CN113030443A - 一种基于动态自适应趋势分析的地铁车辆油液智能监测方法及判断模型 - Google Patents
一种基于动态自适应趋势分析的地铁车辆油液智能监测方法及判断模型 Download PDFInfo
- Publication number
- CN113030443A CN113030443A CN202110219744.2A CN202110219744A CN113030443A CN 113030443 A CN113030443 A CN 113030443A CN 202110219744 A CN202110219744 A CN 202110219744A CN 113030443 A CN113030443 A CN 113030443A
- Authority
- CN
- China
- Prior art keywords
- oil
- analysis
- monitoring
- trend analysis
- trend
- 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.)
- Pending
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 90
- 238000004458 analytical method Methods 0.000 title claims abstract description 86
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000001514 detection method Methods 0.000 claims abstract description 28
- 238000005461 lubrication Methods 0.000 claims abstract description 23
- 230000003044 adaptive effect Effects 0.000 claims abstract description 15
- 239000007788 liquid Substances 0.000 claims abstract description 13
- 238000006243 chemical reaction Methods 0.000 claims abstract description 8
- 239000003921 oil Substances 0.000 claims description 176
- 238000005070 sampling Methods 0.000 claims description 47
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 claims description 21
- 238000005299 abrasion Methods 0.000 claims description 17
- 230000002159 abnormal effect Effects 0.000 claims description 16
- 239000010687 lubricating oil Substances 0.000 claims description 15
- 238000012417 linear regression Methods 0.000 claims description 14
- 229910052742 iron Inorganic materials 0.000 claims description 10
- 230000032683 aging Effects 0.000 claims description 8
- 238000012423 maintenance Methods 0.000 claims description 8
- 238000001914 filtration Methods 0.000 claims description 7
- 230000003595 spectral effect Effects 0.000 claims description 6
- 239000000047 product Substances 0.000 claims description 5
- 238000000611 regression analysis Methods 0.000 claims description 5
- 239000002253 acid Substances 0.000 claims description 4
- 230000003647 oxidation Effects 0.000 claims description 4
- 238000007254 oxidation reaction Methods 0.000 claims description 4
- 238000001228 spectrum Methods 0.000 claims description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 4
- 239000010725 compressor oil Substances 0.000 claims description 3
- 239000004519 grease Substances 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 239000006185 dispersion Substances 0.000 claims description 2
- 239000013589 supplement Substances 0.000 claims description 2
- 230000001050 lubricating effect Effects 0.000 claims 2
- 238000011175 product filtration Methods 0.000 claims 2
- 238000012545 processing Methods 0.000 description 5
- 239000012530 fluid Substances 0.000 description 4
- 230000006866 deterioration Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
- G05B23/0283—Predictive maintenance, e.g. involving the monitoring of a system and, based on the monitoring results, taking decisions on the maintenance schedule of the monitored system; Estimating remaining useful life [RUL]
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F16—ENGINEERING ELEMENTS AND UNITS; GENERAL MEASURES FOR PRODUCING AND MAINTAINING EFFECTIVE FUNCTIONING OF MACHINES OR INSTALLATIONS; THERMAL INSULATION IN GENERAL
- F16H—GEARING
- F16H57/00—General details of gearing
- F16H57/04—Features relating to lubrication or cooling or heating
- F16H57/0405—Monitoring quality of lubricant or hydraulic fluids
Landscapes
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Chemical & Material Sciences (AREA)
- Oil, Petroleum & Natural Gas (AREA)
- Automation & Control Theory (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Lubrication Details And Ventilation Of Internal Combustion Engines (AREA)
Abstract
本发明公开一种基于动态自适应趋势分析的地铁车辆油液智能监测方法及判断模型，包括以下步骤：步骤一：从地铁车辆油液中采取有代表性的油样；步骤二：利用油液检测设备对地铁车辆油样进行现场检测；步骤三：基于动态自适应趋势分析用于反应设备的磨损趋势以及润滑状态的变化趋势；步骤四：输出地铁车辆油液监测结果，对地铁车辆的故障隐患进行诊断和预测。
Description
技术领域
本发明涉及一种地铁车辆油液监测方法，具体涉及一种基于动态自适应趋势分析的地铁车辆油液监测方法及判断模型，本发明属于轨道交通领域。
背景技术
地铁行业车辆运行周期端，线路多，因此运行的车辆数很多，所需的润滑油数量很大。作为润滑管理体系的基础及技术支撑，油液监测技术可以保证地铁车辆时刻处于良好的润滑状态，避免因润滑失效导致的设备磨损，有效提高设备的无故障运行时间及其延长设备的运行寿命。
中国专利《一种轨道车辆齿轮箱监测设备》(申请号201821650810.1，公开号208816640U)，该实用新型专利公开了一种轨道车辆齿轮箱监测设备，所述设备包括：若干传感器、数据采集器、数据处理诊断CPU以及显示终端；若干传感器直接接触齿轮箱内部润滑油，若干传感器连接至数据采集器，由数据采集器控制若干传感器进行数据采集，数据采集器连接至数据处理诊断CPU，数据采集器所采集数据发送至数据处理诊断CPU进行分析诊断，数据处理诊断CPU连接至显示终端，数据处理诊断CPU的数据分析诊断结果由显示终端进行显示或者报警。本实用新型实施例可以实现通过润滑油液工作介质的实时监测对轨道车辆齿轮箱运行状态实时监控，对齿轮箱进行诊断或预判，以保证齿轮箱运行安全，并且设备安装尽可能简单，便于安装和维护。
上述专利只能应用于轨道车辆齿轮箱油液监测，且每个齿轮箱都需要配置一个监测设备，应用成本高。本专利不仅应用于轨道车辆齿轮箱油液监测，还可以应用于空压机油液监测，且不需要为每个监测对象配置监测设备，应用成本低。
在地铁运维规程中，车辆润滑油的检查周期、更换周期是确定的，主要参考运营里程和运营时间两个数据。例如地铁车辆齿轮箱润滑油更换周期一般要求每一年更换1次，或者当运营里程达到40万公里时进行更换。
目前地铁车辆润滑油检测，均是将润滑油定期送到第三方实验室进行检测。一是检测周期长，二是由于设备使用过程的不可预知因素的存在，通常换油周期都会相对保守，大量的油品在状态还十分良好的情况下被换掉了，而少数设备出现异常状态时却又不能及时得到处理，不能结合设备的使用情况对油品做出正确的判断，这样就对润滑油使用过程中异常情况导致的油品变质问题前瞻性不足。
发明内容
本发明的目的在于，一种基于动态自适应趋势分析的地铁车辆油液智能监测方法及判断模型，以克服现有技术所存在的上述缺点和不足。
本发明的目的是提供地铁车辆油液监测方法，根据地铁车辆油液趋势分析结果，及时识别地铁车辆运行过程中所面临的潜在风险，有效提高地铁车辆的可靠性，降低地铁车辆的用油成本。
本发明采用速率趋势分析法和线性回归分析法实现地铁车辆油液趋势动态分析。
本发明地铁车辆油液监测流程详见图1地铁车辆油液监测流程。
本发明所需要解决的技术问题，可以通过以下技术方案来实现：
本发明的第一方面，一种基于动态自适应趋势分析的地铁车辆油液智能监测方法，包括以下步骤：
步骤一：从地铁车辆油液中采取有代表性的油样；
其中，步骤一所述有代表性的油样特征在于：具有代表性的油样包括两方面内容：(1)油样应包含反应设备磨损、油液污染及老化的全面、准确的信息。(2)被测油样中的反应设备磨损、油液污染及老化的全面、准确的信息的离散度尽可能小。
步骤二：利用油液检测设备对地铁车辆油样进行现场检测；
其中，步骤二所述地铁车辆油液现场检测内容包括：
·齿轮箱油，检测项目为：粘度、水分、酸值、氧化度、光谱元素分析、铁谱磨损分析、铁量分析；
·空压机油，检测项目为：粘度、水分、酸值、氧化度、光谱元素分析、污染度分析、铁谱磨损分析、铁量分析；
·润滑脂，检测项目为：光谱元素分析、铁量分析
步骤三：基于动态自适应趋势分析用于反应设备的磨损趋势以及润滑状态的变化趋势；
其中，步骤三所述特征在于：对特定的监测指标，对其监测结果的变化趋势和变化速率进行监测分析。
·设备的磨损趋势和特定时间内的磨损速率：设备失效预测
·油品的老化速度和老化趋势：残余寿命预测
·油品的污染趋势和污染速度：换油或者过滤时间
·Avg:Average,已经完成的历史监测结果的平均值
·C:Current,当前油样监测结果
·H:Usage Metric，实际取样间隔
·OI:Time on-oil Interval,当前工作油液的工作时间
·P：Previous Sample,前序油样检测结果
·PP：Predicted Prior Sample，预测的前序油样监测结果
·SSI:Standard Sample Interval,标准取样间隔
·T：Trend，趋势分析结果
预测取样间隔并非一成不变，应按照用油设备的寿命、油品选用、功率输出变化等动态调整：
1)实际取样间隔是标准取样间隔的0.5-1.5倍
直接使用速率趋势分析法(Rise-over-run)
2)实际取样间隔小于标准取样间隔的0.5倍
·使用线性回归分析法，对假设在标准取样间隔下前序取样(假设按照标准取样周期)预测得到的监测结果。
·使用速率趋势分析法按照线性回归法对实测值与预测值进行趋势分析。
注：建议基于10个以上的油液监测结果进行线性回归预测分析。
3)实际取样间隔大于标准取样间隔的1.5倍
·使用线性回归分析法，对假设在标准取样价格下前序取样(假设按照标准取样周期)得到的监测结果。
·使用速率趋势分析法按照线性回归对预测值和实测值进行趋势分析。
4)换油或者补油后首次取样，或者换油后的前三次取样
·按照线性回归分析法，按照标准取样间隔的监测结果(假设没有换油)。
·根据预测结果和当前实测结果按照速率趋势分析法进行分析
步骤四：输出地铁车辆油液监测结果，对地铁车辆的故障隐患进行诊断和预测；
其中，步骤四的特征在于：油液监测结果分为正常、预警、报警三级。
·正常(Normal)：设备的磨损状态及润滑状态正常，无需进行任何处理，按照既定油液监测流程进行跟踪。
·预警(Warning/Abnormal)：设备的磨损状态或润滑状态异常，需要进行相关处理：减小取样监测时间间隔、对油品进行过滤、更换滤芯等。
·报警(Alarm/Severe)：设备磨损磨损状态或者润滑状态存在异常，需要立即进行处理：全面检测及溯源分析、更换润滑油、油品过滤、更换滤芯、停机维修等。
利用回归分析法设置元素变化区间，油液中元素含量：
均值：
预警值：XB＝XA+2S
报警值：XC＝XA+3S
其中，
i为油样采集编号(次数)
S为样本偏差
n为油样总数，一般取最近的6次数据
油液监测结果判断规则如下：
正常值：Xi<XA
预警值：XA≤Xi<XC
报警值：XC≤Xi
本发明的第二方面，一种基于动态自适应趋势分析的地铁车辆油液智能监测方法及判断模型，其特征在于，
油液监测结果分为正常、预警、报警三级。
1)正常(Normal)：设备的磨损状态及润滑状态正常，无需进行任何处理，按照既定油液监测流程进行跟踪。
2)预警(Warning/Abnormal)：设备的磨损状态或润滑状态异常，需要进行相关处理：减小取样监测时间间隔、对油品进行过滤、更换滤芯等。
3)报警(Alarm/Severe)：设备磨损磨损状态或者润滑状态存在异常，需要立即进行处理：全面检测及溯源分析、更换润滑油、油品过滤、更换滤芯、停机维修等。
利用回归分析法设置元素变化区间，油液中元素含量：
均值：
预警值：XB＝XA+2S
报警值：XC＝XA+3S
其中，
i为油样采集编号(次数)
S为样本偏差
n为油样总数，一般取最近的6次数据
油液监测结果判断规则如下：
正常值：Xi<XA
预警值：XA≤Xi<XC
报警值：XC≤Xi
本发明用于地铁车辆油液监测，可有效提高地铁车辆的可靠性，降低地铁车辆的用油成本。
本发明的关键点：
本发明使用速率趋势分析法和线性回归分析法实现地铁车辆油液趋势动态分析，按照实际取样间隔和标准取样间隔差异，对预测值和实测值进行动态趋势分析。从而解决润滑油使用过程中异常情况导致的油品变质问题前瞻性不足问题，提升地铁车辆的故障隐患进行诊断和预测能力。
本发明的有益效果：
本发明基于动态自适应趋势分析实现地铁车辆油液智能监测。本发明经过实践验证，有效提升地铁车辆的故障隐患进行诊断和预测能力，降低地铁车辆的用油成本。
附图说明
图1地铁车辆油液监测流程。
图2地铁车辆油液趋势分析结果。
具体实施方式
以下结合具体实施例，对本发明作进一步说明。应理解，以下实施例仅用于说明本发明而非用于限定本发明的范围。
实施例1
一种基于动态自适应趋势分析的地铁车辆油液智能监测方法，包括以下步骤：
步骤一：从地铁车辆油液中采取有代表性的油样；
步骤二：利用油液检测设备对地铁车辆油样进行现场检测；
步骤三：基于动态自适应趋势分析用于反应设备的磨损趋势以及润滑状态的变化趋势；
步骤四：输出地铁车辆油液监测结果，对地铁车辆的故障隐患进行诊断和预测。
本发明使用真空泵进行油液采样，包含以下步骤：
1、将取样管的一头插入油样枪即真空泵，使取样管管头超过真空泵表面1厘米即可；
2、取下油样瓶的瓶盖，将油样瓶安装在油样枪即真空泵上；
3、取样管另一头插入量油尺管，拉动油样枪即真空泵的活塞，抽取油液样本，开始采集取样；
4、抽取足够的油液样本后，拧下油样瓶，盖上瓶盖，给油样瓶贴上采集信息标签，登记相关采集信息(油样ID、受控设备ID、取样时间、检测内容)。
对地铁车辆齿轮箱油连续6次采样周期的Fe检测记录如下：
表1地铁车辆齿轮箱油采样数据
一种基于动态自适应趋势分析的地铁车辆油液智能监测方法的判断模型，油液监测结果分为正常、预警、报警三级。
1)正常(Normal)：设备的磨损状态及润滑状态正常，无需进行任何处理，按照既定油液监测流程进行跟踪。
2)预警(Warning/Abnormal)：设备的磨损状态或润滑状态异常，需要进行相关处理：减小取样监测时间间隔、对油品进行过滤、更换滤芯等。
3)报警(Alarm/Severe)：设备磨损状态或者润滑状态存在异常，需要立即进行处理：全面检测及溯源分析、更换润滑油、油品过滤、更换滤芯、停机维修等。
利用回归分析法设置元素变化区间，油液中元素含量：
均值：
预警值：XB＝XA+2S
报警值：XC＝XA+3S
其中，
i为油样采集编号(次数)
S为样本偏差
n为油样总数，一般取最近的6次数据
油液监测结果判断规则，参见表2，如下：
正常值：Xi<XA
预警值：XA≤Xi<XC
报警值：XC≤Xi
表2油液监测结果判断规则
| 状态 | 判别 |
| 正常 | X<sub>i</sub><X<sub>A</sub> |
| 预警 | X<sub>A</sub>≤X<sub>i</sub><X<sub>C</sub> |
| 报警 | X<sub>C</sub>≤X<sub>i</sub> |
参见图2，图2地铁车辆油液趋势分析结果。
本发明实施例主要优点如下：
1、通过实际油液检测数据和数据积累来得出结论，无需专业理化分析人员及相关油液维护经验支撑，规避自身技术及人员短板。
2、传统地铁车辆润滑油检测，是将润滑油定期送到第三方实验室进行检测。一是检测周期长，二是由于设备使用过程的不可预知因素的存在，通常换油周期都会相对保守，大量的油品在状态还十分良好的情况下被换掉了，而少数设备出现异常状态时却又不能及时得到处理，不能结合设备的使用情况对油品做出正确的判断，这样就对润滑油使用过程中异常情况导致的油品变质问题前瞻性不足。本发明通过油液检测、油液性能指标数据积累和油液性能指标的判断，可以有效的降低油液消耗，降低维修养护成本，满足环保标准，降低库存成本。
本实施例的结论为通过地铁车辆油液动态自适应趋势分析，可以输出地铁车辆油液监测结果(正常、预警、报警)，后续可以根据地铁车辆油液监测结果，来确定油液的更新计划和紧急更新预案，避免因润滑失效导致的设备磨损，有效提高设备的无故障运行时间及其延长设备的运行寿命。
以上对本发明的具体实施方式进行了说明，但本发明并不以此为限，只要不脱离本发明的宗旨，本发明还可以有各种变化。
Claims (10)
1.一种基于动态自适应趋势分析的地铁车辆油液智能监测方法及判断模型，其特征在于，包括以下步骤：
步骤一：从地铁车辆油液中采取有代表性的油样；
步骤二：利用油液检测设备对地铁车辆油样进行现场检测；
步骤三：基于动态自适应趋势分析用于反应设备的磨损趋势以及润滑状态的变化趋势；
步骤四：输出地铁车辆油液监测结果，对地铁车辆的故障隐患进行诊断和预测。
2.根据权利要求1所述的一种基于动态自适应趋势分析的地铁车辆油液智能监测方法及判断模型，其特征在于：步骤一，具有代表性的油样包括两方面内容：
(1)油样应包含反应设备磨损、油液污染及老化的全面、准确的信息；
(2)被测油样中的反应设备磨损、油液污染及老化的全面、准确的信息的离散度尽可能小。
3.根据权利要求1所述的一种基于动态自适应趋势分析的地铁车辆油液智能监测方法及判断模型，其特征在于：步骤二，所述现场检测内容包括，针对油液类型进行检测项目，所述油液类型为：齿轮箱油、空压机油、润滑脂。
4.根据权利要求3所述的一种基于动态自适应趋势分析的地铁车辆油液智能监测方法及判断模型，其特征在于：
所述齿轮箱油，检测项目为：粘度、水分、酸值、氧化度、光谱元素分析、铁谱磨损分析、铁量分析；
所述空压机油，检测项目为：粘度、水分、酸值、氧化度、光谱元素分析、污染度分析、铁谱磨损分析、铁量分析；
所述润滑脂，检测项目为：光谱元素分析、铁量分析。
5.根据权利要求1所述的一种基于动态自适应趋势分析的地铁车辆油液智能监测方法及判断模型，其特征在于：步骤三，对特定的监测指标，对其监测结果的变化趋势和变化速率进行监测分析；包含：趋势分析类型、趋势分析符号、趋势分析算法。
6.根据权利要求5所述的一种基于动态自适应趋势分析的地铁车辆油液智能监测方法及判断模型，其特征在于：
所述趋势分析类型：
设备的磨损趋势和特定时间内的磨损速率：设备失效预测，
油品的老化速度和老化趋势：残余寿命预测，
油品的污染趋势和污染速度：换油或者过滤时间。
7.根据权利要求5所述的一种基于动态自适应趋势分析的地铁车辆油液智能监测方法及判断模型，其特征在于：所述趋势分析符号：
Avg:Average,已经完成的历史监测结果的平均值，
C:Current,当前油样监测结果，
H:Usage Metric，实际取样间隔，
OI:Time on-oil Interval,当前工作油液的工作时间，
P：Previous Sample,前序油样检测结果，
PP：Predicted Prior Sample，预测的前序油样监测结果，
SSI:Standard Sample Interval,标准取样间隔，
T：Trend，趋势分析结果。
8.根据权利要求5所述的一种基于动态自适应趋势分析的地铁车辆油液智能监测方法及判断模型，其特征在于：所述趋势分析算法：
预测取样间隔并非一成不变，应按照用油设备的寿命、油品选用、功率输出变化等动态调整：
1)实际取样间隔是标准取样间隔的0.5-1.5倍直接使用速率趋势分析法(Rise-over-run)
2)实际取样间隔小于标准取样间隔的0.5倍
·使用线性回归分析法，对假设在标准取样间隔下前序取样(假设按照标准取样周期)预测得到的监测结果；
·使用速率趋势分析法按照线性回归法对实测值与预测值进行趋势分析，
注：基于10个以上的油液监测结果进行线性回归预测分析；
3)实际取样间隔大于标准取样间隔的1.5倍
使用线性回归分析法，对假设在标准取样价格下前序取样(假设按照标准取样周期)得到的监测结果，
使用速率趋势分析法按照线性回归对预测值和实测值进行趋势分析，
4)换油或者补油后首次取样，或者换油后的前三次取样
按照线性回归分析法，按照标准取样间隔的监测结果，假设没有换油，根据预测结果和当前实测结果按照速率趋势分析法进行分析
9.根据权利要求1所述的一种基于动态自适应趋势分析的地铁车辆油液智能监测方法，其特征在于：步骤四，油液监测结果分为正常、预警、报警三级；
正常(Normal)：设备的磨损状态及润滑状态正常，无需进行任何处理，按照既定油液监测流程进行跟踪；
预警(Warning/Abnormal)：设备的磨损状态或润滑状态异常，需要进行相关处理：减小取样监测时间间隔、对油品进行过滤、更换滤芯；
报警(Alarm/Severe)：设备磨损状态或者润滑状态存在异常，需要立即进行处理：全面检测及溯源分析、更换润滑油、油品过滤、更换滤芯、停机维修等；
利用回归分析法设置元素变化区间，油液中元素含量：
均值：
预警值：XB＝XA+2S
报警值：XC＝XA+3S
其中，
i为油样采集编号(次数)
S为样本偏差
n为油样总数，一般取最近的6次数据
油液监测结果判断规则如下：
正常值：Xi<XA
预警值：XA≤Xi<XC
报警值：XC≤Xi。
10.一种如权利要求1所述的基于动态自适应趋势分析的地铁车辆油液智能监测方法的判断模型，其特征在于，
油液监测结果分为正常、预警、报警三级；
正常(Normal)：设备的磨损状态及润滑状态正常，无需进行任何处理，按照既定油液监测流程进行跟踪；
预警(Warning/Abnormal)：设备的磨损状态或润滑状态异常，需要进行相关处理：减小取样监测时间间隔、对油品进行过滤、更换滤芯；
报警(Alarm/Severe)：设备磨损磨损状态或者润滑状态存在异常，需要立即进行处理：全面检测及溯源分析、更换润滑油、油品过滤、更换滤芯、停机维修等；
利用回归分析法设置元素变化区间，油液中元素含量：
均值：
预警值：XB＝XA+2S
报警值：XC＝XA+3S
其中，
i为油样采集编号(次数)
S为样本偏差
n为油样总数，一般取最近的6次数据
油液监测结果判断规则如下：
正常值：Xi<XA
预警值：XA≤Xi<XC
报警值：XC≤Xi。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110219744.2A CN113030443A (zh) | 2021-02-26 | 2021-02-26 | 一种基于动态自适应趋势分析的地铁车辆油液智能监测方法及判断模型 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110219744.2A CN113030443A (zh) | 2021-02-26 | 2021-02-26 | 一种基于动态自适应趋势分析的地铁车辆油液智能监测方法及判断模型 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113030443A true CN113030443A (zh) | 2021-06-25 |
Family
ID=76461972
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110219744.2A Pending CN113030443A (zh) | 2021-02-26 | 2021-02-26 | 一种基于动态自适应趋势分析的地铁车辆油液智能监测方法及判断模型 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113030443A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117804971A (zh) * | 2023-12-29 | 2024-04-02 | 智火柴科技(深圳)有限公司 | 一种基于自适应趋势分析的油品智能监测判断方法及系统 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105115916A (zh) * | 2015-07-20 | 2015-12-02 | 北京新联铁科技股份有限公司 | 动车组运行时的设备磨损监测方法 |
| CN106059661A (zh) * | 2015-12-25 | 2016-10-26 | 国家电网公司 | 一种基于时序分析的光传输网络趋势预测方法 |
| CN106197996A (zh) * | 2016-06-24 | 2016-12-07 | 南京理工大学 | 基于多元数据的海上起重机齿轮箱故障诊断装置及方法 |
| CN108648445A (zh) * | 2018-04-19 | 2018-10-12 | 浙江浙大中控信息技术有限公司 | 基于交通大数据的动态交通态势预测方法 |
| CN110220885A (zh) * | 2019-06-10 | 2019-09-10 | 北京信息科技大学 | 一种机械设备磨损状态综合判断方法 |
| CN110397476A (zh) * | 2019-08-16 | 2019-11-01 | 苏州热工研究院有限公司 | 一种核电用汽轮机油品在线监测分析系统与方法 |
| CN110460454A (zh) * | 2018-05-04 | 2019-11-15 | 上海伽易信息技术有限公司 | 基于深度学习的网络设备端口故障智能预测方法及原理 |
| CN112129928A (zh) * | 2020-11-18 | 2020-12-25 | 震坤行网络技术(南京)有限公司 | 用于检测润滑油液状态的方法、计算设备和计算机存储介质 |
-
2021
- 2021-02-26 CN CN202110219744.2A patent/CN113030443A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105115916A (zh) * | 2015-07-20 | 2015-12-02 | 北京新联铁科技股份有限公司 | 动车组运行时的设备磨损监测方法 |
| CN106059661A (zh) * | 2015-12-25 | 2016-10-26 | 国家电网公司 | 一种基于时序分析的光传输网络趋势预测方法 |
| CN106197996A (zh) * | 2016-06-24 | 2016-12-07 | 南京理工大学 | 基于多元数据的海上起重机齿轮箱故障诊断装置及方法 |
| CN108648445A (zh) * | 2018-04-19 | 2018-10-12 | 浙江浙大中控信息技术有限公司 | 基于交通大数据的动态交通态势预测方法 |
| CN110460454A (zh) * | 2018-05-04 | 2019-11-15 | 上海伽易信息技术有限公司 | 基于深度学习的网络设备端口故障智能预测方法及原理 |
| CN110220885A (zh) * | 2019-06-10 | 2019-09-10 | 北京信息科技大学 | 一种机械设备磨损状态综合判断方法 |
| CN110397476A (zh) * | 2019-08-16 | 2019-11-01 | 苏州热工研究院有限公司 | 一种核电用汽轮机油品在线监测分析系统与方法 |
| CN112129928A (zh) * | 2020-11-18 | 2020-12-25 | 震坤行网络技术(南京)有限公司 | 用于检测润滑油液状态的方法、计算设备和计算机存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 124351: "怎样比较两条曲线的变化趋势", 《怎样比较两条曲线的变化趋势》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117804971A (zh) * | 2023-12-29 | 2024-04-02 | 智火柴科技(深圳)有限公司 | 一种基于自适应趋势分析的油品智能监测判断方法及系统 |
| CN117804971B (zh) * | 2023-12-29 | 2024-10-15 | 智火柴科技(深圳)有限公司 | 一种基于自适应趋势分析的油品智能监测判断方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110208019B (zh) | 一种动设备状态监测动态阈值预警方法 | |
| CN111401583A (zh) | 基于预测性维护的自动扶梯全生命周期健康管理系统 | |
| CN107560984A (zh) | 一种液压系统的油液污染在线监测装置及监测方法 | |
| CN102707037B (zh) | 柴油机润滑油在线监测系统 | |
| JP7099816B2 (ja) | 潤滑油の劣化診断方法、回転機械の潤滑油の監視システムおよび方法 | |
| TWI712737B (zh) | 風力發電機診斷系統與方法、以及風力發電機診斷裝置 | |
| CN110836696A (zh) | 适于调相机系统的远程故障预测方法和系统 | |
| CN106370556A (zh) | 一种基于粘度分析的润滑油寿命在线监测系统及其方法 | |
| CN113916531A (zh) | 一种核电齿轮箱振动及油液在线监测的故障诊断与预测系统 | |
| JP7179674B2 (ja) | 潤滑油の診断方法および潤滑油の監視システム | |
| US9846149B2 (en) | Lubricant health and service determination | |
| CN114487361A (zh) | 一种油液在线监测系统 | |
| WO2021095436A1 (ja) | 潤滑油の診断システムおよび潤滑油の診断方法 | |
| CN113030443A (zh) | 一种基于动态自适应趋势分析的地铁车辆油液智能监测方法及判断模型 | |
| CN110696990A (zh) | 一种基于数据驱动的船舶发电机部件影响识别方法及系统 | |
| CN210375690U (zh) | 一种油液监测系统 | |
| WO2023286437A1 (ja) | 潤滑油の診断方法、潤滑油の診断装置および潤滑油の診断システム | |
| CN114781671A (zh) | 一种用于电力用油的智慧监督系统及监督测试方法 | |
| CN114722862A (zh) | 一种游梁式抽油机电机故障预测装置及方法 | |
| CN114167282A (zh) | 一种电动机故障诊断及劣化趋势预测方法及系统 | |
| CN112328650A (zh) | 一种基于监控信号的设备缺陷评估方法 | |
| CN218626381U (zh) | 一种在线式轧机润滑油多功能检测仪 | |
| JP7560374B2 (ja) | 潤滑油の診断方法、装置およびシステム | |
| CN118518358B (zh) | 一种多维度轴承稳定性监测系统 | |
| CN115436226A (zh) | 柴油机滑油监测及故障诊断装置 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210625 |