CN113916843A - 基于灰色模型的机械设备润滑油性能预测方法 - Google Patents
基于灰色模型的机械设备润滑油性能预测方法 Download PDFInfo
- Publication number
- CN113916843A CN113916843A CN202111247164.0A CN202111247164A CN113916843A CN 113916843 A CN113916843 A CN 113916843A CN 202111247164 A CN202111247164 A CN 202111247164A CN 113916843 A CN113916843 A CN 113916843A
- Authority
- CN
- China
- Prior art keywords
- lubricating oil
- data
- mechanical equipment
- original sequence
- sampling
- 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
- 239000010687 lubricating oil Substances 0.000 title claims abstract description 97
- 238000000034 method Methods 0.000 title claims abstract description 63
- 238000011161 development Methods 0.000 claims abstract description 11
- 239000002245 particle Substances 0.000 claims description 41
- 238000005070 sampling Methods 0.000 claims description 41
- 238000005516 engineering process Methods 0.000 claims description 33
- 230000005294 ferromagnetic effect Effects 0.000 claims description 23
- 238000001514 detection method Methods 0.000 claims description 21
- 238000005299 abrasion Methods 0.000 claims description 6
- 239000000654 additive Substances 0.000 claims description 6
- 239000003344 environmental pollutant Substances 0.000 claims description 6
- 231100000719 pollutant Toxicity 0.000 claims description 6
- 238000001636 atomic emission spectroscopy Methods 0.000 claims description 5
- 230000000694 effects Effects 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 4
- 230000004044 response Effects 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims 2
- 239000003921 oil Substances 0.000 abstract description 19
- 238000012423 maintenance Methods 0.000 abstract description 6
- 230000008859 change Effects 0.000 abstract description 5
- 230000001050 lubricating effect Effects 0.000 abstract description 3
- 238000004458 analytical method Methods 0.000 description 15
- 238000012544 monitoring process Methods 0.000 description 8
- 239000000243 solution Substances 0.000 description 6
- 239000006061 abrasive grain Substances 0.000 description 5
- 239000000047 product Substances 0.000 description 5
- 239000000126 substance Substances 0.000 description 5
- ATJFFYVFTNAWJD-UHFFFAOYSA-N Tin Chemical compound [Sn] ATJFFYVFTNAWJD-UHFFFAOYSA-N 0.000 description 4
- 238000003745 diagnosis Methods 0.000 description 4
- 239000000428 dust Substances 0.000 description 4
- 238000005461 lubrication Methods 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 238000005260 corrosion Methods 0.000 description 3
- 230000007797 corrosion Effects 0.000 description 3
- 239000000314 lubricant Substances 0.000 description 3
- 230000002087 whitening effect Effects 0.000 description 3
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 2
- 238000001675 atomic spectrum Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 235000013339 cereals Nutrition 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 235000011868 grain product Nutrition 0.000 description 2
- 239000007788 liquid Substances 0.000 description 2
- 230000005291 magnetic effect Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000000630 rising effect Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 239000011573 trace mineral Substances 0.000 description 2
- 235000013619 trace mineral Nutrition 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 239000010426 asphalt Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 239000000084 colloidal system Substances 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000005674 electromagnetic induction Effects 0.000 description 1
- 238000000295 emission spectrum Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 238000012844 infrared spectroscopy analysis Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 238000013332 literature search Methods 0.000 description 1
- 230000005389 magnetism Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000004060 metabolic process Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005316 response function Methods 0.000 description 1
- 238000007789 sealing Methods 0.000 description 1
- 239000010802 sludge Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 229910052718 tin Inorganic materials 0.000 description 1
- 239000011135 tin Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/62—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N15/02—Investigating particle size or size distribution
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N15/06—Investigating concentration of particle suspensions
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/20—Identification of molecular entities, parts thereof or of chemical compositions
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/30—Prediction of properties of chemical compounds, compositions or mixtures
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/70—Machine learning, data mining or chemometrics
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/80—Data visualisation
Landscapes
- Chemical & Material Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computing Systems (AREA)
- Crystallography & Structural Chemistry (AREA)
- General Physics & Mathematics (AREA)
- Pathology (AREA)
- Analytical Chemistry (AREA)
- Immunology (AREA)
- Biochemistry (AREA)
- Data Mining & Analysis (AREA)
- Dispersion Chemistry (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种基于灰色模型的机械设备润滑油性能预测方法，包括以下步骤：S1:获取润滑油数据，基于所述润滑油数据获取原始序列；S2:判断原始序列是否满足建模条件，基于满足建模条件的原始序列构建灰色模型；S3:将待预测时间点输入灰色模型，得到预测值；S4:将预测数据与预设报警阈值进行比对并利用EXCEL软件绘制趋势预测图，完成润滑油性能预测。本发明通过构建灰色模型进行润滑参数预测，进而达到轴承故障预测的目的，根据本发明的预测结果，可以避免设备故障的发生，提高设备的可靠性，从而为科学换油和确定故障部位、原因、类型以及对轴承开展视情维修提供技术支持，避免过剩维修，从而从总体上降低维修费用。
Description
技术领域
本发明涉及一种基于灰色模型的机械设备润滑油性能预测方法，属于机械设备故障诊断技术领域。
背景技术
润滑油在机械设备中起着密封、减磨、冷却、清洗、降噪和防腐等作用，它本身携带着各种机械加工产物和外来污染物，其中有零部件的磨损颗粒、腐蚀产物、润滑油和添加剂经一系列物理、化学变化而形成的胶质、沥青、油泥及热工机械燃料燃烧产物等物质，这些物质在一定程度上与机械设备及润滑油的工作状态相关联。利用光、电、磁学等手段，分析其理指标、监测所携带的磨损和污染物颗粒，可以获得机械的润滑和磨粒状态的信息，从而评价设备的工况和预测其故障，并确定故障部位、原因和类型。
机械设备的润滑油是机械磨损信息的载体，对润滑油性能的分析主要包括理化性能分析和磨粒分析两个方面。理化性能分析方面主要包含油品的衰化、油液添加剂的损耗和油液污染，是对润滑油的状态进行描述。磨粒分析方面是对润滑油中的磨粒、污染物颗粒和腐蚀产物进行分析与识别，侧重于揭示摩擦学系统中摩擦副的磨损状态。通常，润滑状态的恶化必然导致磨损加剧，反之，摩擦副的失效也会污染和促使润滑剂性能发生变化。
润滑油监测技术适用于任何具有封闭或半封闭润滑系统的机械设备，润滑油监测技术较其他监测技术更适应于以磨损为主要失效形式的低速、重载、环境恶劣、往复运动和采用液体或半液体润滑机械的监测与诊断。基于油液分析的机器状态监测已成为多数现代工业维修活动中不可缺少的手段之一，并在设备状态监测及故障诊断、摩擦磨损机理研究、制定正确的磨合规范、判定润滑系统污染状况、确定润滑油添加剂的损耗、制定正确的换油周期、新品油的性能评定等几个方面获得广泛应用。
对机械设备润滑油进行监测的技术主要有：1、常规理化分析技术2、原子光谱分析技术。3、红外光谱分析技术。4、铁谱分析技术。5、颗粒计数技术。以上每种监测技术都有自己的特点和适应范围，联合应用将互为补充，能进一步提高故障预测准确率。
经对现有技术的文献检索发现，公开文件“G(1,1)”模型在润滑油性能预测中的应用(润滑油，2016)提出了一种润滑油中元素趋势预测的方法，该公开文件自述为：“以某型柴油机为平台进行了实验，利用元素历史数据建立动态微分方程，然后基于该微分方程预测元素的变化趋势，为润滑油性能分析和故障定位提供参考。”其不足之处一是没有明确润滑油取样规程，无法确保样品的代表性；二是只采用了原子光谱分析技术，不能给出机械设备所产生磨损颗粒的尺寸、形貌方面的信息，因此不能全面准确确定是否更换润滑油及准确预测更换润滑油时间，无法正确指导工作人员实施机械设备的视情维修工作。
发明内容
针对现有技术中的缺陷，本发明提供一种基于灰色模型的机械设备润滑油性能预测方法，包括以下步骤：
S1:获取润滑油数据，基于所述润滑油数据获取原始序列；
S2:判断原始序列是否满足建模条件，基于满足建模条件的原始序列构建灰色模型；
S3:将待预测时间点输入灰色模型，得到预测值；
S4:将预测数据与预设报警阈值进行比对并利用EXCEL软件绘制趋势预测图，完成润滑油性能预测。
优选地，步骤S1中，获取润滑油数据的方法包括以下步骤：
S11:按照润滑油采样规程采集润滑油样品；
S12:利用润滑油检测技术获取润滑油数据。
优选地，按照润滑油采样规程采集轴承润滑油样品的方法包括以下步骤：
S111:确定取样部位、确定取样方法、确定取样时机；
S112:按照确定好的取样部位、取样方法和取样时机进行取样，获得润滑油样品。
优选地，利用润滑油检测技术获取润滑油数据的方法包括以下步骤：
S121:利用滑油原子发射光谱技术获取轴承润滑油元素含量数据，所述元素含量包括：添加剂、污染物和磨损三类元素的成分及含量；
S122:利用润滑油铁磁性磨粒含量检测技术获取轴承润滑油铁磁性磨粒PQ指数数据；
S123:利用润滑油分析式铁谱检测技术获取轴承润滑油磨粒数据，所述磨粒数据包括：大小、总量和粒度。
优选地，步骤S2中，判断原始序列是否满足建模条件的方法为：采用级别判断法判断原始序列是否满足建模条件，若满足，则原始序列可以作为建模用数据。
优选地，步骤S2中，基于满足建模条件的原始序列构建灰色模型的方法包括以下步骤：
S21:对满足条件的原始序列进行1次累加生成1次累加序列；
S22:计算灰色发展系数、灰色作用量、模拟值、残差，并构建灰色模型。
本发明的有益效果为：本发明方法采用灰色建模故障预测方法对利用原子发射光谱技术获取元素含量数据、利用铁磁性磨粒含量检测技术获取铁磁性磨粒含量数据和利用分析式铁谱检测技术获取的磨粒大小、总量和粒度数据进行趋势预测，分析其中异样的运行参数，进而达到轴承故障预测的目的，根据本发明的预测结果，可以避免设备故障的发生，提高设备的可靠性，从而为科学换油和确定故障部位、原因、类型以及对轴承开展视情维修提供技术支持，避免过剩维修，从而从总体上降低维修费用。
附图说明
为了更清楚地说明本发明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。在所有附图中，类似的元件或部分一般由类似的附图标记标识。附图中，各元件或部分并不一定按照实际的比例绘制。
图1为本发明的流程图；
图2为本发明提供的趋势预测图。
具体实施方式
下面将结合附图对本发明技术方案的实施例进行详细的描述。以下实施例仅用于更加清楚地说明本发明的技术方案，因此只作为示例，而不能以此来限制本发明的保护范围。
需要注意的是，除非另有说明，本申请使用的技术术语或者科学术语应当为本发明所属领域技术人员所理解的通常意义。
如图1所示，一种基于灰色模型的机械设备润滑油性能预测方法，包括以下步骤：
S1:获取润滑油数据，基于所述润滑油数据获取原始序列；
需要说明的是，步骤S1中，获取润滑油数据的方法包括以下步骤：
S11:按照润滑油采样规程采集润滑油样品；
S12:利用润滑油检测技术获取润滑油数据。
需要说明的是，按照润滑油采样规程采集轴承润滑油样品的方法包括以下步骤：
S111:确定取样部位、确定取样方法、确定取样时机；
S112:按照确定好的取样部位、取样方法和取样时机进行取样，获得润滑油样品。
取样部位应能真实反应机械设备状态，一般位于润滑系统中摩擦副后滤器前。取样方法可选取取样阀取样和取样器取样，由机械设备实际情况决定。取样时机为不停机取样和停机取样，停机取样要求时间控制在30分钟以内。取样部位、取样方法和取样时机一旦确定，为正确反映机械设备润滑油性能不宜变动。具体实施时轴承处于工作状态，在量油尺部位利用取样器等时间间隔取样。
需要说明的，利用润滑油检测技术获取润滑油数据的方法包括以下步骤：
S121:利用滑油原子发射光谱技术获取轴承润滑油元素含量数据，所述元素含量包括：添加剂、污染物和磨损三类元素的成分及含量；
所述原子发射光谱技术是指利用气体火焰、交流或直流电弧、等离子体火焰等方式激发油液试样，使油样中各微量元素的原子释放出具有特征频率的光子，从而获得发射光谱，测量谱线的波长以及谱线的相对强度，进而求得油样所含元素成分以及含量。具体实施采用SpectrOil M高性能油料光谱仪获取19种微量元素成分及其含量。
S122:利用润滑油铁磁性磨粒含量检测技术获取轴承润滑油铁磁性磨粒PQ指数数据；
所述铁磁性磨粒含量检测技术是指采用电磁感应原理，利用油样中铁磁性磨屑引起传感器线圈磁场变化对磨屑含量进行测量，油液样品中铁磁性磨屑总量以一个没有单位的定量数字PQ指数来显示，铁磁性磨屑总量与PQ指数呈良好的线性关系，可直接反应油样中所含有铁磁性磨粒的浓度。具体实施采用TTL-M型油液铁磁性磨粒含量现场快速检测仪获取PQ值。
S123:利用润滑油分析式铁谱检测技术获取轴承润滑油磨粒数据，所述磨粒数据包括：大小、总量和粒度。
所述分析式铁谱检测技术是指利用高梯度的强磁场将油样中所含有的磨粒产物按照其粒度大小依序分离出来，并通过对磨粒的形态、大小、成分以及粒度分布等定性和定量观测，获得有关摩擦副和润滑系统等工作状态的重要信息。分析式铁谱检测技术特别适用于较大磨粒的检测，但分析速度慢、操作繁琐费时，且较大程度依赖于专业技术人员的经验，当铁磁性磨粒含量检测技术获取的测量值超过异常值，需要通过分析式铁谱检测技术获得机械设备磨损类别和严重程度的信息，进一步提高故障预测的准确率。具体实施采用YTF-6型双联分析式铁谱仪制成铁谱片，由铁谱显微镜和数码摄像系统及分析软件获取磨粒形态、大小、成分及粒度分布数据。
S2:判断原始序列是否满足建模条件，基于满足建模条件的原始序列构建灰色模型；
需要说明的，步骤S2中，判断原始序列是否满足建模条件的方法为：采用级别判断法判断原始序列是否满足建模条件，若满足，则原始序列可以作为建模用数据。
首先给出灰色模型的有关定义：
GM(1,1)模型的定义：
设X(0)＝(x(0)(1),x(0)(2),…,x(0)(n))
X(1)＝(x(1)(1),x(1)(2),…,x(1)(n))
称x(0)(k)+ax(1)(k)＝b (1)
为GM(1,1)模型的原始形式。
设X(0),X(1)如定义所示，Z(1)＝(z(1)(2),z(1)(3),…,z(1)(n))
其中
称x(0)(k)+az(1)(k)＝b (2)
为GM(1,1)模型的基本形式。
设X(0)为非负序列，X(1)为X(0)的1－AGO序列，Z(1)为X(1)的紧邻均值生成序列，[a,b]T＝(BTB)-1BTY，则称：
为GM(1,1)模型
x(0)(k)+az(1)(k)＝b
的白化方程，也叫影子方程。
白化方程
的解也称时间响应函数为
GM(1,1)模型x(0)(k)+az(1)(k)＝b的时间响应序列为
还原值
k＝1,2,…n
根据上述定义，灰色模型的建模过程具体如下：
S21:获取满足建模条件的原始序列X(0)；
S22：对X(0)作1－AGO，得X(1)＝(x(1)(1),x(1)(2),x(1)(3),x(1)(4),x(1)(5))；
S23：检验X(0)的准光滑性，检验X(1)是否具有准指数规律；
S24：对X(1)作紧邻均值生成序列Z(1)，令z(1)(k)＝0.5x(1)(k)+0.5x(1)(k-1)，得Z(1)＝(z(1)(2),z(1)(3),z(1)(4),z(1)(5))；
S25：对参数列
进行最小二乘估计，得a，b值，确定模型及时间响应式为：
其中，-a为发展系数，b为灰色作用量；
S26：求X(1)的模拟值
求出X(0)的模拟值，由
得
S3:将待预测时间点输入灰色模型，得到预测值；
为了更方便理解本方案，以下对本方案的基于灰色模型的预测步骤进一步说明，具体步骤如下：
第一步：可行性判断。
判断序列是否符合建模三条件，
结构条件：具有原始序列累加生成的等间隔子序列信息浓度最大的灰导数；
材料条件：灰导数的白化背景值与灰导数成分满足平射；
品质条件：灰导数白化背景值位于单调增的背景集中，与灰导数成分满足平射的数据非唯一。
具体判断采用级比判断法，即根据原始序列的级比是否落于级比界区内判断建模的可行性。
本实施例获取的元素含量、PQ指数、磨粒大小、总量和粒度等数据随着润滑油使用状态变化，呈现出增长或下降的趋势，经过一次累加生成序列后为单增序列，在这种情况下可以用指数函数来拟合，满足建模条件。
第二步：建立均值差分模型。
模型建立的过程包括：初始化原始序列、生成1次累加序列、计算发展系数和灰色作用量、计算模拟值、计算残差。
第三步：判定模型适用范围。
模型的适用范围以发展系数为依据，具体适用范围如下：
(1)发展系数负值小于等于0.3时，可用于中长期预测。
(2)发展系数负值大于0.3小于等于0.5时，可用于短期预测，中长期预测慎用。
(3)发展系数负值大于0.5小于等于0.8时，短期预测应十分谨慎。
(4)发展系数负值大于0.8小于等于1时，应采用残差修正模型。
(5)发展系数负值大于1时，不宜采用该模型。
第四步：精度检验。
检验模型精度检验的方法有：相对误差法、关联度法、均方差比值法和小误差概率法等。本实施例采用相对误差检验法。
第五步：数据预测
完成上述计算、模拟和判断工作后，即可开展预测数据工作，为确保预测精度处于较高百分值，本实施例采用1步预测。
第六步：新陈代谢
将新获取数据补充到数据序列最后面的同时去掉数据序列的第一个数据，并保持数据序列长度不变，重复进行上述第一步至第五步的操作。
S4:将预测数据与预设报警阈值进行比对并利用EXCEL软件绘制趋势预测图，完成润滑油性能预测。
综上所述，本发明实施例所提供的一种基于灰色模型的机械设备润滑油性能预测方法，将预测所得预测数据分别与已知的润滑油元素含量阈值和铁磁性磨粒阈值进行比对，结果通过Excel软件绘制趋势预测图，可直观得到润滑油性能诊断结果，确定是否需要更换润滑油并预测润滑油更换时间，同时根据所得的预测数据，还可以机械设备维修提供可靠依据。将获取的数据和趋势预测图存储，可以为后续精密诊断提供数据支撑。
如图2为本发明实施某型中间轴承润滑油锡元素和铁磁性磨粒预测结果。如图2所示，随着图中横坐标轴承工作时间的不断增加，经过计算分析，图中的纵坐标锡元素含量呈现上升的趋势，且已经超过预警值，次纵坐标铁磁性磨粒含量呈现上升的趋势，虽未超过但已经十分接近预警值，综合分析锡元素和铁磁性磨粒均增加且分别超过和接近预警值，考虑到铁磁性磨粒含量未达到异常值，本实施例暂不做分析式铁谱检测技术，可得出轴承存在磨损故障结论，结论完全符合中间轴承主要由铁、锡和铜等材料成分组成的实际情况，同时预测的数据与实测的数据误差很小，满足检验指标，说明本发明建立的灰色模型完全适用于润滑油性能故障判断和预测。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围，其均应涵盖在本发明的权利要求和说明书的范围当中。
Claims (7)
1.一种基于灰色模型的机械设备润滑油性能预测方法，其特征在于，包括以下步骤：
S1:获取连续时间段内机械设备的润滑油数据，基于所述润滑油数据获取原始序列，执行步骤S2；
S2:判断原始序列是否满足建模条件，基于满足建模条件的原始序列构建灰色模型,执行步骤S3；
S3:将待预测时间点输入灰色模型，得到预测值,执行步骤S4；
S4:将预测值与报警阈值进行比对并利用EXCEL软件绘制趋势预测图，完成润滑油性能预测。
2.根据权利要求1所述的一种基于灰色模型的机械设备润滑油性能预测方法，其特征在于，步骤S1中，获取连续时间段内机械设备的润滑油数据的方法包括以下步骤：
S11:按照润滑油采样规程采集润滑油样品；
S12:利用润滑油检测技术获取润滑油数据。
3.根据权利要求2所述的一种基于灰色模型的机械设备润滑油性能预测方法，其特征在于，按照润滑油采样规程采集轴承润滑油样品的方法包括以下步骤：
S111:确定取样部位、确定取样方法、确定取样时机；
S112:按照确定好的取样部位、取样方法和取样时机进行取样，获得润滑油样品。
4.根据权利要求2所述的一种基于灰色模型的机械设备润滑油性能预测方法，其特征在于，利用润滑油检测技术获取润滑油数据的方法包括以下步骤：
S121:利用滑油原子发射光谱技术获取轴承润滑油元素含量数据，所述元素含量包括：添加剂、污染物和磨损三类元素的成分及含量；
S122:利用润滑油铁磁性磨粒含量检测技术获取轴承润滑油铁磁性磨粒PQ指数数据；
S123:利用润滑油分析式铁谱检测技术获取轴承润滑油磨粒数据，所述磨粒数据包括：大小、总量和粒度。
5.根据权利要求1所述的一种基于灰色模型的机械设备润滑油性能预测方法，其特征在于，步骤S2中，判断原始序列是否满足建模条件的方法为：采用级别判断法判断原始序列是否满足建模条件，若满足，则原始序列可以作为建模用数据。
6.根据权利要求1所述的一种基于灰色模型的机械设备润滑油性能预测方法，其特征在于，步骤S2中，基于满足建模条件的原始序列构建灰色模型的方法包括以下步骤：
S21:获取满足建模条件的原始序列X(0)；
S22：对X(0)作1－AGO，得X(1)＝(x(1)(1),x(1)(2),x(1)(3),x(1)(4),x(1)(5))；
S23：检验X(0)的准光滑性，检验X(1)是否具有准指数规律；
S24：对X(1)作紧邻均值生成序列Z(1)，令z(1)(k)＝0.5x(1)(k)+0.5x(1)(k-1)，得Z(1)＝(z(1)(2),z(1)(3),z(1)(4),z(1)(5))；
S25：对参数列
进行最小二乘估计，得a，b值，确定模型及时间响应式为：
其中，-a为发展系数，b为灰色作用量；
S26：求X(1)的模拟值
求出X(0)的模拟值，由
得
7.根据权利要求所述的一种基于灰色模型的机械设备润滑油性能预测方法，其特征在于，基于满足建模条件的原始序列构建灰色模型的方法还包括：对灰色模型进行精度校验，所述精度校验的方法包括相对误差法、关联度法、均方差比值法和小误差概率法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111247164.0A CN113916843A (zh) | 2021-10-26 | 2021-10-26 | 基于灰色模型的机械设备润滑油性能预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111247164.0A CN113916843A (zh) | 2021-10-26 | 2021-10-26 | 基于灰色模型的机械设备润滑油性能预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113916843A true CN113916843A (zh) | 2022-01-11 |
Family
ID=79242833
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111247164.0A Pending CN113916843A (zh) | 2021-10-26 | 2021-10-26 | 基于灰色模型的机械设备润滑油性能预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113916843A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115655998A (zh) * | 2022-11-21 | 2023-01-31 | 昆山书豪仪器科技有限公司 | 一种磨粒检测方法、装置、设备、介质和产品 |
| CN115713532A (zh) * | 2023-01-06 | 2023-02-24 | 卡松科技股份有限公司 | 一种工业润滑油悬浮水污染检测方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102705078A (zh) * | 2012-04-19 | 2012-10-03 | 哈尔滨工程大学 | 基于灰色模型的柴油机故障预测方法 |
| CN107203690A (zh) * | 2017-04-21 | 2017-09-26 | 南京理工大学 | 一种gm（1,1）模型变压器故障预测方法 |
| CN109270174A (zh) * | 2018-07-27 | 2019-01-25 | 西南交通大学 | 一种改进灰色预测模型的变压器油色谱气体预测方法 |
| CN111855219A (zh) * | 2020-07-20 | 2020-10-30 | 哈尔滨工程大学 | 一种基于灰色理论的柴油机润滑油进机安保参数预测方法 |
| CN113268885A (zh) * | 2021-06-17 | 2021-08-17 | 苏州热工研究院有限公司 | 基于灰色马尔可夫模型的变压器故障预测方法及电子设备 |
-
2021
- 2021-10-26 CN CN202111247164.0A patent/CN113916843A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102705078A (zh) * | 2012-04-19 | 2012-10-03 | 哈尔滨工程大学 | 基于灰色模型的柴油机故障预测方法 |
| CN107203690A (zh) * | 2017-04-21 | 2017-09-26 | 南京理工大学 | 一种gm（1,1）模型变压器故障预测方法 |
| CN109270174A (zh) * | 2018-07-27 | 2019-01-25 | 西南交通大学 | 一种改进灰色预测模型的变压器油色谱气体预测方法 |
| CN111855219A (zh) * | 2020-07-20 | 2020-10-30 | 哈尔滨工程大学 | 一种基于灰色理论的柴油机润滑油进机安保参数预测方法 |
| CN113268885A (zh) * | 2021-06-17 | 2021-08-17 | 苏州热工研究院有限公司 | 基于灰色马尔可夫模型的变压器故障预测方法及电子设备 |
Non-Patent Citations (3)
| Title |
|---|
| 庞新宇等: "《油液信息在齿轮和滑动轴承磨损故障识别中的应用》", 30 May 2020, 北京：冶金工业出版社, pages: 13 - 15 * |
| 王旭平等: "《机电设备检测与诊断技术》", 31 July 2021, 西安：西北工业大学出版社, pages: 139 - 151 * |
| 邓聚龙等: "《灰色理论基础》", 28 February 2002, 武汉：华中科技大学出版社, pages: 221 - 222 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115655998A (zh) * | 2022-11-21 | 2023-01-31 | 昆山书豪仪器科技有限公司 | 一种磨粒检测方法、装置、设备、介质和产品 |
| CN115713532A (zh) * | 2023-01-06 | 2023-02-24 | 卡松科技股份有限公司 | 一种工业润滑油悬浮水污染检测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10871476B2 (en) | Method and system for failure prediction using lubricating fluid analysis | |
| CN113916843A (zh) | 基于灰色模型的机械设备润滑油性能预测方法 | |
| US9714931B2 (en) | System and method for estimating engine oil health | |
| US10920606B2 (en) | Method and system for diagnosing a condition of an engine using lubricating fluid analysis | |
| Toms et al. | Oil analysis and condition monitoring | |
| JPH0331746A (ja) | 潤滑油の残存寿命推定方法 | |
| US10906670B2 (en) | Methods for effluent based condition assessment | |
| Furch et al. | Design of a tribotechnical diagnostics model for determining the technical condition of an internal combustion engine during its life cycle | |
| Morgan et al. | Predicting future states with $ n $-dimensional Markov chains for fault diagnosis | |
| Wang et al. | Fault prediction method based on linear weighted summation | |
| Liu et al. | Prediction of remaining useful life of lubricating oil based on optimal BP neural network | |
| Miró Mezquita et al. | Current trends in ICE wear detection technologies: From lab to field | |
| EP3786625B1 (en) | Method and system for determining an exposure temperature of an engine component using lubricating fluid analysis | |
| Johnson et al. | An overview of recent advances in quantitative ferrography as applied to diesel engines | |
| Stodola et al. | Instrumental methods in the diagnostics of special vehicle drive | |
| Macián et al. | Evaluation of metallic elements in oil for an engine fault‐diagnosis system | |
| Wang et al. | On-line oil monitoring sensors fusion for aircraft health management | |
| Furch | Practical use of ferrography for determining the technical condition of an internal combustion engine | |
| Furcha et al. | Eksploatacja i Niezawodnosc–Maintenance and Reliability | |
| CN116519665A (zh) | 一种表面特性干扰下耐热钢老化检测方法及存储介质 | |
| Toms et al. | Guidelines for alarm limits and trend analysis | |
| Fitch | Analysis of In-Service Automotive Engine Oils | |
| Yanshan et al. | On-line Oil Monitoring Sensors Fusion for Aircraft Health Management | |
| Lu et al. | Wear trend analysis based on ferrograph cover area rates compares with other methods | |
| Zirker et al. | Oil Bypass Filter Technology Evaluation-Third Quarterly Report, April--June 2003 |
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 |