor
刘佳林
赵燕
常晓燕
王周钊
祝露
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
United Automotive Electronic Systems Co Ltd
Original Assignee
United Automotive Electronic Systems Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by United Automotive Electronic Systems Co Ltd filed Critical United Automotive Electronic Systems Co Ltd
Priority to CN202011643874.0A priority Critical patent/CN112765789B/zh
Publication of CN112765789A publication Critical patent/CN112765789A/zh
Application granted granted Critical
Publication of CN112765789B publication Critical patent/CN112765789B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/26—Oils; viscous liquids; paints; inks
    • G01N33/28—Oils, i.e. hydrocarbon liquids
    • G01N33/2888—Lubricating oil characteristics, e.g. deterioration
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/04—Ageing analysis or optimisation against ageing
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Abstract

本申请公开了一种机油老化程度预测方法、装置、设备及存储介质，涉及车辆检测技术领域。该机油老化程度预测方法包括获取待检测车辆在检测时间点的曲轴加权累计旋转圈数和机油加权累计使用时间；将所述待检测车辆在检测时间点的曲轴加权累计旋转圈数和机油加权累计使用时间，输入机油老化程度预测模型，得到所述待测车辆的机油老化程度的预测值；解决了目前实时检测机油老化程度成本高的问题；达到了低成本、高效地实时预测机油老化程度，提高机油老化程度预测精度的效果。

Description

机油老化程度预测方法、装置、设备及存储介质
技术领域
本申请涉及车辆检测技术领域，具体涉及一种机油老化程度预测方法、装置、设备及存储介质。
背景技术
机油，即发动机润滑油，能对车辆的发动机起到润滑减磨、辅助冷却降温、密封防漏、防锈防蚀、减震缓冲等作用。及时更换车辆的机油对保障内燃机高效、可靠运行和延长发动机的使用寿命具有重要的作用。
目前，通常采用基于车辆厂家推荐的固定机油保养里程或机油使用时间来判断机油是否需要更换。但，该种判断方法的评价标准单一，无法满足不同驾驶风格对机油精确按需保养的要求。使用该种判断方法确定更换机油的时机，普遍存在机油过度更换造成机油浪费、成本增加，或，机油长时间不更换造成内燃机异常磨损、可靠性降低等问题。
此外，传统的线下机油采样检测方法不能实时评估机油状态，且检测费用昂贵，无法推广至终端用户使用。
发明内容
为了解决现有技术中的问题，本申请提供了一种机油老化程度预测方法、装置、设备及存储介质。该技术方案如下：
第一方面，本申请实施例提供了一种机油老化程度预测方法，该方法包括：
获取待检测车辆在检测时间点的曲轴加权累计旋转圈数和机油加权累计使用时间；
将待检测车辆在检测时间点的曲轴加权累计旋转圈数和机油加权累计使用时间，输入机油老化程度预测模型，得到待测车辆的机油老化程度的预测值；
其中，机油老化程度预测模型的构建过程为：
采集试验车辆在机油全生命周期内的运行数据，并采集不同里程对应的机油样品；运行数据包括发动机转速、负荷、液体介质温度；液体介质温度用于反应发动机内机油使用的温度环境；试验车辆与待检测车辆的机油标号、发动机型号相同；
获取机油样品的理化参数，理化参数包括机油碱值、机油氧化度、机油硝化度、机油铁元素含量；
根据机油样品的理化参数，确定机油老化指标样本评价值；机油老化指标包括机油清洁能力衰减程度、机油氧化程度、机油污染程度、机油抗磨性能衰减程度；
获取机油老化程度预测模型的特征参数，特征参数包括曲轴加权累计旋转圈数和机油加权累计使用时间；曲轴加权累计旋转圈数与机油清洁能力衰减程度、机油污染程度、机油抗磨性能衰减程度、车辆的运行数据相关，机油加权累计使用时间与机油氧化程度、车辆的运行数据相关；
将机油老化指标样本评价值作为机油老化程度预测模型的标签数据，根据标签数据和标签数据对应的特征参数，构建出机油老化程度预测模型。
通过采集试验车辆在机油全生命周期内的运行数据，以及在不同里程时的机油样品，获取机油样品的理化参数，根据理化参数得到机油老化指标样本评价值，利用采集到的运行数据和机油老化指标样本评价值，构造出曲轴加权累计旋转圈数和机油加权累计使用时间，将机油老化指标样本评价值作为机油老化程度预测模型的标签数据，以及将机油老化指标样本评价值对应的曲轴加权累计旋转圈数和机油加权累计使用时间作为机油老化程度预测模型的特征参数构建出机油老化程度预测模型；在预测待测车辆在检测时间点的机油老化程度时，根据待测试车辆的运行数据获取相应的曲轴加权累计旋转圈数和机油加权累计使用时间，将曲轴加权累计旋转圈数和机油加权累计使用时间输入机油老化程度预测模型，得到机油老化程度；解决了目前预测机油老化程度的方法成本高的问题；达到了降低预测成本，提高预测精度的效果。
可选的，当特征参数是曲轴加权累计旋转圈数时，获取机油老化程度预测模型的特征参数，包括：
将发动机负荷区间划分为i个连续的负荷子区间，每个负荷子区间对应一组负荷惩罚系数ωik；每组中的负荷惩罚系数分别对应机油清洁能力衰减程度、机油污染程度、机油抗磨性能衰减程度；i为正整数，k＝1,2,3；
以检测时间点为终止时间，统计每个负荷子区间对应的曲轴累计旋转圈数ri；
按如下公式计算曲轴加权累计旋转圈数Rk：
Rk＝∑ωik×ri。
可选的，机油清洁能力衰减程度对应的负荷惩罚系数预先根据车辆的运行数据和油清洁能力衰减程度确定；
机油污染程度对应的负荷惩罚系数预先根据车辆的运行数据和机油污染程度确定；
机油抗磨性能衰减程度对应的负荷惩罚系数预先根据车辆的运行数据和机油抗磨性能衰减程度确定。
可选的，当特征参数是机油加权累计使用时间时，获取机油老化程度预测模型的特征参数，包括：
将液体介质温度区间划分为j个连续的温度子区间，每个温度子区间对应一个温度惩罚系数βj；j为正整数；温度惩罚系数对应机油氧化程度；
以检测时间点为终止时间，统计每个温度子区间对应的机油累计使用时间tj；
按如下公式计算机油加权累计使用时间T：
T＝∑βj×tj。
可选的，温度惩罚系数预先根据车辆的运行数据和机油氧化程度确定。
可选的，液体介质温度为机油温度。
可选的，液体介质温度为冷却水温度。
可选的，将机油老化指标样本评价值作为机油老化程度预测模型的标签数据，根据标签数据和标签数据对应的特征参数，构建出机油老化程度预测模型，包括：
将机油清洁能力衰减程度样本评价值作为机油清洁能力衰减程度预测模型的标签数据，将机油清洁能力衰减程度样本评价值对应的曲轴加权累计旋转圈数作为机油清洁能力衰减程度预测模型的特征参数，构建机油清洁能力衰减程度预测模型为ηca(R1)；
将机油氧化程度样本评价值作为机油氧化程度预测模型的标签数据，将机油氧化程度样本评价值对应的机油加权累计使用时间作为机油氧化程度的特征参数，构建机油氧化程度预测模型为ηoxi(T)；
将机油污染程度样本评价值作为机油污染程度预测模型的标签数据，将机油污染程度样本评价值对应的曲轴加权累计旋转圈数作为机油污染程度预测模型的特征参数，构建机油污染程度预测模型为ηcd(R2)；
将机油抗磨性能衰减程度样本评价值作为机油抗磨性能衰减程度预测模型的标签数据，将机油抗磨性能衰减程度样本评价值对应的曲轴加权累计旋转圈数作为机油抗磨性能衰减程度预测模型的特征参数，构建机油抗磨性能衰减程度预测模型为ηanti(R3)；
根据机油清洁能力衰减程度预测模型ηca(R1)、机油氧化程度预测模型为ηoxi(T)、机油污染程度预测模型ηcd(R2)、机油抗磨性能衰减程度预测模型ηanti(R3)，构建机油老化程度预测模型ηaging；
ηaging＝f1×ηca(R1)+f2×ηoxi(T)+f3×ηcd(R2)+f4×ηanti(R3)，
其中，f1+f2+f3+f4＝1，f1、f2、f3和f4的取值范围均为[0,1]。
可选的，根据机油样品的理化参数，确定机油老化指标样本评价值，包括：
根据机油碱值确定机油清洁能力衰减程度评价值；
根据机油氧化度确定机油氧化程度评价值；
根据机油硝化度确定机油污染程度评价值；
根据机油铁元素含量确定机油抗磨性能衰减程度。
可选的，机油老化程度预测模型部署在服务器中。
通过将构建出的机油老化程度预测模型部署在服务器中，可以实现车辆机油老化程度的在线实时预测。
可选的，机油老化程度预测模型部署在车载控制器中。
通过将构建出的机油老化程度预测模型部署在车载控制器中，可以实现车辆机油老化程度的本地实时预测。
第二方面，本申请实施例提供了一种机油老化程度预测装置，该装置包括获取模块、预测模块、模型构建模块；
获取模块，用于获取待检测车辆在检测时间点的曲轴加权累计旋转圈数和机油加权累计使用时间；
预测模块，用于将待检测车辆在检测时间点的曲轴加权累计旋转圈数和机油加权累计使用时间，输入机油老化程度预测模型，得到待测车辆的机油老化程度的预测值；
其中，获取模块，还用于采集试验车辆在机油全生命周期内的运行数据；运行数据包括发动机转速、负荷、液体介质温度；液体介质温度用于反应发动机内机油使用的温度环境；试验车辆与待检测车辆的机油标号、发动机型号相同；获取采集到的不同里程对应的机油样品的理化参数，理化参数包括机油碱值、机油氧化度、机油硝化度、机油铁元素含量；根据机油样品的理化参数，确定机油老化指标样本评价值；机油老化指标包括机油清洁能力衰减程度、机油氧化程度、机油污染程度、机油抗磨性能衰减程度；获取机油老化程度预测模型的特征参数，特征参数包括曲轴加权累计旋转圈数和机油加权累计使用时间；曲轴加权累计旋转圈数与机油清洁能力衰减程度、机油污染程度、机油抗磨性能衰减程度、车辆的运行数据相关，机油加权累计使用时间与机油氧化程度、车辆的运行数据相关；
模型构建模块，用于将机油老化指标样本评价值作为机油老化程度预测模型的标签数据，根据标签数据和标签数据对应的特征参数，构建出机油老化程度预测模型。
可选的，当特征参数是曲轴加权累计旋转圈数时，获取模块，用于将发动机负荷区间划分为i个连续的负荷子区间，每个负荷子区间对应一组负荷惩罚系数ωik；每组中的负荷惩罚系数分别对应机油清洁能力衰减程度、机油污染程度、机油抗磨性能衰减程度；i为正整数，k＝1,2,3；
以检测时间点为终止时间，统计每个负荷子区间对应的曲轴累计旋转圈数ri；
按如下公式计算曲轴加权累计旋转圈数Rk：
Rk＝∑ωik×ri。
可选的，机油清洁能力衰减程度对应的负荷惩罚系数预先根据车辆的运行数据和油清洁能力衰减程度确定；
机油污染程度对应的负荷惩罚系数预先根据车辆的运行数据和机油污染程度确定；
机油抗磨性能衰减程度对应的负荷惩罚系数预先根据车辆的运行数据和机油抗磨性能衰减程度确定。
可选的，当特征参数是机油加权累计使用时间时，获取模块用于，将液体介质温度区间划分为j个连续的温度子区间，每个温度子区间对应一个温度惩罚系数βj；j为正整数；温度惩罚系数对应机油氧化程度；
以检测时间点为终止时间，统计每个温度子区间对应的机油累计使用时间tj；
按如下公式计算机油加权累计使用时间T：
T＝∑βj×tj。
可选的，温度惩罚系数预先根据车辆的运行数据和机油氧化程度确定。
可选的，液体介质温度为机油温度。
可选的，液体介质温度为冷却水温度。
可选的，模型构建模块，用于将机油清洁能力衰减程度样本评价值作为机油清洁能力衰减程度预测模型的标签数据，将机油清洁能力衰减程度样本评价值对应的曲轴加权累计旋转圈数作为机油清洁能力衰减程度预测模型的特征参数，构建机油清洁能力衰减程度预测模型为ηca(R1)；
将机油氧化程度样本评价值作为机油氧化程度预测模型的标签数据，将机油氧化程度样本评价值对应的机油加权累计使用时间作为机油氧化程度的特征参数，构建机油氧化程度预测模型为ηoxi(T)；
将机油污染程度样本评价值作为机油污染程度预测模型的标签数据，将机油污染程度样本评价值对应的曲轴加权累计旋转圈数作为机油污染程度预测模型的特征参数，构建机油污染程度预测模型为ηcd(R2)；
将机油抗磨性能衰减程度样本评价值作为机油抗磨性能衰减程度预测模型的标签数据，将机油抗磨性能衰减程度样本评价值对应的曲轴加权累计旋转圈数作为机油抗磨性能衰减程度预测模型的特征参数，构建机油抗磨性能衰减程度预测模型为ηanti(R3)；
根据机油清洁能力衰减程度预测模型ηca(R1)、机油氧化程度预测模型ηoxi(T)、机油污染程度预测模型ηcd(R2)、机油抗磨性能衰减程度预测模型ηanti(R3)，构建机油老化程度预测模型ηaging；
ηaging＝f1×ηca(R1)+f2×ηoxi(T)+f3×ηcd(R2)+f4×ηanti(R3)，
其中，f1+f2+f3+f4＝1，f1、f2、f3和f4的取值范围均为[0,1]。
第三方面，本申请实施例提供了一种设备，该设备包括处理器和存储器，所述存储器中存储有至少一条指令或者程序，所述指令或者程序由所述处理器加载并执行以实现如第一方面所述的机油老化程度预测方法。
第四方面，本申请实施例提供了一种计算机可读存储介质，该存储介质中存储有至少一条指令或者程序，所述指令或者程序由处理器加载并执行以实现如第一方面所述的机油老化程度预测方法。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性的，并不能限制本发明。
附图说明
为了更清楚地说明本申请具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的机油老化程度预测模型的构建过程的流程图；
图2是本申请实施例提供的机油老化程度预测方法的流程图；
图3是本申请实施例提供的试验车辆1对应的机油老化程度预测模型验证结果的示意图；
图4是本申请实施例提供的试验车辆2对应的机油老化程度预测模型验证结果的示意图；
图5是本申请实施例提供的机油老化程度预测装置的框图；
图6是本申请实施例提供的一种设备的结构方框图。
具体实施方式
下面将结合附图，对本申请中的技术方案进行清楚、完整的描述，显然，所描述的实施例是本申请的一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在不做出创造性劳动的前提下所获得的所有其它实施例，都属于本申请保护的范围。
在本申请的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本申请和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本申请的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
在本申请的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电气连接；可以是直接相连，也可以通过中间媒介间接相连，还可以是两个元件内部的连通，可以是无线连接，也可以是有线连接。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本申请中的具体含义。
此外，下面所描述的本申请不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
目前，在实现实时评估机油老化程度时，需要在车辆上额外安装传感器，但由于传感器的价格昂贵，该种方法的成本较高。本申请实施例提供了一种机油老化程度预测方法，通过预先构建的机油老化程度预测模型，以及处理后的车辆运行数据，实现机油老化程度的实时预测。
在利用机油老化程度预测模型预测车辆的机油老化程度之前，需要先构建出机油老化程度预测模型。如图1所示，本申请实施例提供的机油老化程度预测模型的构建过程为：
步骤101，采集试验车辆在机油全生命周期内的运行数据，并采集不同里程对应的机油样本。
机油全生命周期为正常至报废。
车辆的运行数据包括发动机转速、负荷、液体介质温度；液体介质温度用于反应发动机内机油使用的温度环境。
液体介质温度为机油温度或冷却水温度。
步骤102，获取机油样品的理化参数。
针对采集到的不同里程对应的机油样品，分别检测机油样品的理化参数。
理化参数包括机油碱值、机油氧化度、机油硝化度、机油铁元素含量。
步骤103，根据机油样品的理化参数，确定机油老化指标样本评价值。
机油老化指标包括机油清洁能力衰减程度、机油氧化程度、机油污染程度、机油抗磨性能衰减程度。
机油老化指标评价值根据机油的理化参数计算得到。
机油样品的机油老化指标评价值即为机油老化指标样本评价值。
步骤104，获取机油老化程度预测模型的特征参数，特征参数包括曲轴加权累计旋转圈数和机油加权累计使用时间。
曲轴加权累计旋转圈数与机油清洁能力衰减程度、机油污染程度、机油抗磨性能衰减程度、车辆的运行数据相关。
根据机油清洁能力衰减程度和车辆的运行数据，可以确定出机油清洁能力衰减程度对应的曲轴加权累计旋转圈数。
根据机油污染程度和车辆的运行数据，可以确定出机油污染程度对应的曲轴加权累计旋转圈数。
根据机油抗磨性能衰减程度和车辆的运行数据，可以确定出机油抗磨性能衰减程度对应的曲轴加权累计旋转圈数。
机油加权累计使用时间与机油氧化程度、车辆的运行数据相关。根据机油氧化程度和车辆的运行数据，可以确定出机油氧化程度对应的机油加权累计使用时间。
步骤105，将机油老化指标样本评价值作为机油老化程度预测模型的标签数据，根据标签数据和标签数据对应的特征参数，构建出机油老化程度预测模型。
机油老化程度预测模型的类型根据实际情况确定，本申请实施例对此不作限定。
将机油清洁能力衰减程度样本评价值、机油污染程度样本评价值、机油抗磨性能衰减程度样本评价值、机油氧化程度样本评价值作为标签数据。
每个机油清洁能力衰减程度样本评价值对应一个曲轴加权累计旋转圈数；每个机油污染程度样本评价值对应一个曲轴加权累计旋转圈数；每个机油抗磨性能衰减程度样本评价值对应一个曲轴加权累计旋转圈数；每个机油氧化程度样本评价值对应一个机油加权累计使用时间。
通过机油老化程度预测模型，建立曲轴加权累计旋转圈数、机油加权累计使用时间与机油老化程度之间的关系；在对待检测车辆进行检测时，只需要根据待检测车辆的运行数据获取检测时间点的曲轴加权累计旋转圈数、机油加权累计使用时间，即可根据机油老化程度预测模型预测出机油在检测时间点的老化程度。
在上述步骤104，即“获取机油老化程度预测模型的特征参数，特征参数包括曲轴加权累计旋转圈数和机油加权累计使用时间”中，当特征参数为曲轴加权累计旋转圈数时，获取机油老化程度预测模型的特征参数，也即获取曲轴加权累计旋转圈数，通过如下方式实现：
一、将发动机负荷区间划分为i个连续的负荷子区间，每个负荷子区间对应一组负荷惩罚系数ωik；每组中的负荷惩罚系数分别对应机油清洁能力衰减程度、机油污染程度、机油抗磨性能衰减程度。
i为正整数，k＝1，2，3。
比如，发动机负荷区间为0％-100％，将发动机负荷区间0％-100％划分为15个连续的负荷子区间；负荷惩罚系数ωik中i的取值为1,2，…，15；
在一个例子中，每组中的负荷惩罚系数ωi1对应机油清洁能力衰减程度，负荷惩罚系数ωi2对应机油污染程度，负荷惩罚系数ωi3对应机油抗磨性能衰减程度。
负荷惩罚系数ωik是预先确定的。ωi1、ωi2、ωi3的值可以不相同。
需要说明的是，k的取值与机油清洁能力衰减程度、机油污染程度、机油抗磨性能衰减程度的对应关系根据实际情况确定，本申请实施例中k的取值与机油清洁能力衰减程度、机油污染程度、机油抗磨性能衰减程度的对应关系仅为示例性说明，本申请实施例对此不作限定。
可选的，机油清洁能力衰减程度对应的负荷惩罚系数预先根据车辆的运行数据和油清洁能力衰减程度确定；机油污染程度对应的负荷惩罚系数预先根据车辆的运行数据和机油污染程度确定；机油抗磨性能衰减程度对应的负荷惩罚系数预先根据车辆的运行数据和机油抗磨性能衰减程度确定。
二、以检测时间点为终止时间，统计每个负荷子区间对应的曲轴累计旋转圈数ri。
以车辆更换全新机油的时间为起始时间，以检测时间点为终止时间。
从起始时间到检测时间点，车辆会经过N个行驶过程。N为大于等于0的整数。在每个行驶过程中，每个负荷子区间对应一个曲轴旋转圈数；对于从起始时间到检测时间点的N个行驶过程，每个负荷子区间对应有N个曲轴旋转圈数，将N个曲轴旋转圈数累加，即为每个负荷子区间对应的曲轴累计旋转圈数ri。
根据每个负荷子区间的负荷范围，确定负荷子区间对应的发动机转速，再根据发动机转速和时间确定出每个负荷子区间对应的曲轴旋转圈数。
随着检测时间点的变化，车辆从起始时间到检测时间点的运行时间相应地变化，每个负荷子区间对应的曲轴累计旋转圈数ri也会变化。
三、按如下公式计算曲轴加权累计旋转圈数Rk：
Rk＝∑ωik×ri。
在一个例子中，机油清洁能力衰减程度对应的曲轴加权累计旋转圈数R1＝∑ωi1×ri；机油污染程度对应的曲轴加权累计旋转圈数R2＝∑ωi2×ri；机油抗磨性能衰减程度对应的曲轴加权累计旋转圈数R3＝∑ωi3×ri。
在上述步骤104，即“获取机油老化程度预测模型的特征参数，特征参数包括曲轴加权累计旋转圈数和机油加权累计使用时间”中，当特征参数为机油加权累计使用时间时，获取机油老化程度预测模型的特征参数，也即获取机油加权累计使用时间，通过如下方式实现：
一、将液体介质温度区间划分为j个连续的温度子区间，每个温度子区间对应一个温度惩罚系数βj。
j为正整数；温度惩罚系数对应机油氧化程度。
比如，液体介质温度区间为0℃-120℃，将液体介质温度区间0℃-120℃划分为11个连续的温度子区间；j的取值为1,2，…11。
温度惩罚系数βj是预先确定的。
可选的，温度惩罚系数预先根据车辆的运行数据和机油氧化程度确定。
二、以检测时间点为终止时间，统计每个温度子区间对应的机油累计使用时间tj。
以车辆更换全新机油的时间为起始时间，以检测时间点为终止时间。
从起始时间到检测时间点，车辆会经过N个行驶过程。N为大于等于0的整数。在每个行驶过程中，每个温度子区间对应一个机油使用时间；对于从起始时间到检测时间点的N个行驶过程，每个温度子区间对应有N个机油使用时间，将N个机油使用时间累加，即为每个温度子区间对应的机油累计使用时间tj。
随着检测时间点的变化，车辆从起始时间到检测时间点的运行时间相应地变化，每个温度子区间对应的机油累计使用时间也会变化。
三、按如下公式计算机油加权累计使用时间T：
T＝∑βj×tj。
可选的，液体介质温度为机油温度。
可选的，液体介质温度为冷却水温度。
上述步骤105，即“将机油老化指标样本评价值作为机油老化程度预测模型的标签数据，根据标签数据和标签数据对应的特征参数，构建出机油老化程度预测模型”，通过如下方式实现：
一、构建机油清洁能力衰减程度预测模型。
将机油清洁能力衰减程度样本评价值作为机油清洁能力衰减程度预测模型的标签数据，将机油清洁能力衰减程度样本评价值对应的曲轴加权累计旋转圈数作为机油清洁能力衰减程度预测模型的特征参数，构建机油清洁能力衰减程度预测模型为ηca(R1)。
机油清洁能力衰减程度预测模型的类型根据实际情况确定，本申请实施例对此不作限定。
二、构建机油氧化程度预测模型。
将机油氧化程度样本评价值作为机油氧化程度预测模型的标签数据，将机油氧化程度样本评价值对应的机油加权累计使用时间作机油氧化程度的特征参数，构建机油氧化程度预测模型为ηoxi(T)。
机油氧化程度预测模型的类型根据实际情况确定，本申请实施例对此不作限定。
三、构建机油污染程度预测模型。
将机油污染程度样本评价值作为机油污染程度预测模型的标签数据，将机油污染程度样本评价值对应的曲轴加权累计旋转圈数作为机油污染程度预测模型的特征参数，构建机油污染程度预测模型为ηcd(R2)。
机油污染程度预测模型的类型根据实际情况确定，本申请实施例对此不作限定。
四、构建机油抗磨性能衰减程度预测模型。
将机油抗磨性能衰减程度样本评价值作为机油抗磨性能衰减程度预测模型的标签数据，将机油抗磨性能衰减程度样本评价值对应的曲轴加权累计旋转圈数作为机油抗磨性能衰减程度预测模型的特征参数，构建机油抗磨性能衰减程度预测模型为ηanti(R3)。
机油抗磨性能衰减程度预测模型的类型根据实际情况确定，本申请实施例对此不作限定。
五、根据机油清洁能力衰减程度预测模型ηca(R1)、机油氧化程度预测模型ηoxi(T)、机油污染程度预测模型ηcd(R2)、机油抗磨性能衰减程度预测模型ηanti(R3)，构建机油老化程度预测模型ηaging。
可选的，采用加权平均方法构建机油老化程度预测模型ηaging：
ηaging＝f1×ηca(R1)+f2×ηoxi(T)+f3×ηcd(R2)+f4×ηanti(R3)；
其中，f1+f2+f3+f4＝1；
f1的取值范围为[0,1]；f2的取值范围为[0,1]；f3的取值范围为[0,1]；f4的取值范围均为[0,1]。
通过机油老化程度预测模型可以得到任意检测时间点对应的机油老化程度的预测值。
在上述步骤103，即“根据机油样品的理化参数，确定机油老化指标样本评价值”中，根据机油碱值确定机油清洁能力衰减程度评价值；根据机油氧化度确定机油氧化程度评价值；根据机油硝化度确定机油污染程度评价值；根据机油铁元素含量确定机油抗磨性能衰减程度。
可选的，针对每种机油老化指标设置对应的转换关系，根据机油的理化参数和对应的转换关系，得到机油老化指标评价值。
在一个例子中，在发动机台架上使用一款机油，该机油的推荐保养里程为15000km，发动机在固定工况1(1400r/min，20％负荷)、固定工况2(1600r/min，20％负荷)、固定工况3(1800r/min，10％负荷)、固定工况4(2200r/min，50％负荷)、固定工况5(2860r/min，50％负荷)、固定工况6(3000r/min，100％负荷)下分别运行200小时。
在发动机运行期间，连续采集发动机的运行数据，即发动机转速、负荷、机油温度信号；每隔50小时采集一次机油样品。
获取采集到的机油样品的理化参数，即机油碱值、机油氧化度、机油硝化度、机油铁元素含量。
根据机油样品的理化参数，确定机油老化指标样本评价值。
表1示出了不同工况及不同运行时间下，对应的机油样品的理化参数、机油老化指标样本评价值。
表1
根据表1中的数据，计算机油老化程度预测模型的特征参数，即曲轴加权累计旋转圈数和机油加权累计使用时间。
1、以将发动机负荷区间划分为15个连续的负荷子区间为例，i＝1，2，3,...，15。
对于机油清洁能力衰减程度，每个负荷子区间对应的负荷惩罚系数ωi1如表2所示。
表2
ω11 ω21 ...... ω61 ω71 ...... ω91 ω101 ...... ω141 ω151
0.580 0.008 ...... 0.041 0.04 ...... 0.039 0.037 ...... 0.027 0.024
对于机油污染程度，每个负荷子区间对应的负荷惩罚系数ωi2如表3所示。
表3
ω12 ω22 ...... ω72 ω82 ...... ω102 ...... ω132 ...... ω152
0.02 0.024 ...... 0.055 0.061 ...... 0.058 ...... 0.054 ...... 0.051
对于机油抗磨性能衰减程度，每个负荷子区间对应的负荷惩罚系数ωi3如表4所示。
表4
ω13 ω23 ...... ω63 ω73 ...... ω93 ...... ω133 ...... ω153
0.501 0.022 ...... 0.014 0.012 ...... 0.015 ...... 0.031 ...... 0.039
2、以将机油温度区间划分为11个连续的温度子区间为例，j＝1，2，3，...，11。
对于机油氧化程度，每个温度子区间对应的温度惩罚系数∑如表5所示。
表5
温度惩罚系数βj β1 ...... β4 ...... β7 ...... β10 β11
×10-4 0.007 ...... 0.1 ...... 0.4 ...... 1.5 1.7
3、计算机油老化程度预测模型的特征参数，即曲轴加权累计旋转圈数和机油加权累计使用时间。
针对表1中每个工况的各个运行时间采样点：
统计每个负荷子区间对应的曲轴累计旋转圈数ri，以及统计每个温度子区间对应的机油累计使用时间tj；分别计算机油清洁能力衰减程度对应的曲轴加权累计旋转圈数、机油污染程度对应的曲轴加权累计旋转圈数、机油抗磨性能衰减程度对应的曲轴加权累计旋转圈数、机油氧化程度对应的机油加权累计使用时间。
其中，曲轴加权累计旋转圈数Rk的计算公式为：Rk＝∑ωik×ri；k＝1，2，3；
机油加权累计使用时间T的计算公式为：T＝∑βj×tj。
4、将机油老化指标样本评价值作为机油老化程度预测模型的标签数据，根据标签数据和标签数据对应的特征参数，构建出机油老化程度预测模型。
(1)将机油清洁能力衰减程度样本评价值作为机油清洁能力衰减程度预测模型的标签数据，将机油清洁能力衰减程度样本评价值对应的曲轴加权累计旋转圈数作为机油清洁能力衰减程度预测模型的特征参数，构建机油清洁能力衰减程度预测模型为ηca(R1)。
在一个例子中，采用多项式回归方法构建机油清洁能力衰减程度预测模型ηca(R1)，构建出的机油清洁能力衰减程度预测模型为：ηca(R1)＝a1R1 2+b1R1+c1，a1、b1、c1为系数，a1、b1、c1的值根据实际情况确定。
需要说明的是，机油清洁能力衰减程度预测模型的构建方式根据实际情况确定，本申请实施例不作限定。
(2)将机油氧化程度样本评价值作为机油氧化程度预测模型的标签数据，将机油氧化程度样本评价值对应的机油加权累计使用时间作为机油氧化程度的特征参数，构建机油氧化程度预测模型为ηoxi(T)。
在一个例子中，采用多项式回归方法构建机油氧化程度预测模型为ηoxi(T)，构建出的机油氧化程度预测模型为：ηoxi(T)＝a2T2+b2T+c2，a2、b2、c2为系数，a2、b2、c2的值根据实际情况确定。
(3)将机油污染程度样本评价值作为机油污染程度预测模型的标签数据，将机油污染程度样本评价值对应的曲轴加权累计旋转圈数作为机油污染程度预测模型的特征参数，构建机油污染程度预测模型为ηcd(R2)。
在一个例子中，采用多项式回归方法构建机油污染程度预测模型ηcd(R2)，构建出的机油污染程度预测模型为：ηcd(R2)＝a3R2 2+b3R2+c3，a3、b3、c3为系数，a3、b3、c3的值根据实际情况确定。
(4)将机油抗磨性能衰减程度样本评价值作为机油抗磨性能衰减程度预测模型的标签数据，将机油抗磨性能衰减程度样本评价值对应的曲轴加权累计旋转圈数作为机油抗磨性能衰减程度预测模型的特征参数，构建机油抗磨性能衰减程度预测模型为ηanti(R3)。
在一个例子中，采用多项式回归方法构建机油抗磨性能衰减程度预测模型ηanti(R3)，构建出的机油抗磨性能衰减程度预测模型为：ηanti(R3)＝a4R3 2+b4R3+c4，a4、b4、c4为系数，a4、b4、c4的值根据实际情况确定。
(5)采用加权平均方法，根据机油清洁能力衰减程度预测模型ηca(R1)、机油氧化程度预测模型ηoxi(T)、机油污染程度预测模型ηcd(R2)、机油抗磨性能衰减程度预测模型ηanti(R3)，构建出机油老化程度预测模型ηaging。
ηaging＝f1×ηca(R1)+f2×ηoxi(T)+f3×ηcd(R2)+f4×ηanti(R3)，
其中，f1+f2+f3+f4＝1，f1、f2、f3和f4的取值范围均为[0,1]；f1、f2、f3和f4的值根据实际情况确定。
请参考图2，本申请实施例提供了一种机油老化程度预测方法的流程图，该方法至少包括如下步骤：
步骤201，获取待检测车辆在检测时间点的曲轴加权累计旋转圈数和机油加权累计使用时间。
收集待检测车辆中截止到检测时间点的运行数据，包括发动机转速、负荷、液体介质温度。
根据收集到的运行数据，按上述实施例中提供的曲轴加权累计旋转圈数的计算方法计算检测时间点对应的曲轴加权累计旋转圈数，以及，按上述实施例中提供的机油加权累计使用时间的计算方法计算检测时间点对应的机油加权累计使用时间。
步骤202，将待检测车辆在检测时间点的曲轴加权累计旋转圈数和机油加权累计使用时间，输入机油老化程度预测模型，得到待检测车辆的机油老化程度的预测值。
机油老化程度预测模型预先根据上述实施例提供的构建过程构建得到。
将待检测车辆在检测时间点的曲轴加权累计旋转圈数和机油加权累计使用时间，输入机油老化程度预测模型，得到待检测车辆在检测时间点的机油老化程度的预测值；根据机油老化程度的预测值可以看出待检测车辆的机油老化程度。
机油老化程度预测值的数值越大，说明机油的老化程度越高。
需要说明的是，构建机油老化程度预测模型时，使用的试验车辆的机油标号与待检测车辆的机油标号相同，使用的试验车辆的发动机型号与待检测车辆的发动机型号相同。机油老化程度预测模型的参数根据机油标号、发动机型号的变化而变化。
综上所述，本申请实施例提供的机油老化程度预测模型，通过预先构建机油老化程度预测模型，建立车辆的运行参数和机油老化程度之前的关系，在预测车辆的机油老化程度时，根据待检测车辆的运行参数计算出检测时间点对应的曲轴加权累计旋转圈数和机油加权累计使用时间，将检测时间点对应的曲轴加权累计旋转圈数和机油加权累计使用时间输入机油老化程度预测模型，得到待检测车辆在检测时间点的机油老化程度的预测值；不需要在车辆上增加额外的传感器等硬件设备，解决了目前实时检测机油老化程度成本高的问题；达到了低成本、高效地实时预测机油老化程度，提高机油老化程度预测精度的效果。
在基于图2所示实施例的可选实施例，收集的待检测车辆中截止到检测时间点的液体介质温度为机油温度或冷却水温度。
在基于图2所示实施例的可选实施例，机油老化程度预测模型构建完成后，将机油老化程度预测模型部署在服务器中。在实施本申请实施例提供的机油老化程度预测方法时，可以有如下几种实现方式：
1、通过待测车辆获取截止至检测时间点的运行数据，通过待测车辆将获取到的运行数据发送至服务器端，由服务器端根据接收到的运行数据计算检测时间点对应的曲轴加权累计旋转圈数和机油加权累计使用时间；通过服务器将曲轴加权累计旋转圈数和机油加权累计使用时间，输入部署在服务器的机油老化程度预测模型，得到待测车辆的机油老化程度的预测值。
2、通过待测车辆获取截止至检测时间点的运行数据，由待测车辆根据运行数据计算检测时间点对应的曲轴加权累计旋转圈数和机油加权累计使用时间，并发送至服务器端；通过服务器将接收曲轴加权累计旋转圈数和机油加权累计使用时间，并输入部署在服务器的机油老化程度预测模型，得到待测车辆的机油老化程度的预测值。
可选的，待测车辆具备连接数据网络、无线网络的功能。
通过该种方式，实现对车辆的机油老化程度的实时在线预测。
在基于图2所示实施例的可选实施例，机油老化程度预测模型构建完成后，将机油老化程度预测模型部署在车载控制器中。在实施本申请实施例提供的机油老化程度预测方法时，可以由如下方式实现：
待测车辆的车载控制器获取截止至检测时间点的运行数据，车载控制器根据运行数据计算检测时间点对应的曲轴加权累计旋转圈数和机油加权累计使用时间，并将曲轴加权累计旋转圈数和机油加权累计使用时间输入部署在车载服务器中的机油老化程度预测模型，得到待测车辆的机油老化程度的预测值。
通过该种方式，实现对车辆的机油老化程度的实时本地预测。
可选的，待测车辆具备连接数据网络、无线网络的功能；在得到机油老化程度的预测值后，待测车辆可根据实际需求，将车辆的运行数据和对应的机油老化程度预测值发送至云服务器端。
在一个例子中，构建机油老化程度预测模型的数据如表1至表5所示，随机选取2辆车(车辆1、车辆2)进行试验，并对机油老化程度预测模型的精度进行验证，车辆1、车辆2对应的机油标号、发动机型号与机油老化程度预测模型对应的机油标号、发动机型号一致。
针对车辆1的验证结果如图3所示，曲线31表示机油老化程度试验值，曲线32表示机油老化程度预测值，曲线33表示机油老化程度预测结果相对误差；误差范围34为试验测试误差导致的相对误差波动。
针对车辆2的验证结果如图4所示，曲线41表示机油老化程度试验值，曲线42表示机油老化程度预测值，曲线43表示机油老化程度预测结果相对误差。
由图3和图4可以看出，采用本申请实施例提供的机油老化程度预测方法的预测精度较高。
图5是本申请一个实施例提供的机油老化程度预测装置的框图，该装置至少包括以下几个模块：获取模块510、预测模块520、模型构建模块530。
获取模块510，用于获取待检测车辆在检测时间点的曲轴加权累计旋转圈数和机油加权累计使用时间；
预测模块520，用于将待检测车辆在检测时间点的曲轴加权累计旋转圈数和机油加权累计使用时间，输入机油老化程度预测模型，得到待测车辆的机油老化程度的预测值；
其中，获取模块510，还用于采集试验车辆在机油全生命周期内的运行数据；运行数据包括发动机转速、负荷、液体介质温度；液体介质温度用于反应发动机内机油使用的温度环境；试验车辆与待检测车辆的机油标号、发动机型号相同；获取采集到的不同里程对应的机油样品的理化参数，理化参数包括机油碱值、机油氧化度、机油硝化度、机油铁元素含量；根据机油样品的理化参数，确定机油老化指标样本评价值；机油老化指标包括机油清洁能力衰减程度、机油氧化程度、机油污染程度、机油抗磨性能衰减程度；获取机油老化程度预测模型的特征参数，特征参数包括曲轴加权累计旋转圈数和机油加权累计使用时间；曲轴加权累计旋转圈数与机油清洁能力衰减程度、机油污染程度、机油抗磨性能衰减程度、车辆的运行数据相关，机油加权累计使用时间与机油氧化程度、车辆的运行数据相关；
模型构建模块530，用于将机油老化指标样本评价值作为机油老化程度预测模型的标签数据，根据标签数据和标签数据对应的特征参数，构建出机油老化程度预测模型。
可选的，当特征参数是曲轴加权累计旋转圈数时，获取模块510，用于将发动机负荷区间划分为i个连续的负荷子区间，每个负荷子区间对应一组负荷惩罚系数ωik；每组中的负荷惩罚系数分别对应机油清洁能力衰减程度、机油污染程度、机油抗磨性能衰减程度；i为正整数，k＝1,2,3
以检测时间点为终止时间，统计每个负荷子区间对应的曲轴累计旋转圈数ri；
按如下公式计算曲轴加权累计旋转圈数Rk：
Rk＝∑ωik×ri。
可选的，机油清洁能力衰减程度对应的负荷惩罚系数预先根据车辆的运行数据和油清洁能力衰减程度确定；机油污染程度对应的负荷惩罚系数预先根据车辆的运行数据和机油污染程度确定；机油抗磨性能衰减程度对应的负荷惩罚系数预先根据车辆的运行数据和机油抗磨性能衰减程度确定。
可选的，当特征参数是机油加权累计使用时间时，获取模块510用于，将液体介质温度区间划分为j个连续的温度子区间，每个温度子区间对应一个温度惩罚系数βj；j为正整数；温度惩罚系数对应机油氧化程度；
以检测时间点为终止时间，统计每个温度子区间对应的机油累计使用时间tj；
按如下公式计算机油加权累计使用时间T：
T＝∑βj×tj。
可选的，温度惩罚系数预先根据车辆的运行数据和机油氧化程度确定。
可选的，液体介质温度为机油温度。
可选的，液体介质温度为冷却水温度。
可选的，模型构建模块530，用于将机油清洁能力衰减程度样本评价值作为机油清洁能力衰减程度预测模型的标签数据，将机油清洁能力衰减程度样本评价值对应的曲轴加权累计旋转圈数作为机油清洁能力衰减程度预测模型的特征参数，构建机油清洁能力衰减程度预测模型为ηca(R1)；将机油氧化程度样本评价值作为机油氧化程度预测模型的标签数据，将机油氧化程度样本评价值对应的机油加权累计使用时间作为机油氧化程度的特征参数，构建机油氧化程度预测模型为ηoxi(T)；将机油污染程度样本评价值作为机油污染程度预测模型的标签数据，将机油污染程度样本评价值对应的曲轴加权累计旋转圈数作为机油污染程度预测模型的特征参数，构建机油污染程度预测模型为ηcd(R2)；将机油抗磨性能衰减程度样本评价值作为机油抗磨性能衰减程度预测模型的标签数据，将机油抗磨性能衰减程度样本评价值对应的曲轴加权累计旋转圈数作为机油抗磨性能衰减程度预测模型的特征参数，构建机油抗磨性能衰减程度预测模型为ηanti(R3)；根据机油清洁能力衰减程度预测模型ηca(R1)、机油氧化程度预测模型ηoxi(T)、机油污染程度预测模型ηcd(R2)、机油抗磨性能衰减程度预测模型ηanti(R3)，构建机油老化程度预测模型ηaging；
ηaging＝f1×ηca(R1)+f2×ηoxi(T)+f3×ηcd(R2)+f4×ηanti(R3)，
其中，f1+f2+f3+f4＝1，f1、f2、f3和f4的取值范围均为[0,1]。
参考图6，其示出了本申请一个示例性实施例提供的设备的结构方框图。本申请中的设备可以包括一个或多个如下部件：处理器610和存储器620。
处理器610可以包括一个或者多个处理核心。处理器610利用各种接口和线路连接整个设备内的各个部分，通过运行或执行存储在存储器620内的指令、程序、代码集或指令集，以及调用存储在存储器620内的数据，执行设备的各种功能和处理数据。可选地，处理器610可以采用数字信号处理(Digital Signal Processing，DSP)、现场可编程门阵列(Field－Programmable Gate Array，FPGA)、可编程逻辑阵列(Programmable LogicArray，PLA)中的至少一种硬件形式来实现。处理器610可集成中央处理器(CentralProcessing Unit，CPU)和调制解调器等中的一种或几种的组合。其中，CPU主要处理操作系统和应用程序等；调制解调器用于处理无线通信。可以理解的是，上述调制解调器也可以不集成到处理器610中，单独通过一块芯片进行实现。
可选地，处理器610执行存储器620中的程序指令时实现上述各个方法实施例提供的机油老化程度预测方法。
存储器620可以包括随机存储器(Random Access Memory，RAM)，也可以包括只读存储器(Read-Only Memory)。可选地，该存储器620包括非瞬时性计算机可读介质(non-transitory computer-readable storage medium)。存储器620可用于存储指令、程序、代码、代码集或指令集。存储器620可包括存储程序区和存储数据区，其中，存储程序区可存储用于实现操作系统的指令、用于至少一个功能的指令、用于实现上述各个方法实施例的指令等；存储数据区可存储根据设备的使用所创建的数据等。
需要补充说明的是，上述设备仅是示意性地，在实际实现时，设备还可以包括更少或更多的部件，比如：设备还包括触摸显示屏、通信组件、传感器组件等，本实施例在此不再一一限定。
需要说明的是，构建机油老化程度模型的设备与进行机油老化程度预测的设备为同一个设备，或者，构建机油老化程度模型的设备与进行机油老化程度预测的设备为不同的设备，本申请实施例对此不作限定。
可选地，本申请还提供有一种计算机可读存储介质，该计算机可读存储介质中存储有程序，该程序由处理器加载并执行以实现上述方法实施例的机油老化程度预测方法。
可选地，本申请还提供有一种计算机产品，该计算机产品包括计算机可读存储介质，该计算机可读存储介质中存储有程序，该程序由处理器加载并执行以实现上述方法实施例的机油老化程度预测方法。
显然，上述实施例仅仅是为清楚地说明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本申请创造的保护范围之中。

Claims (21)

1.一种机油老化程度预测方法，其特征在于，所述方法包括：
获取待检测车辆在检测时间点的曲轴加权累计旋转圈数和机油加权累计使用时间；
将所述待检测车辆在检测时间点的曲轴加权累计旋转圈数和机油加权累计使用时间，输入机油老化程度预测模型，得到所述待测车辆的机油老化程度的预测值；
其中，所述机油老化程度预测模型的构建过程为：
采集试验车辆在机油全生命周期内的运行数据，并采集不同里程对应的机油样品；所述运行数据包括发动机转速、负荷、液体介质温度；所述液体介质温度用于反应发动机内机油使用的温度环境；所述试验车辆与所述待检测车辆的机油标号、发动机型号相同；
获取所述机油样品的理化参数，所述理化参数包括机油碱值、机油氧化度、机油硝化度、机油铁元素含量；
根据所述机油样品的理化参数，确定机油老化指标样本评价值；所述机油老化指标包括机油清洁能力衰减程度、机油氧化程度、机油污染程度、机油抗磨性能衰减程度；
获取所述机油老化程度预测模型的特征参数，所述特征参数包括曲轴加权累计旋转圈数和机油加权累计使用时间；所述曲轴加权累计旋转圈数与机油清洁能力衰减程度、机油污染程度、机油抗磨性能衰减程度、车辆的运行数据相关，所述机油加权累计使用时间与机油氧化程度、车辆的运行数据相关；
将所述机油老化指标样本评价值作为所述机油老化程度预测模型的标签数据，根据所述标签数据和所述标签数据对应的特征参数，构建出所述机油老化程度预测模型。
2.根据权利要求1所述的方法，其特征在于，当特征参数是曲轴加权累计旋转圈数时，获取所述机油老化程度预测模型的特征参数，包括：
将发动机负荷区间划分为i个连续的负荷子区间，每个负荷子区间对应一组负荷惩罚系数ωik；每组中的负荷惩罚系数分别对应机油清洁能力衰减程度、机油污染程度、机油抗磨性能衰减程度；i为正整数，k＝1,2,3；
以检测时间点为终止时间，统计每个负荷子区间对应的曲轴累计旋转圈数ri；
按如下公式计算曲轴加权累计旋转圈数Rk：
Rk＝∑ωik×ri。
3.根据权利要求2所述的方法，其特征在于，机油清洁能力衰减程度对应的负荷惩罚系数预先根据车辆的运行数据和油清洁能力衰减程度确定；
机油污染程度对应的负荷惩罚系数预先根据车辆的运行数据和机油污染程度确定；
机油抗磨性能衰减程度对应的负荷惩罚系数预先根据车辆的运行数据和机油抗磨性能衰减程度确定。
4.根据权利要求1所述的方法，其特征在于，当特征参数是机油加权累计使用时间时，获取所述机油老化程度预测模型的特征参数，包括：
将液体介质温度区间划分为j个连续的温度子区间，每个温度子区间对应一个温度惩罚系数βj；j为正整数；所述温度惩罚系数对应机油氧化程度；
以检测时间点为终止时间，统计每个温度子区间对应的机油累计使用时间tj；
按如下公式计算机油加权累计使用时间T：
T＝∑βj×tj。
5.根据权利要求4所述的方法，其特征在于，所述温度惩罚系数预先根据车辆的运行数据和机油氧化程度确定。
6.根据权利要求1或4所述的方法，其特征在于，所述液体介质温度为机油温度。
7.根据权利要求1或4所述的方法，其特征在于，所述液体介质温度为冷却水温度。
8.根据权利要求1、2、4任一所述的方法，其特征在于，将所述机油老化指标样本评价值作为所述机油老化程度预测模型的标签数据，根据所述标签数据和所述标签数据对应的特征参数，构建出机油老化程度预测模型，包括：
将机油清洁能力衰减程度样本评价值作为机油清洁能力衰减程度预测模型的标签数据，将机油清洁能力衰减程度样本评价值对应的曲轴加权累计旋转圈数作为所述机油清洁能力衰减程度预测模型的特征参数，构建所述机油清洁能力衰减程度预测模型为ηca(R1)；
将机油氧化程度样本评价值作为机油氧化程度预测模型的标签数据，将机油氧化程度样本评价值对应的机油加权累计使用时间作为所述机油氧化程度的特征参数，构建所述机油氧化程度预测模型为ηoxi(T)；
将机油污染程度样本评价值作为机油污染程度预测模型的标签数据，将机油污染程度样本评价值对应的曲轴加权累计旋转圈数作为所述机油污染程度预测模型的特征参数，构建所述机油污染程度预测模型为ηcd(R2)；
将机油抗磨性能衰减程度样本评价值作为机油抗磨性能衰减程度预测模型的标签数据，将机油抗磨性能衰减程度样本评价值对应的曲轴加权累计旋转圈数作为所述机油抗磨性能衰减程度预测模型的特征参数，构建所述机油抗磨性能衰减程度预测模型为ηanti(R3)；
根据所述机油清洁能力衰减程度预测模型ηca(R1)、所述机油氧化程度预测模型ηoxi(T)、所述机油污染程度预测模型ηcd(R2)、所述机油抗磨性能衰减程度预测模型ηanti(R3)，构建机油老化程度预测模型ηaging；
ηaging＝f1×ηca(R1)+f2×ηoxi(T)+f3×ηcd(R2)+f4×ηanti(R3)，
其中，f1+f2+f3+f4＝1，f1、f2、f3和f4的取值范围均为[0,1]。
9.根据权利要求1所述的方法，其特征在于，所述根据机油样品的理化参数，确定机油老化指标样本评价值，包括：
根据所述机油碱值确定所述机油清洁能力衰减程度评价值；
根据所述机油氧化度确定所述机油氧化程度评价值；
根据所述机油硝化度确定所述机油污染程度评价值；
根据所述机油铁元素含量确定所述机油抗磨性能衰减程度。
10.根据权利要求1所述的方法，其特征在于，所述机油老化程度预测模型部署在服务器中。
11.根据权利要求1所述的方法，其特征在于，所述机油老化程度预测模型部署在车载控制器中。
12.一种机油老化程度预测装置，其特征在于，所述装置包括获取模块、预测模块、模型构建模块；
所述获取模块，用于获取待检测车辆在检测时间点的曲轴加权累计旋转圈数和机油加权累计使用时间；
所述预测模块，用于将所述待检测车辆在检测时间点的曲轴加权累计旋转圈数和机油加权累计使用时间，输入机油老化程度预测模型，得到所述待测车辆的机油老化程度的预测值；
其中，获取模块，还用于采集试验车辆在机油全生命周期内的运行数据；所述运行数据包括发动机转速、负荷、液体介质温度；所述液体介质温度用于反应发动机内机油使用温度环境；所述试验车辆与所述待检测车辆的机油标号、发动机型号相同；获取采集到的不同里程对应的机油样品的理化参数，所述理化参数包括机油碱值、机油氧化度、机油硝化度、机油铁元素含量；根据所述机油样品的理化参数，确定机油老化指标样本评价值；所述机油老化指标包括机油清洁能力衰减程度、机油氧化程度、机油污染程度、机油抗磨性能衰减程度；获取所述机油老化程度预测模型的特征参数，所述特征参数包括曲轴加权累计旋转圈数和机油加权累计使用时间；所述曲轴加权累计旋转圈数与机油清洁能力衰减程度、机油污染程度、机油抗磨性能衰减程度、车辆的运行数据相关，所述机油加权累计使用时间与机油氧化程度、车辆的运行数据相关；
所述模型构建模块，用于将所述机油老化指标样本评价值作为所述机油老化程度预测模型的标签数据，根据所述标签数据和所述标签数据对应的特征参数，构建出所述机油老化程度预测模型。
13.根据权利要求12所述的机油老化程度预测装置，其特征在于，当特征参数是曲轴加权累计旋转圈数时，所述获取模块，用于将发动机负荷区间划分为i个连续的负荷子区间，每个负荷子区间对应一组负荷惩罚系数ωik；每组中的负荷惩罚系数分别对应机油清洁能力衰减程度、机油污染程度、机油抗磨性能衰减程度；i为正整数，k＝1,2,3；
以检测时间点为终止时间，统计每个负荷子区间对应的曲轴累计旋转圈数ri；
按如下公式计算曲轴加权累计旋转圈数Rk：
Rk＝∑ωik×ri。
14.根据权利要求13所述的机油老化程度预测装置，其特征在于，机油清洁能力衰减程度对应的负荷惩罚系数预先根据车辆的运行数据和油清洁能力衰减程度确定；
机油污染程度对应的负荷惩罚系数预先根据车辆的运行数据和机油污染程度确定；
机油抗磨性能衰减程度对应的负荷惩罚系数预先根据车辆的运行数据和机油抗磨性能衰减程度确定。
15.根据权利要求12所述的机油老化程度预测装置，其特征在于，当特征参数是机油加权累计使用时间时，所述获取模块用于，将液体介质温度区间划分为j个连续的温度子区间，每个温度子区间对应一个温度惩罚系数βj；j为正整数；所述温度惩罚系数对应机油氧化程度；
以检测时间点为终止时间，统计每个温度子区间对应的机油累计使用时间tj；
按如下公式计算机油加权累计使用时间T：
T＝∑βj×tj。
16.根据权利要求15所述的机油老化程度预测装置，其特征在于，所述温度惩罚系数预先根据车辆的运行数据和机油氧化程度确定。
17.根据权利要求12或15所述的机油老化程度预测装置，其特征在于，所述液体介质温度为机油温度。
18.根据权利要求12或15所述的机油老化程度预测装置，其特征在于，所述液体介质温度为冷却水温度。
19.根据权利要求12、13、15任一所述的机油老化程度预测装置，其特征在于，所述模型构建模块，用于将机油清洁能力衰减程度样本评价值作为机油清洁能力衰减程度预测模型的标签数据，将机油清洁能力衰减程度样本评价值对应的曲轴加权累计旋转圈数作为所述机油清洁能力衰减程度预测模型的特征参数，构建所述机油清洁能力衰减程度预测模型为ηca(R1)；
将机油氧化程度样本评价值作为机油氧化程度预测模型的标签数据，将机油氧化程度样本评价值对应的机油加权累计使用时间作为所述机油氧化程度的特征参数，构建所述机油氧化程度预测模型为ηoxi(T)；
将机油污染程度样本评价值作为机油污染程度预测模型的标签数据，将机油污染程度样本评价值对应的曲轴加权累计旋转圈数作为所述机油污染程度预测模型的特征参数，构建所述机油污染程度预测模型为ηcd(R2)；
将机油抗磨性能衰减程度样本评价值作为机油抗磨性能衰减程度预测模型的标签数据，将机油抗磨性能衰减程度样本评价值对应的曲轴加权累计旋转圈数作为所述机油抗磨性能衰减程度预测模型的特征参数，构建所述机油抗磨性能衰减程度预测模型为ηanti(R3)；
根据所述机油清洁能力衰减程度预测模型ηca(R1)、所述机油氧化程度预测模型ηoxi(T)、所述机油污染程度预测模型ηcd(R2)、所述机油抗磨性能衰减程度预测模型ηanti(R3)，构建机油老化程度预测模型ηaging；
ηaging＝f1×ηca(R1)+f2×ηoxi(T)+f3×ηcd(R2)+f4×ηanti(R3)，
其中，f1+f2+f3+f4＝1，f1、f2、f3和f4的取值范围均为[0,1]。
20.一种设备，其特征在于，所述设备包括处理器和存储器，所述存储器中存储有至少一条指令或者程序，所述指令或者程序由所述处理器加载并执行以实现如权利要求1至9任一所述的机油老化程度预测方法。
21.一种计算机可读存储介质，其特征在于，所述存储介质中存储有至少一条指令或者程序，所述指令或者程序由处理器加载并执行以实现如权利要求1至9任一所述的机油老化程度预测方法。
CN202011643874.0A 2020-12-31 2020-12-31 机油老化程度预测方法、装置、设备及存储介质 Active CN112765789B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011643874.0A CN112765789B (zh) 2020-12-31 2020-12-31 机油老化程度预测方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011643874.0A CN112765789B (zh) 2020-12-31 2020-12-31 机油老化程度预测方法、装置、设备及存储介质

Publications (2)

Publication Number Publication Date
CN112765789A CN112765789A (zh) 2021-05-07
CN112765789B true CN112765789B (zh) 2023-07-28

Family

ID=75699699

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011643874.0A Active CN112765789B (zh) 2020-12-31 2020-12-31 机油老化程度预测方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN112765789B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2006131686A2 (fr) * 2005-06-10 2006-12-14 Peugeot Citroën Automobiles Sa. Methode pour detecter le niveau d'oxydation d'une huile moteur et recommander une vidange
EP1956203A1 (fr) * 2007-02-09 2008-08-13 Peugeot Citroën Automobiles S.A. Dispositif et procède d'estimation de la consommation d'huile d'un moteur de véhicule
DE102010020757A1 (de) * 2010-05-17 2011-11-17 Schaeffler Technologies Gmbh & Co. Kg Verfahren zur Ermittlung einer Viskositäts-Kenngröße eines Motoröls sowie Steuereinrichtung zur elektronischen Motorsteuerung
CN110991939A (zh) * 2019-12-24 2020-04-10 斑马网络技术有限公司 车辆的机油性能评价方法、装置及电子设备

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2006131686A2 (fr) * 2005-06-10 2006-12-14 Peugeot Citroën Automobiles Sa. Methode pour detecter le niveau d'oxydation d'une huile moteur et recommander une vidange
EP1956203A1 (fr) * 2007-02-09 2008-08-13 Peugeot Citroën Automobiles S.A. Dispositif et procède d'estimation de la consommation d'huile d'un moteur de véhicule
DE102010020757A1 (de) * 2010-05-17 2011-11-17 Schaeffler Technologies Gmbh & Co. Kg Verfahren zur Ermittlung einer Viskositäts-Kenngröße eines Motoröls sowie Steuereinrichtung zur elektronischen Motorsteuerung
CN110991939A (zh) * 2019-12-24 2020-04-10 斑马网络技术有限公司 车辆的机油性能评价方法、装置及电子设备

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
某发电柴油机机油老化问题的研究;雷跃峰;;顺德职业技术学院学报(04);全文 *

Also Published As

Publication number Publication date
CN112765789A (zh) 2021-05-07

Similar Documents

Publication Publication Date Title
CN106406273B (zh) 车辆中故障原因的确定
CN108680244B (zh) 一种旋转机械振动无线监测装置及方法
JP4640475B2 (ja) 車両の修理交換情報管理システム、車両の修理交換情報管理装置、車両の異常原因情報管理システム、車両の異常原因情報管理装置、複数組の教師データの処理方法
US6609051B2 (en) Method and system for condition monitoring of vehicles
RU2695898C2 (ru) Система и способ записи рабочих циклов для транспортного средства
CN103135515B (zh) 一种车辆状况的诊断方法
KR100764399B1 (ko) 텔레매틱스 시스템의 차량 관리 시스템 및 그 방법
CN107796609B (zh) 一种基于dbn模型的冷水机组故障诊断方法
JP2009115796A (ja) 自動車構造部品の損傷予測方法
WO2001031514A2 (en) A process for the monitoring and diagnostics of data from a remote asset
CN107490479A (zh) 轴承剩余寿命预测方法与装置
CN101241573A (zh) 一种基于obd技术为二手车交易提供信用数据的方法
CN113468241A (zh) 机油保养提醒方法、装置、电子设备及存储介质
CN112765789B (zh) 机油老化程度预测方法、装置、设备及存储介质
WO2022237266A1 (zh) 车辆保养信息的确定方法、装置、设备及介质
KR20230127337A (ko) 기계 장치 또는 기계 부품의 이상을 식별하기 위한방법 및 장치
CN112766771A (zh) 一种基于svm的重型汽车整车质量预测方法
CN113946972A (zh) 一种基于车联网的汽车可靠寿命预测方法
CN109894476B (zh) 一种冷轧硅钢生产线液压设备故障诊断方法和装置
KR20170033726A (ko) 차량 빅데이터 서버 및 차량 빅데이터 서비스 방법
CN114997342A (zh) 一种scr故障诊断方法、装置、设备及存储介质
CN114636947A (zh) 用于预测储能器系统的老化状态的方法及装置
US20180032909A1 (en) Methods and Systems for Modifying Diagnostic Flowcharts Based on Flowchart Performances
CN113448301A (zh) 基于obd系统的故障诊断方法及系统
CN116992240B (zh) 一种车辆排放远程评估方法、设备和存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant