CN113218903B - 一种基于微流控与人工智能的油液分析设备故障预测系统 - Google Patents

Abstract

本发明公开了一种基于微流控与人工智能的油液分析设备故障预测系统，该系统包括油液进样结构、磨屑属性分析芯片、第一数据采集单元、油液物化分析芯片、第二数据采集单元和服务器；油液进样结构用于向磨屑属性分析芯片中输送油液样品，磨屑属性分析芯片与第一数据采集单元结合采集磨屑图像和磨屑光谱，油液物化分析芯片与第二数据采集单元结合采集油液样品的温度信息、压力信息、电容信息和电导率信息以及萃取前后油液进行光谱，服务器对前述数据进行存储和计算，得到油液样品的油液物化参数和磨屑属性参数。本发明系统设备简单，而且可以及时准确的检测油液物化参数和磨屑属性参数。

Description

一种基于微流控与人工智能的油液分析设备故障预测系统

技术领域

本发明涉及微流控与人工智能交叉领域，特别是指一种基于微流控及大数据人工智能技术的油液检测分析与设备评估故障预测方法。

背景技术

设备运动部件的运行状态评估及故障可靠预测是保障设备长期高效安全运行的关键。设备中的运动部件长期进行高频率的转动、往复等机械运动，若部件之间发生直接接触，则会因剧烈的摩擦而导致部件磨损，严重情况下则导致设备故障甚至报废，对操作人员的人身安全构成威胁。设备部件之间的油液如润滑油，液压油等则显得尤为重要，在机械设备中起到润滑、缓冲、冷却、密封、防腐、防锈、指示等关键作用。其中，润滑油的指示作用是指当设备部件发生例如磨损、锈蚀、腐蚀、老化等异常时，部件间油液的物理化学性质会发生相应的变化。通过监测或检测油液的物化参数变化有助于良好地评估设备当前的运行状态，更能为设备的故障预测给出可靠的决策辅助。值得注意的是，目前国内外对设备油液的指示功能日益重视，油液检测已成为设备运行状态评估和故障预测的重要手段，其中油液检测分析最关键的流程是磨屑属性分析(WDA)和油液物化分析(PCA)。

目前传统的油液检测方法依靠多项实验如粘度测试、酸碱度测试、含湿量测试、铁谱分析、斑贴试验(patch test)、激光网络等共同完成。具有集成度低、耗时长、成本高、检测分析离线、结果不具有实时性等不足，参数测量困难，难以实现设备状态的实时监测以及故障的早期预防。

基于微流控的油液检测分析技术能够实现油液的原位高效在线检测，且能综合实现油液的磨屑属性及物理化学性质的检测和分析，是油液检测分析与设备状态评估及可靠预测领域的可靠先进技术。尽管如此，目前的微流控技术仍存在自动化程度低，检测分析数据不被重视，数据价值未被充分发掘的问题。此外，对于油液中一些难测、不可测的参数如粘度、总酸值、总碱值、结蜡风险指数等油液物化参数及数量、形状、种类、组分等磨屑属性参数依然束手无策。

发明内容

针对现有技术存在的上述问题，本发明的要解决的技术问题是：现有技术无法预测一些油液物化参数和磨屑属性参数。

为解决上述技术问题，本发明采用如下技术方案：一种基于微流控与人工智能的油液分析设备故障预测系统，包括油液进样结构、磨屑属性分析芯片、第一数据采集单元、油液物化分析芯片、第二数据采集单元和服务器；

油液进样结构：用于向磨屑属性分析芯片中输送油液样品；

磨屑属性分析芯片：包括通过第一通道依次连通过滤区、图像采集区和光谱测试区；

所述过滤区设计有多个孔隙；

所述图像采集区内的通道设计为连续S型通道；

所述光谱测试区设计有观察室；

第一数据采集单元：包括图像采集仪和第一光谱仪；

所述图像采集仪的镜头对着图像采集区，用于采集油液检测分析过程产生的磨屑图像；

所述第一光谱仪的镜头对着光谱测试区，用于对进入磨屑属性分析芯片进行光谱分析，分析油液中被分离出的磨屑的化学组分，得到油液样品的磨屑光谱；

油液物化分析芯片：包括具有萃取功能的，且与第一通道连通的第二通道；

所述具有萃取功能的第二通道上具有萃取溶剂入口；

在所述第二通道的前半部分设有多个传感器，所述多个传感器包括温度传感器、压力传感器、电容传感器和电导传感器，分别用于检测进入油液物化分析芯片中油液样品的温度信息、压力信息、电容信息和电导率信息；

第二数据采集单元包括第二光谱仪和第三光谱仪；

所述第二光谱仪的镜头对着第二通道的前半部分，用于对进入油液物化分析芯片中油液样品进行光谱分析，分析萃取前油液与萃取溶剂的化学组分，得到萃取前油液样品的油液溶剂光谱；

所述第三光谱仪的镜头对着第二通道的后半部分，用于萃取后油液进行光谱分析，分析萃取后油液的化学组分，得到萃取后油液的第一油液溶剂光谱；所述第三光谱仪还对萃取后溶剂进行光谱分析，分析萃取后溶剂的化学组分，得到萃取后油液的第二油液溶剂光谱；

所述服务器分别与磨屑属性分析芯片和油液物化分析芯片连接，服务器对磨屑属性分析芯片和油液物化分析芯片传输的信息进场存储和计算，得到油液样品的油液物化参数和磨屑属性参数。

作为优选，所述过滤区设计的孔隙直径为500μm。

作为优选，所述观察室的直径为所述第一通道宽度的2-3倍。

相对于现有技术，本发明至少具有如下优点：

1.应用微流控技术，实现油液物化参数及磨屑属性参数的原位在线检测分析，显著提高设备状态评估及故障预测的时效性及效率。

2.应用微流控技术，仅需微量样品即可进行分析，且无需搭建实验室和购置传统检测分析设备，显著降低检测分析的难度和成本。

3.结合大数据分析与人工智能算法技术，充分挖掘微流控技术产生的海量数据的价值，实现现有微流控技术无法检测的某些油液物化参数和磨屑属性参数的预测。

4.结合大数据分析与人工智能算法技术，实现“物理+数据”双驱动的创新型油液检测分析技术，提高设备状态评估与故障预测的准确度与可靠性。

附图说明

图1为本发明的基于微流控技术的油液检测分析方法流程图；

图2为本发明的基于大数据人工智能技术的设备状态评估及故障可靠预测方法流程图。

具体实施方式

下面结合附图对本发明作进一步详细说明。

一种基于微流控与人工智能的油液分析设备故障预测系统，包括油液进样结构、磨屑属性分析芯片、第一数据采集单元、油液物化分析芯片、第二数据采集单元和服务器。

油液进样结构：用于向磨屑属性分析芯片中输送油液样品；按照设定的进样速率输入，该速率范围可以是0.001μL/min-43.350μL/min。

磨屑属性分析芯片：包括通过第一通道依次连通过滤区、图像采集区和光谱测试区；

所述过滤区设计有多个孔隙；所述孔隙直径为500μm。过滤区设计有直径为500μm的孔隙，油液中所含直径大于500μm的固体颗粒在孔隙的阻挡下被过滤分离，防止芯片的通道被堵塞。

所述图像采集区内的通道设计为连续S型通道；图像采集区设计有连续S型通道，在粘滞力和离心力的共同作用下不同直径的磨屑具有不同的移动速度，实现不同尺寸磨屑的分离，并经由图像采集仪获取磨屑图像数据。

所述光谱测试区设计有观察室；所述观察室的直径为所述第一通道宽度的2-3倍。通道宽度2-3倍的观察室，在观察室中油液流速放慢，并经由光谱仪获取磨屑的光谱数据。

第一数据采集单元：包括图像采集仪和第一光谱仪。

所述图像采集仪的镜头对着图像采集区，用于采集油液检测分析过程产生的磨屑图像。

所述第一光谱仪的镜头对着光谱测试区，用于对进入磨屑属性分析芯片进行光谱分析，分析油液中被分离出的磨屑的化学组分，得到油液样品的磨屑光谱。

油液物化分析芯片：包括具有萃取功能的，且与第一通道连通的第二通道；

所述油液样品中甲苯、己烷、沥青等可溶有机物萃取分离后检测分析方法如下：

本发明所涉及的油液可溶有机物检测方法为测量吸收光谱的原子光谱及分子光谱分析法，主要是对未知样品在全波段(180nm-1100nm)波长范围内，连续不断地变换波长，并记录样品在每一波长的吸光度，最后绘制出样品的波长-吸收峰分布图。具体检测分析步骤如下，以分析萃取溶剂为例：

(1)标定参比样品。首先准备一份全新的未被使用过的萃取溶剂作为参比样品，并放入光谱仪内的样品架。随后，开启光谱扫描，扫描过程中不断输出波长-吸收峰曲线。光谱扫描结束后，取出参比样品，得到参比样品的波长-吸收峰分布图。

(2)分析待测样品。收集油液物化分析芯片中萃取完成后的萃取溶剂作为待测样品，并放入光谱仪内的样品架。随后，开启光谱扫描，扫描过程中不断输出波长-吸收峰曲线。光谱扫描结束后，得到待测样品的波长-吸收峰分布图。

(3)确定萃取分离的有机物成分。对比参比样品与待测样品的波长-吸收峰分布图，若某一吸收峰仅存在于待测样品的波长-吸收峰分布图，但不存在于参比样品的波长-吸收峰分布图，其对应的官能团(由分子光谱测得，如芳香烃)及原子个数比(由原子光谱测得，如碳氢个数比7：8)即为油液样品在油液物化分析芯片中经萃取后的产物对应的官能团及分子组成，从而确定溶于油液样品的有机物成分(甲苯)。

(4)确定萃取分离的有机物含量。在明确溶于油液样品的有机物成分后，在待测样品的波长-吸收峰分布图中找到对应的吸收峰，吸收峰的幅值经换算后即可求出油液样品在油液物化分析芯片中经萃取后的有机物含量。

所述具有萃取功能的第二通道上具有萃取溶剂入口。

在所述第二通道的前半部分设有多个传感器，所述多个传感器包括温度传感器、压力传感器、电容传感器和电导传感器，分别用于检测进入油液物化分析芯片中油液样品的温度信息、压力信息、电容信息和电导率信息。

第二数据采集单元包括第二光谱仪和第三光谱仪。

所述第二光谱仪的镜头对着第二通道的前半部分，用于对进入油液物化分析芯片中油液样品进行光谱分析，分析萃取前油液与萃取溶剂的化学组分，得到萃取前油液样品的油液溶剂光谱。

所述第三光谱仪的镜头对着第二通道的后半部分，用于萃取后油液进行光谱分析，分析萃取后油液的化学组分，得到萃取后油液的第一油液溶剂光谱；所述第三光谱仪还对萃取后溶剂进行光谱分析，分析萃取后溶剂的化学组分，得到萃取后油液的第二油液溶剂光谱。

所述服务器分别与磨屑属性分析芯片和油液物化分析芯片连接，服务器对磨屑属性分析芯片和油液物化分析芯片传输的信息进场存储和分析计算，得到油液样品的油液物化参数和磨屑属性参数。

本发明中的所有光谱仪所用光源的波长范围为190nm—3000nm，涵盖近红外-可见光-紫外光谱范围。

所述油液物化参数包括粘度、总酸值、总碱值和结蜡风险指数，计算方法如下：

(1)确定目标油液物化参数包括粘度μ，总酸值TAN，总碱值TBN和结蜡风险指数VPI的泛函方程，具体为：

μ＝μ(P,T,v,ρ,R,C)

TAN＝TAN(P,T,v,ρ,R,C)

TBN＝TBN(P,T,v,ρ,R,C)

VPI＝VPI(P,T,v,ρ,R,C)

其中，P为油液静压，由压力传感器获取，MPa；T为油液温度，由温度传感器获取，℃； v为油液注入速率，在注样时设定，μL/min；ρ为油液密度，为样品的质量与体积之比值，kg/m ³；R为油液电导率，由电导率传感器获取，Ω^-1；C为油液电容，由电容传感器获取，F。

(2)建立油液物化参数包括粘度μ，总酸值TAN，总碱值TBN和结蜡风险指数VPI的回归模型，具体为：

Y＝σ(W₂·H+b₂)

H＝(σ(W₁·[P,T,v,ρ,R,C])+b₁)

其中，Y为回归模型的输出向量，指代油液物化参数，包括粘度μ，总酸值TAN，总碱值 TBN和结蜡风险指数VPI的其中之一；σ()为激活函数，用于向回归模型引入非线性特征，可根据不同实际需求选取，典型的有Sigmoid函数，Softmax函数，ReLU函数等；W₁、W₂分别为回归模型的一次和二次权值项(权值矩阵)；b₁、b₂分别为回归模型的一次和二次偏差项(偏差向量)；[P，T,v,ρ,R,C]是由油液静压P、油液温度T、油液速率v、油液密度ρ、油液电导率R和油液电容C等6维特征构成的回归模型的输入向量；·指代向量乘法运算。

(3)应用人工神经网络(ANN)算法，引入油液大数据库中一定数量的油液静压P、油液温度T、油液速率v、油液密度ρ、油液电导率R和油液电容C等数据作为训练集，训练油液物化参数回归模型中的权值项及偏差项，并结合梯度下降(GD)算法，通过反馈模型误差，更新回归模型中的权值项及偏差项，具体为：

其中，上标t表示第t次迭代参数对应的取值；m和n均为向量的大小；α为学习率，用于调整梯度下降的速度。

(4)达到设定的迭代次数后，人工神经网络算法停止迭代，得到训练完成的回归模型。基于训练完成的回归模型，通过输入待预测油液的油液静压P、油液温度T、油液速率v、油液密度ρ、油液电导率R和油液电容C等数据，可实现对油液物化参数包括粘度μ，总酸值TAN，总碱值TBN和结蜡风险指数VPI的预测。

所述磨屑属性参数数量、形状计算方法如下：

图像预处理。由摄像仪从磨屑属性分析芯片获取的磨屑图像一般会带有气泡等噪声的干扰，且图像与背景的对比度不够显著。本发明方案首先对磨屑图像进行灰度转换。随后采用灰度直方图均衡化来增强图像整体对比度。最后采用中值平均滤波法过滤图像中气泡等图像噪声，突出磨屑对象的图像特征。

(1)图像分割。完成图像预处理进程后，采用Sobel算子对图像进行边缘检测，通过给定图像全局阈值，实现图像中磨屑与背景的分割。针对图像中磨屑重叠问题，还需基于距离变换重构法实现对图像中重叠磨屑的分割。

(2)磨屑计数。完成图像边缘检测及磨屑与背景的分割后，通过全局搜索法对图像中的磨屑进行标记并计数，获得当前图像中磨屑的数量。

(3)磨屑形状特征提取。完成图像边缘检测及磨屑与背景的分割后，计算各个分割域的紧凑度(分割域周长²/4·π·分割域面积)，根据紧凑度大小判断磨屑的形状。如某分割域紧凑度为1，即可判定该磨屑为圆形。

所述磨屑属性参数种类和组分分析方法如下：

本发明所涉及的磨屑种类和组分分析方法为测量吸收光谱的原子光谱分析法，主要是对未知样品在全波段(180nm-1100nm)波长范围内，连续不断地变换波长，并记录样品在每一波长的吸光度，最后绘制出样品的波长-吸收峰分布图。具体检测分析步骤如下：

(1)标定参比样品。首先准备一份全新的未被使用过的油液作为参比样品，并放入光谱仪内的样品架。随后，开启光谱扫描，扫描过程中不断输出波长-吸收峰曲线。光谱扫描结束后，取出参比样品，得到参比样品的波长-吸收峰分布图。

(2)分析待测样品。收集离开磨屑属性分析芯片的油液样品作为待测样品，并放入光谱仪内的样品架。随后，开启光谱扫描，扫描过程中不断输出波长-吸收峰曲线。光谱扫描结束后，得到待测样品的波长-吸收峰分布图。

(3)确定油液样品中磨屑种类和组分。对比参比样品与待测样品的波长-吸收峰分布图，若某一吸收峰仅存在于待测样品的波长-吸收峰分布图，但不存在于参比样品的波长-吸收峰分布图，其对应的原子类型(如铁原子Fe、铜原子Cu)即为油液样品中的磨屑种类和组份(铁屑、铜屑)。

结合机器学习算法对基于微流控技术的油液检测分析过程产生的海量数据包括光谱数据、图像数据和传感数据等进行数据挖掘与提质，计算推理出传统实验手段难测、不可测的参数。例如，基于决策树和随机森林模型，通过输入油液的温度、压力、流速、电容等传感数据，可实现粘度、总酸值、总碱值、结蜡风险指数等油液物化参数的回归预测。其中，基于卷积神经网络模型，通过输入磨屑图像数据和光谱图像数据，可实现数量、形状、种类、组分等磨屑属性参数的分类和评估。

最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (3)

1.一种基于微流控与人工智能的油液分析设备故障预测系统，其特征在于：包括油液进样结构、磨屑属性分析芯片、第一数据采集单元、油液物化分析芯片、第二数据采集单元和服务器；

油液进样结构：用于向磨屑属性分析芯片中输送油液样品，

磨屑属性分析芯片：包括通过第一通道依次连通的过滤区、图像采集区和光谱测试区；

所述过滤区设计有多个孔隙；

所述图像采集区内的通道设计为连续S型通道；

所述光谱测试区设计有观察室；

第一数据采集单元：包括图像采集仪和第一光谱仪；

所述图像采集仪的镜头对着图像采集区，用于采集油液检测分析过程产生的磨屑图像；

所述第一光谱仪的镜头对着光谱测试区，用于对进入磨屑属性分析芯片进行光谱分析，分析油液中被分离出的磨屑的化学组分，得到油液样品的磨屑光谱；

油液物化分析芯片：包括具有萃取功能的，且与第一通道连通的第二通道；

所述具有萃取功能的第二通道上具有萃取溶剂入口；

在所述第二通道的前半部分设有多个传感器，所述多个传感器包括温度传感器、压力传感器、电容传感器和电导传感器，分别用于检测进入油液物化分析芯片中油液样品的温度信息、压力信息、电容信息和电导率信息；

第二数据采集单元包括第二光谱仪和第三光谱仪；

所述第二光谱仪的镜头对着第二通道的前半部分，用于对进入油液物化分析芯片中油液样品进行光谱分析，分析萃取前油液与萃取溶剂的化学组分，得到萃取前油液样品的油液溶剂光谱；

所述第三光谱仪的镜头对着第二通道的后半部分，用于萃取后油液进行光谱分析，分析萃取后油液的化学组分，得到萃取后油液的第一油液溶剂光谱；所述第三光谱仪还对萃取后溶剂进行光谱分析，分析萃取后溶剂的化学组分，得到萃取后油液的第二油液溶剂光谱；

所述服务器分别与磨屑属性分析芯片和油液物化分析芯片连接，服务器对磨屑属性分析芯片和油液物化分析芯片传输的信息进场存储和计算，得到油液样品的油液物化参数和磨屑属性参数；

所述油液物化参数包括粘度、总酸值、总碱值和结蜡风险指数，计算方法如下：

确定目标油液物化参数包括粘度μ，总酸值TAN，总碱值TBN和结蜡风险指数VPI的泛函方程，具体为：

其中，P为油液静压，由压力传感器获取，MPa；T为油液温度，由温度传感器获取，℃；v为油液注入速率，在注样时设定，μL/min；ρ为油液密度，为样品的质量与体积之比值，kg/m³；R为油液电导率，由电导率传感器获取，Ω^-1；C为油液电容，由电容传感器获取，F；

建立油液物化参数包括粘度μ，总酸值TAN，总碱值TBN和结蜡风险指数VPI的回归模型，具体为：

其中，Y为回归模型的输出向量，指代油液物化参数，包括粘度μ，总酸值TAN，总碱值TBN和结蜡风险指数VPI的其中之一；σ()为激活函数；W₁、W₂分别为回归模型的一次和二次权值项；b₁、b₂分别为回归模型的一次和二次偏差项；

是由油液静压P、油液温度T、油液速率v、油液密度ρ、油液电导率R和油液电容C 6维特征构成的回归模型的输入向量；·指代向量乘法运算；

应用人工神经网络算法，引入油液大数据库中一定数量的油液静压P、油液温度T、油液速率v、油液密度ρ、油液电导率R和油液电容C数据作为训练集，训练油液物化参数回归模型中的权值项及偏差项，并结合梯度下降算法，通过反馈模型误差，更新回归模型中的权值项及偏差项，具体为：

其中，上标t表示第t次迭代参数对应的取值；m和n均为向量的大小；α为学习率，用于调整梯度下降的速度；

达到设定的迭代次数后，人工神经网络算法停止迭代，得到训练完成的回归模型；

基于训练完成的回归模型，通过输入待预测油液的油液静压P、油液温度T、油液速率v、油液密度ρ、油液电导率R和油液电容C数据，实现对油液物化参数包括粘度μ，总酸值TAN，总碱值TBN和结蜡风险指数VPI的预测。

2.如权利要求1所述的基于微流控与人工智能的油液分析设备故障预测系统，其特征在于： 所述过滤区设计的孔隙直径为500μm。

3.如权利要求1所述的基于微流控与人工智能的油液分析设备故障预测系统，其特征在于：所述观察室的直径为所述第一通道宽度的2-3倍。

Images