CN114675010B - 一种润滑油抗氧化性能智能化分析方法 - Google Patents

一种润滑油抗氧化性能智能化分析方法 Download PDF

Info

Publication number
CN114675010B
CN114675010B CN202210603068.3A CN202210603068A CN114675010B CN 114675010 B CN114675010 B CN 114675010B CN 202210603068 A CN202210603068 A CN 202210603068A CN 114675010 B CN114675010 B CN 114675010B
Authority
CN
China
Prior art keywords
lubricating oil
working
oxidation
viscosity
performance
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
CN202210603068.3A
Other languages
English (en)
Other versions
CN114675010A (zh
Inventor
张广昊
付涛
郭孟凯
赵之玉
姬传波
范士光
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.)
Kasong Science And Technology Co ltd
Original Assignee
Kasong Science And Technology 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 Kasong Science And Technology Co ltd filed Critical Kasong Science And Technology Co ltd
Priority to CN202210603068.3A priority Critical patent/CN114675010B/zh
Publication of CN114675010A publication Critical patent/CN114675010A/zh
Application granted granted Critical
Publication of CN114675010B publication Critical patent/CN114675010B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G01N33/2805—Oils, i.e. hydrocarbon liquids investigating the resistance to heat or oxidation
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N11/00—Investigating flow properties of materials, e.g. viscosity, plasticity; Analysing materials by determining flow properties
    • 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

Landscapes

  • Chemical & Material Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Biochemistry (AREA)
  • Pathology (AREA)
  • Immunology (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Analytical Chemistry (AREA)
  • Oil, Petroleum & Natural Gas (AREA)
  • Medicinal Chemistry (AREA)
  • Food Science & Technology (AREA)
  • General Chemical & Material Sciences (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
  • General Details Of Gearings (AREA)

Abstract

本发明涉及数据处理技术领域，具体涉及一种润滑油抗氧化性能智能化分析方法。方法包括：根据压铸机工作过程中不同工作周期各采集时刻齿轮箱内润滑油的粘度和PH，得到各工作周期的氧化损失速率；根据各工作周期中各采集时刻齿轮箱的振动幅值，得到各工作周期对应的振动幅值；根据不同批次中各工作周期的氧化损失速率和振动幅值，得到综合性能偏移指标；对综合性能偏移指标进行降维，得到显著性能偏移指标数据；对显著性能偏移指标数据进行相空间重构，得到性能偏移指标数据；根据任意两个历史记录对应的性能偏移指标数据，计算相关隶属性；根据相关隶属性分析润滑油的氧化性能。本发明提供的方法能够智能化分析润滑油的抗氧化性能。

Description

一种润滑油抗氧化性能智能化分析方法
技术领域
本发明涉及数据处理技术领域，具体涉及一种润滑油抗氧化性能智能化分析方法。
背景技术
润滑油在使用过程中，受空气中氧气以及其它各种因素的影响，会产生一定的氧化现象，而氧化后的润滑油的粘性以及酸性会发生变化，此时可能会使齿轮箱中齿轮的工作效率降低，严重时可能对齿轮箱的金属部件产生腐蚀等危害。而润滑油一般都有一定的抗氧化性能，但随着其使用时间的增加，抗氧化性能也会逐渐衰减，因此需要对润滑油的抗氧化性能进行分析。现有技术一般会直接采集润滑油的静态信息并进行检测，但是这种方法不能智能化分析润滑油的抗氧化性能。
发明内容
为了解决现有技术不能智能化分析润滑油的抗氧化性能的问题，本发明的目的在于提供一种润滑油抗氧化性能智能化分析方法，所采用的技术方案具体如下：
本发明提供了一种润滑油抗氧化性能智能化分析方法包括以下步骤：
获取压铸机工作过程中不同工作周期中各采集时刻齿轮箱内润滑油的粘度、润滑油的PH和齿轮箱的振动幅值；根据各工作周期中各采集时刻齿轮箱内润滑油的粘度和PH，得到各工作周期对应的氧化因子；根据所述各工作周期对应的氧化因子，计算各工作周期润滑油的氧化损失速率；根据各工作周期中各采集时刻齿轮箱的振动幅值，得到各工作周期对应的振动幅值；
将预设个数的工作周期作为一个批次；根据不同批次中各工作周期润滑油的氧化损失速率，得到各批次对应的历史损失因子；根据不同批次中各工作周期对应的振动幅值，得到各批次对应的历史幅值因子；将所述历史损失因子和历史幅值因子进行合并，得到润滑油抗氧化性能的综合性能偏移指标；对所述综合性能偏移指标进行降维处理，得到显著性能偏移指标数据；对所述显著性能偏移指标数据进行相空间重构，得到性能偏移指标数据；
根据任意两个历史记录对应的性能偏移指标数据，计算任意两个历史记录相空间预测向量的余弦距离；根据所述相空间预测向量的余弦距离，得到相关隶属性；根据所述相关隶属性与预设阈值的大小关系，分析润滑油的抗氧化性能。
优选的，所述根据各工作周期中各采集时刻齿轮箱内润滑油的粘度和PH，得到各工作周期对应的氧化因子，包括：
对于任一工作周期：
根据该工作周期中各采集时刻齿轮箱内润滑油的粘度，构建该工作周期对应的润滑油的粘性变化序列；根据所述粘性变化序列，计算该工作周期润滑油的粘度的离散程度；
根据该工作周期中各采集时刻齿轮箱内润滑油的PH，构建该工作周期对应的润滑油的酸值变化序列；根据所述酸值变化序列，计算该工作周期润滑油的酸值的离散程度；
根据该工作周期润滑油的粘度的离散程度和的酸值的离散程度，得到该工作周期对应的氧化因子。
优选的，采用如下公式计算该工作周期润滑油的粘度的离散程度：
Figure DEST_PATH_IMAGE002
其中，
Figure DEST_PATH_IMAGE004
为该工作周期润滑油的粘度的离散程度，
Figure DEST_PATH_IMAGE006
为该工作周期中齿轮箱内润滑油的粘度的均值，
Figure DEST_PATH_IMAGE008
为该工作周期中第
Figure DEST_PATH_IMAGE010
个采集时刻齿轮箱内润滑油的粘度，
Figure DEST_PATH_IMAGE012
为该工作周期中润滑油的粘度的总采集次数，
Figure DEST_PATH_IMAGE014
为该工作周期中齿轮箱内润滑油的粘度的最大值，
Figure DEST_PATH_IMAGE016
为该工作周期中齿轮箱内润滑油的粘度的最小值，
Figure DEST_PATH_IMAGE018
为自然常数。
优选的，采用如下公式计算该工作周期润滑油的酸值的离散程度：
Figure DEST_PATH_IMAGE020
其中，
Figure DEST_PATH_IMAGE022
为该工作周期润滑油的酸值的离散程度，
Figure DEST_PATH_IMAGE024
为该工作周期中齿轮箱内润滑油的PH的均值，
Figure DEST_PATH_IMAGE026
为该工作周期中第
Figure 335745DEST_PATH_IMAGE010
个采集时刻齿轮箱内润滑油的PH，
Figure 868357DEST_PATH_IMAGE012
为该工作周期中润滑油的PH的总采集次数，
Figure DEST_PATH_IMAGE028
为该工作周期中齿轮箱内润滑油的PH的最大值，
Figure DEST_PATH_IMAGE030
为该工作周期中齿轮箱内润滑油的PH的最小值，
Figure 395154DEST_PATH_IMAGE018
为自然常数。
优选的，所述对所述综合性能偏移指标进行降维处理，得到显著性能偏移指标数据，包括：
利用RBF核函数的核主成分分析法对综合性能偏移指标进行降维，得到显著性能偏移指标数据。
优选的，所述对所述显著性能偏移指标数据进行相空间重构，得到性能偏移指标数据，包括：
利用改进的C-C法求解处理后的RTT监测数据序列的最佳延迟时间和嵌入维数，根据最佳延迟时间和嵌入维数，利用延迟坐标法将显著性能偏移指标数据重构到多维相空间中，得到性能偏移指标数据。
优选的，所述根据不同批次中各工作周期润滑油的氧化损失速率，得到各批次对应的历史损失因子；根据不同批次中各工作周期对应的振动幅值，得到各批次对应的历史幅值因子，包括：
对于任一批次：
获取该批次中的最大氧化损失速率；根据所述最大氧化损失速率对该批次中各工作周期润滑油的氧化损失速率进行归一化；基于递增排序重排得到历史损失因子；
获取该批次中的最大振动幅值；根据所述最大振动幅值对该批次中各工作周期对应的振动幅值进行归一化；基于递增排序重排得到历史幅值因子。
优选的，采用如下计算各工作周期润滑油的氧化损失速率：
Figure DEST_PATH_IMAGE032
其中，
Figure DEST_PATH_IMAGE034
为第
Figure DEST_PATH_IMAGE036
个工作周期润滑油的氧化损失速率，
Figure DEST_PATH_IMAGE038
为第
Figure 218360DEST_PATH_IMAGE036
个工作周期的总时长，
Figure DEST_PATH_IMAGE040
为第
Figure 398674DEST_PATH_IMAGE036
个工作周期对应的氧化因子，
Figure DEST_PATH_IMAGE042
为第
Figure DEST_PATH_IMAGE044
个工作周期对应的氧化因子。
优选的，所述根据各工作周期中各采集时刻齿轮箱的振动幅值，得到各工作周期对应的振动幅值，包括：
对于任一工作周期：将该工作周期中各采集时刻齿轮箱的振动幅值的均值作为该工作周期对应的振动幅值。
本发明具有如下有益效果：本发明根据压铸机工作过程中不同工作周期中各采集时刻齿轮箱内润滑油的粘度和PH，得到各工作周期对应的氧化因子；根据各工作周期对应的氧化因子，计算了各工作周期润滑油的氧化损失速率；根据各工作周期中各采集时刻齿轮箱的振动幅值，得到各工作周期对应的振动幅值。本发明将预设个数的工作周期作为一个批次，根据不同批次中各工作周期润滑油的氧化损失速率和振动幅值，得到各批次润滑油抗氧化性能的综合性能偏移指标；对综合性能偏移指标进行降维处理，得到显著性能偏移指标数据；对显著性能偏移指标数据进行相空间重构，得到性能偏移指标数据。然后本发明根据任意两个历史记录对应的性能偏移指标数据，计算任意两个历史记录相空间预测向量的余弦距离；根据相空间预测向量的余弦距离，得到相关隶属性；根据相关隶属性与预设阈值的大小关系，分析润滑油的氧化性能。本发明提供的方法能够智能化分析润滑油的抗氧化性能，提高润滑油的抗氧化性能的分析效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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它附图。
图1为本发明所提供的一种润滑油抗氧化性能智能化分析方法的流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功能效果，以下结合附图及较佳实施例，对依据本发明提出的一种润滑油抗氧化性能智能化分析方法进行详细说明如下。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种润滑油抗氧化性能智能化分析方法的具体方案。
一种润滑油抗氧化性能智能化分析方法实施例
如图1所示，本实施例的一种润滑油抗氧化性能智能化分析方法包括以下步骤：
步骤S1，获取压铸机工作过程中不同工作周期中各采集时刻齿轮箱内润滑油的粘度、润滑油的PH和齿轮箱的振动幅值；根据各工作周期中各采集时刻齿轮箱内润滑油的粘度和PH，得到各工作周期对应的氧化因子；根据所述各工作周期对应的氧化因子，计算各工作周期润滑油的氧化损失速率；根据各工作周期中各采集时刻齿轮箱的振动幅值，得到各工作周期对应的振动幅值。
在齿轮传动过程中（压铸机进行工作），由于齿轮箱中各个齿轮之间的接触，会有一定程度的摩擦。摩擦会加大齿轮之间的磨损，为了减少齿轮等运动部件的磨损，保证传动系统的正常运动。在齿轮传动过程中，齿轮上涂的润滑油必须保持合适的粘度，才能正常的发挥作用，如果粘度不合适，会造成发热、摩擦加大，甚至油流不畅等不良情况，而导致润滑油粘度增大的原因之一就是润滑油的氧化现象。
润滑油的氧化是一种正常现象，润滑油在接触到空气后会被缓慢氧化，氧化会造成润滑油的老化变质，同时使润滑油的粘度发生较大变化。虽然一般情况下润滑油中都加有抗氧化剂，但却不等于不氧化，只是氧化过程有所减慢。随着使用时间的增加，润滑油的氧化程度变高，抗氧化性性能下降，粘度也会发生变化。因此本实施例对齿轮箱润滑油的粘度信息进行采集，本实施例使用在线检测齿轮油油箱品质传感器对齿轮箱润滑油的粘性变信息进行读取，在线检测齿轮油油箱品质传感器属于流体特性传感器，可直接且同时测量流体的粘度、密度和温度。该传感器能够检测到齿轮油箱内润滑油流体的粘度数据，本实施例设置压铸机的一个工作周期为一个时间段，设置粘度采样频率，一个工作周期内多次采集齿轮油箱内润滑油流体的粘度，本实施例根据每个采集时刻齿轮箱内润滑油的粘度，得到每个工作周期内齿轮箱内润滑油的粘性变化序列，即
Figure DEST_PATH_IMAGE046
，其中，
Figure DEST_PATH_IMAGE048
为任一工作周期内齿轮箱内润滑油的粘性变化序列，
Figure DEST_PATH_IMAGE050
为该工作周期内第1个采集时刻齿轮箱内润滑油的粘度，
Figure DEST_PATH_IMAGE052
为该工作周期内第2个采集时刻齿轮箱内润滑油的粘度，
Figure DEST_PATH_IMAGE054
为该工作周期内第3个采集时刻齿轮箱内润滑油的粘度，每个工作周期对应一个粘性变化序列。在具体应用中，润滑油的粘度的采集频率实施者可自行设定。
本实施例用每个工作周期内齿轮箱内润滑油的粘度值的方差和极差来表征在每个工作周期内润滑油的粘度的离散程度，即根据每个工作周期齿轮箱内润滑油的粘性变化序列，计算每个工作周期内润滑油的粘度的离散程度：
Figure 716785DEST_PATH_IMAGE002
其中，
Figure 109589DEST_PATH_IMAGE004
为任一工作周期润滑油的粘度的离散程度，
Figure 164133DEST_PATH_IMAGE006
为该工作周期中齿轮箱内润滑油的粘度的均值，
Figure 859557DEST_PATH_IMAGE008
为该工作周期中第
Figure 507707DEST_PATH_IMAGE010
个采集时刻齿轮箱内润滑油的粘度，
Figure 48409DEST_PATH_IMAGE012
为该工作周期中润滑油的粘度的总采集次数，
Figure 852067DEST_PATH_IMAGE014
为该工作周期中齿轮箱内润滑油的粘度的最大值，
Figure 718392DEST_PATH_IMAGE016
为该工作周期中齿轮箱内润滑油的粘度的最小值，
Figure 853838DEST_PATH_IMAGE018
为自然常数。
润滑油的氧化除了与自身化学组成相关，还与使用条件有着密切关系，润滑油一旦开始氧化，酸值就会开始升高，润滑油氧化后由于酸值升高，就会引起设备生锈、腐蚀。因此本实施例对齿轮箱内的润滑油的酸值的变化信息进行采集，本实施例使用润滑油酸性测定仪对齿轮箱内的润滑油的酸性信息进行采集，由于齿轮箱内润滑油的氧化程度会随着时间增加而发生变化，因此酸值就会随着时间的增加而发生变化，本实施例利用润滑油酸性测定仪采集齿轮箱内润滑油的PH，润滑油的PH的采样频率同上述粘度采样频率相同，本实施例根据每个采集时刻齿轮箱内润滑油的
Figure DEST_PATH_IMAGE056
，得到每个工作周期内齿轮箱内润滑油的酸值变化序列，
Figure DEST_PATH_IMAGE058
，其中，
Figure DEST_PATH_IMAGE060
为任一工作周期内齿轮箱内润滑油的酸值变化序列，
Figure 916341DEST_PATH_IMAGE050
为该工作周期内第1个采集时刻齿轮箱内润滑油的PH，
Figure 555264DEST_PATH_IMAGE052
为该工作周期内第2个采集时刻齿轮箱内润滑油的PH，
Figure 858069DEST_PATH_IMAGE054
为该工作周期内第3个采集时刻齿轮箱内润滑油的PH，每个工作周期对应一个酸值变化序列。在具体应用中，润滑油的PH的采集频率实施者可自行设定。
本实施例用每个工作周期内齿轮箱内润滑油的PH值的方差和极差来表征每个工作周期内润滑油的酸值的离散程度，即根据每个工作周期齿轮箱内润滑油的酸值变化序列，计算每个工作周期内润滑油的酸值的离散程度：
Figure DEST_PATH_IMAGE061
其中，
Figure 231544DEST_PATH_IMAGE022
为任一工作周期润滑油的酸值的离散程度，
Figure 645208DEST_PATH_IMAGE024
为该工作周期中齿轮箱内润滑油的PH的均值，
Figure 138637DEST_PATH_IMAGE026
为该工作周期中第
Figure 612344DEST_PATH_IMAGE010
个采集时刻齿轮箱内润滑油的PH，
Figure 706071DEST_PATH_IMAGE012
为该工作周期中润滑油的PH的总采集次数，
Figure 657846DEST_PATH_IMAGE028
为该工作周期中齿轮箱内润滑油的PH的最大值，
Figure 395995DEST_PATH_IMAGE030
为该工作周期中齿轮箱内润滑油的PH的最小值，
Figure 915969DEST_PATH_IMAGE018
为自然常数。
当润滑油的酸值的离散程度越大时，说明在对应工作周期内采集得到PH值的离散程度较大，润滑油的PH值变化越快。
当润滑油的粘度的离散程度和酸值的离散程度都较大时，说明润滑油的氧化程度较大，抗氧化性较差。因此本实施例基于每个工作周期润滑油的粘度的离散程度和酸值的离散程度，计算各工作周期对应的氧化因子，即：
Figure DEST_PATH_IMAGE063
其中，
Figure DEST_PATH_IMAGE065
为任一工作周期对应的氧化因子，
Figure 198790DEST_PATH_IMAGE004
为该工作周期内润滑油的粘度的离散程度，
Figure 954256DEST_PATH_IMAGE022
为该工作周期内润滑油的酸值的离散程度。
至此，得到每个工作周期对应的氧化因子。
本实施例基于各工作周期对应的氧化因子，分析不同工作周期氧化因子的差值大小，以此判断润滑油的氧化速率。因此根据齿轮箱内润滑油氧化因子的变化来分析不同工作周期润滑油的氧化损失速率，即：
Figure DEST_PATH_IMAGE032A
其中，
Figure 468283DEST_PATH_IMAGE034
为第
Figure 893579DEST_PATH_IMAGE036
个工作周期润滑油的氧化损失速率，
Figure 837264DEST_PATH_IMAGE038
为第
Figure 130842DEST_PATH_IMAGE036
个工作周期的总时长，
Figure 469682DEST_PATH_IMAGE040
为第
Figure 190513DEST_PATH_IMAGE036
个工作周期对应的氧化因子，
Figure 855717DEST_PATH_IMAGE042
为第
Figure 828352DEST_PATH_IMAGE044
个工作周期对应的氧化因子。
润滑油对齿轮轴承起保护作用，减小磨损和摩擦，而随着使用时间的增加以及其它因素的影响，当润滑油的抗氧化性能损失后，对齿轮箱内的轴承以及齿轮的保护作用就会减小，就会增大齿轮之间的摩擦，进而会导致齿轮箱齿轮轴承磨损。在工作过程中，齿轮箱会发生振动，振动会加大摩擦生热，加快润滑油的氧化，因此本实施例对齿轮箱产生的振动数据信息进行分析，本实施例使用振动传感器对齿轮箱的振动信息进行读取，将振动传感器安装在齿轮箱的外壁上，直接读取齿轮箱产生的振动幅值，齿轮箱的振动幅值的采样频率与上述粘度采样频率相同。根据每个采集时刻齿轮箱的振动幅值，得到每个批次齿轮箱的振动幅值序列，即
Figure DEST_PATH_IMAGE067
，其中，
Figure DEST_PATH_IMAGE069
为任一工作周期齿轮箱的振动幅值序列，
Figure 582551DEST_PATH_IMAGE050
为该工作周期第1个采集时刻齿轮箱的振动幅值，
Figure 208704DEST_PATH_IMAGE052
为该工作周期第2个采集时刻齿轮箱的振动幅值，
Figure 2348DEST_PATH_IMAGE054
为该工作周期第3个采集时刻齿轮箱的振动幅值，每个工作周期对应一个振动幅值序列。对于任一工作周期：计算该工作周期各采集时刻齿轮箱的振动幅值的均值，将该均值作为该工作周期对应的振动幅值。至此，每个工作周期得到一个振动幅值。在具体应用中，齿轮箱的振动幅值的采集频率实施者可自行设定。
步骤S2，将预设个数的工作周期作为一个批次；根据不同批次中各工作周期润滑油的氧化损失速率，得到各批次对应的历史损失因子；根据不同批次中各工作周期对应的振动幅值，得到各批次对应的历史幅值因子；将所述历史损失因子和历史幅值因子进行合并，得到润滑油抗氧化性能的综合性能偏移指标；对所述综合性能偏移指标进行降维处理，得到显著性能偏移指标数据；对所述显著性能偏移指标数据进行相空间重构，得到性能偏移指标数据。
本实施例以压铸机连续工作100次（100个工作周期）为一个批次，即以100个时间段为一个批次，当每一个运动周期结束，则将该次的润滑油的氧化损失速率和振动幅值加入该100次的数据中，并剔除最早一次的数据。
基于各工作周期润滑油的氧化损失速率
Figure DEST_PATH_IMAGE071
，构建归一化氧化性能损失占比因子：
1.基于各工作周期润滑油的氧化损失速率
Figure 794986DEST_PATH_IMAGE071
，构建氧化性能损失占比因子：
（1）首先找到本100次中的氧化损失速率的最大值
Figure DEST_PATH_IMAGE073
；
（2）然后对其进行归一化，使所有Y值值域位于[0,1]，并基于递增排序重排为历史损失因子
Figure DEST_PATH_IMAGE075
。
2.基于各工作周期对应的振动幅值Z，构建振动程度占比因子：
（1）首先找到本100次中的振动幅值的最大值
Figure DEST_PATH_IMAGE077
；
（2）然后对其进行归一化，使所有Z值值域位于[0,1]，并基于递增排序重排为历史幅值因子
Figure DEST_PATH_IMAGE079
。
由于递增排序后的历史损失因子
Figure 341373DEST_PATH_IMAGE075
能够从数据分布的方式上得到氧化性能损失速率的波动情况，历史幅值因子
Figure 544953DEST_PATH_IMAGE079
能够反映机械结构因润滑油的氧化损失而发生振幅上的运转性能的变化，因此两者能够综合提供一种一段时间内润滑油在使用过程中抗氧化性能好坏而导致性能损失的特征。
接下来本实施例基于历史损失因子
Figure 419368DEST_PATH_IMAGE075
和历史幅值因子
Figure 124019DEST_PATH_IMAGE079
进行合并，得到润滑油在使用过程中的抗氧化性能的综合性能偏移指标
Figure DEST_PATH_IMAGE081
，
Figure DEST_PATH_IMAGE083
，其中，
Figure 961131DEST_PATH_IMAGE081
为200维数据，由于综合性能偏移指标
Figure 194667DEST_PATH_IMAGE081
的维数较高，后续处理起来较为困难，因此需要对综合性能偏移指标
Figure 821957DEST_PATH_IMAGE081
进行降维处理，降维处理能够减少后续的计算量同时不影响计算结果的准确性，本实施例的预设维数为30维，在具体应用中，实施者可自行设置。利用RBF核函数的核主成分分析法K-PCA对综合性能偏移指标
Figure 189353DEST_PATH_IMAGE081
进行降维，从而得到显著性能偏移指标数据
Figure DEST_PATH_IMAGE085
。
需要说明的是，采用RBF核函数的核主成分分析法进行低维变换的过程为公开技术，在此仅简述该过程。简化步骤如下：
（1）计算综合性能偏移指标
Figure 726645DEST_PATH_IMAGE081
的特征值与特征向量；
（2）将该特征值进行降序排列，取特征值序列中的前E个特征值和对应的特征向量，E为降维后的维数，本实施例中将200维的综合性能偏移指标
Figure 396661DEST_PATH_IMAGE081
降为30维向量，即
Figure DEST_PATH_IMAGE087
。
（3）由于综合性能偏移指标
Figure 402925DEST_PATH_IMAGE081
的内部信息主要由历史损失因子
Figure 918220DEST_PATH_IMAGE075
和历史幅值因子
Figure 310018DEST_PATH_IMAGE079
的数值在一段时间内的排布构成，因此信息不是稀疏的，降维的作用是提取这些信息的正交基，从而进一步得到较为显著的数值分布的特征。该特征能够表示一段时间内润滑油的自身因氧化导致的性能损失和所润滑的机械装置因性能发生变化而导致振动幅值的变化的数值特征。
（4）对于200维综合性能偏移指标
Figure 150935DEST_PATH_IMAGE081
样本，计算RBF核矩阵
Figure DEST_PATH_IMAGE089
，并中心化为
Figure DEST_PATH_IMAGE091
；具体包括：
Figure DEST_PATH_IMAGE093
Figure DEST_PATH_IMAGE095
其中，
Figure DEST_PATH_IMAGE097
是元素为1/i的i*i矩阵，
Figure DEST_PATH_IMAGE099
为核参数；
计算
Figure 772059DEST_PATH_IMAGE091
的特征值核特征向量，将
Figure 356624DEST_PATH_IMAGE091
的特征值
Figure DEST_PATH_IMAGE101
进行降序排列，取特征值序列前E个特征值
Figure DEST_PATH_IMAGE103
和对应的特征向量
Figure DEST_PATH_IMAGE105
，E为降维后的维数，
Figure 789880DEST_PATH_IMAGE087
。
利用核矩阵、上述过程选出的特征值和特征向量计算降维结果
Figure DEST_PATH_IMAGE107
。
至此，将200维综合性能偏移指标
Figure 942644DEST_PATH_IMAGE081
通过K-PCA降维到30维，得到了30维的显著性能偏移指标数据
Figure 766243DEST_PATH_IMAGE085
，降到30维后，简化了后续的计算时间，使得相空间的跟踪维度可控，更能凸显润滑油抗氧化性能变化而导致的性能偏移特征。
每次200维综合性能偏移指标
Figure 780598DEST_PATH_IMAGE081
更新后，基于K-PCA，便可以对显著性能偏移指标数据
Figure 6043DEST_PATH_IMAGE085
进行更新，对每次显著性能偏移指标数据
Figure 64129DEST_PATH_IMAGE085
的变化进行分析，将数据进行相空间重构。
由于性能衰减囊括了润滑油的粘度的离散程度Q、润滑油的PH的离散程度S以及所润滑的机械结构的振幅特征Z的综合特征，且润滑自身是一种混沌的系统。对于显著性能偏移指标数据
Figure DEST_PATH_IMAGE109
降维后各维度关系是由上述的多模态决定的，与润滑油综合的润滑质量有关，润滑油氧化后能够基于润滑油的氧化损失速率体现，性能衰减后必然会影响润滑质量，因此在振动幅值中体现。由于Y和Z的归一化及其排序机制，若性能发生较大改变，则归一化和排序的结果发生改变，会对PCA的结果产生一连续的影响。因此基于显著性能偏移指标数据
Figure 906183DEST_PATH_IMAGE085
，嵌入相空间进行指标分析，能够发现异常情况，从而智能化基于机器学习方法分析和预测润滑油抗氧化性能的劣化。
利用改进的C-C法求解处理后的RTT监测数据序列的最佳延迟时间
Figure DEST_PATH_IMAGE111
和嵌入维数
Figure DEST_PATH_IMAGE113
，根据最佳延迟时间
Figure 629288DEST_PATH_IMAGE111
和嵌入维数
Figure 709239DEST_PATH_IMAGE113
，利用延迟坐标法将显著性能偏移指标数据
Figure DEST_PATH_IMAGE115
重构到m维相空间中。需要说明的是，该部分的相空间重构方法为本领域公开技术，在此对其过程进行简要说明：
1、对显著性能偏移指标数据
Figure DEST_PATH_IMAGE117
，定义嵌入时间序列的关联积分为：
Figure DEST_PATH_IMAGE119
其中，
Figure 154871DEST_PATH_IMAGE113
为嵌入维数，
Figure 953063DEST_PATH_IMAGE111
为最佳延迟时间，
Figure 807755DEST_PATH_IMAGE010
为时间点序号，
Figure DEST_PATH_IMAGE121
为定义的空间半径，
Figure DEST_PATH_IMAGE123
为阶跃函数，
Figure DEST_PATH_IMAGE125
、
Figure DEST_PATH_IMAGE127
为显著性能偏移指标数据重构相空间中的两个点向量；
2、构造检验统计量：
Figure DEST_PATH_IMAGE129
（1）计算上式的过程，使用分块平均策略，且令i趋于正无穷时：
Figure DEST_PATH_IMAGE131
（2）选择对应往复时间特征数据最大和最小时的两个空间半径[
Figure DEST_PATH_IMAGE133
]，两个半径之间没有必然的大小关系，定义
Figure DEST_PATH_IMAGE135
和
Figure DEST_PATH_IMAGE137
在相同的
Figure 961787DEST_PATH_IMAGE113
和
Figure 486309DEST_PATH_IMAGE111
下对
Figure 647163DEST_PATH_IMAGE121
变化快慢的量分别为
Figure DEST_PATH_IMAGE139
、
Figure DEST_PATH_IMAGE141
：
Figure DEST_PATH_IMAGE143
（3）根据BDS统计定理得到
Figure DEST_PATH_IMAGE145
的合理估计，在本发明实施例中取
Figure DEST_PATH_IMAGE147
；
Figure DEST_PATH_IMAGE149
；
Figure DEST_PATH_IMAGE151
；
Figure DEST_PATH_IMAGE153
；
Figure DEST_PATH_IMAGE155
为时间序列的标准差；
Figure DEST_PATH_IMAGE157
=1，2，3；
（4）计算：
Figure DEST_PATH_IMAGE159
（5）在对应检验统计量的基础上比较
Figure DEST_PATH_IMAGE163
和
Figure DEST_PATH_IMAGE164
，在第（1）步中，固定
Figure DEST_PATH_IMAGE166
，当i趋于正无穷时，
Figure 548955DEST_PATH_IMAGE164
将随着
Figure DEST_PATH_IMAGE167
的增大而出现不断增长的高频波动，而在相同条件下，总体上
Figure 259291DEST_PATH_IMAGE163
和
Figure 95660DEST_PATH_IMAGE164
有着相同的起伏规律，但去除了
Figure 337285DEST_PATH_IMAGE164
的高频波动，改进的C-C法通过选取
Figure DEST_PATH_IMAGE169
的第一个局部最小值作为最优时延
Figure 563474DEST_PATH_IMAGE167
；另外，对于伪周期为T的显著性能偏移指标数据，当固定
Figure DEST_PATH_IMAGE171
趋于正无穷时，
Figure DEST_PATH_IMAGE173
即是
Figure DEST_PATH_IMAGE175
的局部极大值点又是
Figure DEST_PATH_IMAGE177
的零点，C为大于零的整数，因此
Figure DEST_PATH_IMAGE179
周期点存在比较明显的局部峰值，寻找
Figure 597158DEST_PATH_IMAGE179
周期点作为最优嵌入窗1；通过公式
Figure DEST_PATH_IMAGE181
，求得嵌入维数m；
（6）通过求出的
Figure DEST_PATH_IMAGE183
，利用延迟坐标法将初始的四维
Figure DEST_PATH_IMAGE185
RTT监测数据重构到m维相空间中，其矩阵序列表达式如下：
Figure DEST_PATH_IMAGE187
其中，M为延迟向量个数，
Figure DEST_PATH_IMAGE189
，
Figure DEST_PATH_IMAGE191
为重构得到的新的m维性能偏移指标数据。
至此，将预处理的
Figure DEST_PATH_IMAGE193
经过相空间重构得到了一个m维性能偏移指标数据
Figure 151898DEST_PATH_IMAGE191
，重建得到的性能偏移指标数据W能够避免PCA降维中导致的维度顺序变化，且能得到最能够代表当前综合性能的特征向量。
步骤S3，根据任意两个历史记录对应的性能偏移指标数据，计算任意两个历史记录相空间预测向量的余弦距离；根据所述相空间预测向量的余弦距离，得到相关隶属性；根据所述相关隶属性与预设阈值的大小关系，分析润滑油的抗氧化性能。
本实施例基于相空间重构得到的
Figure 411978DEST_PATH_IMAGE191
进行历史记录上的相关隶属性分析，从而判断润滑油氧化异常的情况。
具体的，以最近2000次为统计润滑油性能的时长，分析每个
Figure 897317DEST_PATH_IMAGE191
的相关隶属性，若相关隶属性较弱，则判定润滑油性能出现异常；对于历史统计空间中，任一记录p和其余任一记录q，存在相空间预测向量的余弦距离：
Figure DEST_PATH_IMAGE195
其中，
Figure DEST_PATH_IMAGE197
为记录p和记录q相空间预测向量的余弦距离，
Figure DEST_PATH_IMAGE199
为记录p的相空间预测向量，
Figure DEST_PATH_IMAGE201
为记录q的相空间预测向量；
由于润滑和机械结构运行都是随时间连续的，因此假定集合
Figure DEST_PATH_IMAGE203
满足在次空间中有K个余弦距离最短的记录。因此有相关隶属性：
Figure DEST_PATH_IMAGE205
所有历史记录都有其相关隶属性，实施者根据最近统计的相关隶属性，设定相关隶属性的最低阈值，即能够判断相关隶属性是否较低，实现对润滑油的氧化性能的智能化分析。
本实施例利用润滑油的氧化特性信息和润滑机械的持续运转特性，利用排序后的历史损失因子和历史幅值因子，结合K-PCA和相空间分析方法，只需要设定一个分析周期，得到该周期内的润滑油的粘度的离散程度、润滑油的酸值的离散程度和齿轮箱的振动幅值，即能够智能分析润滑油因氧化而发生性能变化的情况。
本实施例根据压铸机工作过程中不同工作周期中各采集时刻齿轮箱内润滑油的粘度和PH，得到各工作周期对应的氧化因子；根据各工作周期对应的氧化因子，计算了各工作周期润滑油的氧化损失速率；根据各工作周期中各采集时刻齿轮箱的振动幅值，得到各工作周期对应的振动幅值。本实施例将预设个数的工作周期作为一个批次，根据不同批次中各工作周期润滑油的氧化损失速率和振动幅值，得到各批次润滑油抗氧化性能的综合性能偏移指标；对综合性能偏移指标进行降维处理，得到显著性能偏移指标数据；对显著性能偏移指标数据进行相空间重构，得到性能偏移指标数据。然后本实施例根据任意两个历史记录对应的性能偏移指标数据，计算任意两个历史记录相空间预测向量的余弦距离；根据相空间预测向量的余弦距离，得到相关隶属性；根据相关隶属性与预设阈值的大小关系，分析润滑油的氧化性能。本实施例提供的方法能够智能化分析润滑油的抗氧化性能，提高润滑油的抗氧化性能的分析效率。
需要说明的是：以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种润滑油抗氧化性能智能化分析方法，其特征在于，该方法包括以下步骤：
获取压铸机工作过程中不同工作周期中各采集时刻齿轮箱内润滑油的粘度、润滑油的PH和齿轮箱的振动幅值；根据各工作周期中各采集时刻齿轮箱内润滑油的粘度和PH，得到各工作周期对应的氧化因子；根据所述各工作周期对应的氧化因子，计算各工作周期润滑油的氧化损失速率；根据各工作周期中各采集时刻齿轮箱的振动幅值，得到各工作周期对应的振动幅值；
将预设个数的工作周期作为一个批次；根据不同批次中各工作周期润滑油的氧化损失速率，得到各批次对应的历史损失因子；根据不同批次中各工作周期对应的振动幅值，得到各批次对应的历史幅值因子；将所述历史损失因子和历史幅值因子进行合并，得到润滑油抗氧化性能的综合性能偏移指标；对所述综合性能偏移指标进行降维处理，得到显著性能偏移指标数据；对所述显著性能偏移指标数据进行相空间重构，得到性能偏移指标数据；其中，采用RBF核函数的核主成分分析法K-PCA对所述综合性能偏移指标进行降维处理得到所述显著性能偏移指标数据；
根据任意两个历史记录对应的性能偏移指标数据，计算任意两个历史记录相空间预测向量的余弦距离；根据所述相空间预测向量的余弦距离，得到相关隶属性；根据所述相关隶属性与预设阈值的大小关系，分析润滑油的抗氧化性能；
所述根据不同批次中各工作周期润滑油的氧化损失速率，得到各批次对应的历史损失因子；根据不同批次中各工作周期对应的振动幅值，得到各批次对应的历史幅值因子，包括：
对于任一批次：
获取该批次中的最大氧化损失速率；根据所述最大氧化损失速率对该批次中各工作周期润滑油的氧化损失速率进行归一化；基于递增排序重排得到历史损失因子；
获取该批次中的最大振动幅值；根据所述最大振动幅值对该批次中各工作周期对应的振动幅值进行归一化；基于递增排序重排得到历史幅值因子。
2.根据权利要求1所述的一种润滑油抗氧化性能智能化分析方法，其特征在于，所述根据各工作周期中各采集时刻齿轮箱内润滑油的粘度和PH，得到各工作周期对应的氧化因子，包括：
对于任一工作周期：
根据该工作周期中各采集时刻齿轮箱内润滑油的粘度，构建该工作周期对应的润滑油的粘性变化序列；根据所述粘性变化序列，计算该工作周期润滑油的粘度的离散程度；
根据该工作周期中各采集时刻齿轮箱内润滑油的PH，构建该工作周期对应的润滑油的酸值变化序列；根据所述酸值变化序列，计算该工作周期润滑油的酸值的离散程度；
根据该工作周期润滑油的粘度的离散程度和的酸值的离散程度，得到该工作周期对应的氧化因子。
3.根据权利要求2所述的一种润滑油抗氧化性能智能化分析方法，其特征在于，采用如下公式计算该工作周期润滑油的粘度的离散程度：
Figure DEST_PATH_IMAGE001
其中，
Figure 399252DEST_PATH_IMAGE002
为该工作周期润滑油的粘度的离散程度，
Figure DEST_PATH_IMAGE003
为该工作周期中齿轮箱内润滑油的粘度的均值，
Figure 479334DEST_PATH_IMAGE004
为该工作周期中第
Figure DEST_PATH_IMAGE005
个采集时刻齿轮箱内润滑油的粘度，
Figure 740551DEST_PATH_IMAGE006
为该工作周期中润滑油的粘度的总采集次数，
Figure DEST_PATH_IMAGE007
为该工作周期中齿轮箱内润滑油的粘度的最大值，
Figure 721015DEST_PATH_IMAGE008
为该工作周期中齿轮箱内润滑油的粘度的最小值，
Figure DEST_PATH_IMAGE009
为自然常数。
4.根据权利要求2所述的一种润滑油抗氧化性能智能化分析方法，其特征在于，采用如下公式计算该工作周期润滑油的酸值的离散程度：
Figure 386482DEST_PATH_IMAGE010
其中，
Figure DEST_PATH_IMAGE011
为该工作周期润滑油的酸值的离散程度，
Figure 203129DEST_PATH_IMAGE012
为该工作周期中齿轮箱内润滑油的PH的均值，
Figure DEST_PATH_IMAGE013
为该工作周期中第
Figure 989075DEST_PATH_IMAGE005
个采集时刻齿轮箱内润滑油的PH，
Figure 981302DEST_PATH_IMAGE006
为该工作周期中润滑油的PH的总采集次数，
Figure 4622DEST_PATH_IMAGE014
为该工作周期中齿轮箱内润滑油的PH的最大值，
Figure DEST_PATH_IMAGE015
为该工作周期中齿轮箱内润滑油的PH的最小值，
Figure 59297DEST_PATH_IMAGE009
为自然常数。
5.根据权利要求1所述的一种润滑油抗氧化性能智能化分析方法，其特征在于，所述对所述综合性能偏移指标进行降维处理，得到显著性能偏移指标数据，包括：
利用RBF核函数的核主成分分析法对综合性能偏移指标进行降维，得到显著性能偏移指标数据。
6.根据权利要求1所述的一种润滑油抗氧化性能智能化分析方法，其特征在于，所述对所述显著性能偏移指标数据进行相空间重构，得到性能偏移指标数据，包括：
利用改进的C-C法求解处理后的RTT监测数据序列的最佳延迟时间和嵌入维数，根据最佳延迟时间和嵌入维数，利用延迟坐标法将显著性能偏移指标数据重构到多维相空间中，得到性能偏移指标数据。
7.根据权利要求1所述的一种润滑油抗氧化性能智能化分析方法，其特征在于，采用如下计算各工作周期润滑油的氧化损失速率：
Figure DEST_PATH_IMAGE017
其中，
Figure 396737DEST_PATH_IMAGE018
为第
Figure DEST_PATH_IMAGE019
个工作周期润滑油的氧化损失速率，
Figure 81620DEST_PATH_IMAGE020
为第
Figure 10262DEST_PATH_IMAGE019
个工作周期的总时长，
Figure DEST_PATH_IMAGE021
为第
Figure 286654DEST_PATH_IMAGE019
个工作周期对应的氧化因子，
Figure 958944DEST_PATH_IMAGE022
为第
Figure DEST_PATH_IMAGE023
个工作周期对应的氧化因子。
8.根据权利要求1所述的一种润滑油抗氧化性能智能化分析方法，其特征在于，所述根据各工作周期中各采集时刻齿轮箱的振动幅值，得到各工作周期对应的振动幅值，包括：
对于任一工作周期：将该工作周期中各采集时刻齿轮箱的振动幅值的均值作为该工作周期对应的振动幅值。
CN202210603068.3A 2022-05-31 2022-05-31 一种润滑油抗氧化性能智能化分析方法 Active CN114675010B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210603068.3A CN114675010B (zh) 2022-05-31 2022-05-31 一种润滑油抗氧化性能智能化分析方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210603068.3A CN114675010B (zh) 2022-05-31 2022-05-31 一种润滑油抗氧化性能智能化分析方法

Publications (2)

Publication Number Publication Date
CN114675010A CN114675010A (zh) 2022-06-28
CN114675010B true CN114675010B (zh) 2022-09-13

Family

ID=82081161

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210603068.3A Active CN114675010B (zh) 2022-05-31 2022-05-31 一种润滑油抗氧化性能智能化分析方法

Country Status (1)

Country Link
CN (1) CN114675010B (zh)

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2007084854A1 (en) * 2006-01-13 2007-07-26 Albemarle Corporation Lubricant oil and lubricating oil additive concentrate compositions
CN101975092A (zh) * 2010-11-05 2011-02-16 中北大学 基于径向基函数神经网络集成的矿井瓦斯浓度中短期实时预测方法
CN102095492A (zh) * 2010-11-24 2011-06-15 华北电力大学 汽轮发电机组低频振动与润滑油温相关性实时分析方法
CN104764489A (zh) * 2015-03-27 2015-07-08 西安交通大学 一种风电变速器的润滑油在线监测方法
CN106226071A (zh) * 2016-08-26 2016-12-14 中车株洲电力机车研究所有限公司 一种风力发电机齿轮箱故障诊断方法
CN106248381A (zh) * 2016-10-11 2016-12-21 西安交通大学 一种基于多特征和相空间的滚动轴承寿命动态预测方法
CN107290041A (zh) * 2017-07-28 2017-10-24 河海大学 一种基于相空间重构和kpcm聚类的变压器绕组松动状态监测方法
CN109255728A (zh) * 2018-09-27 2019-01-22 上海电力学院 混沌相空间优化重构的光伏发电功率神经网络预测法
CN109342630A (zh) * 2018-11-23 2019-02-15 中国电力科学研究院有限公司 变压器油色谱在线监测异常数据诊断方法
CN111126685A (zh) * 2019-12-16 2020-05-08 武汉材料保护研究所有限公司 一种发动机润滑油质量预测模型建立方法
CN111539482A (zh) * 2020-04-28 2020-08-14 三峡大学 基于rbf核函数的空间多维风电功率数据降维及重构方法
CN112525749A (zh) * 2020-11-19 2021-03-19 扬州大学 一种基于摩擦信号递归特性的摩擦学状态在线辨识方法
CN114356906A (zh) * 2021-12-29 2022-04-15 浙江大学常州工业技术研究院 基于延迟嵌入分析的建筑动态时序数据重构方法及系统

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7444179B2 (en) * 2003-04-29 2008-10-28 University Of Pittsburgh-Of The Commonwealth System Of Higher Education Devices, systems and methods for characterization of ventricular fibrillation and for treatment of ventricular fibrillation
CN107292425A (zh) * 2017-06-02 2017-10-24 中国农业大学 水产养殖溶解氧预测方法及装置
CN107942943B (zh) * 2017-12-25 2019-12-31 北京信息科技大学 一种基于多源信息融合的高端数控装备状态识别方法

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2007084854A1 (en) * 2006-01-13 2007-07-26 Albemarle Corporation Lubricant oil and lubricating oil additive concentrate compositions
CN101975092A (zh) * 2010-11-05 2011-02-16 中北大学 基于径向基函数神经网络集成的矿井瓦斯浓度中短期实时预测方法
CN102095492A (zh) * 2010-11-24 2011-06-15 华北电力大学 汽轮发电机组低频振动与润滑油温相关性实时分析方法
CN104764489A (zh) * 2015-03-27 2015-07-08 西安交通大学 一种风电变速器的润滑油在线监测方法
CN106226071A (zh) * 2016-08-26 2016-12-14 中车株洲电力机车研究所有限公司 一种风力发电机齿轮箱故障诊断方法
CN106248381A (zh) * 2016-10-11 2016-12-21 西安交通大学 一种基于多特征和相空间的滚动轴承寿命动态预测方法
CN107290041A (zh) * 2017-07-28 2017-10-24 河海大学 一种基于相空间重构和kpcm聚类的变压器绕组松动状态监测方法
CN109255728A (zh) * 2018-09-27 2019-01-22 上海电力学院 混沌相空间优化重构的光伏发电功率神经网络预测法
CN109342630A (zh) * 2018-11-23 2019-02-15 中国电力科学研究院有限公司 变压器油色谱在线监测异常数据诊断方法
CN111126685A (zh) * 2019-12-16 2020-05-08 武汉材料保护研究所有限公司 一种发动机润滑油质量预测模型建立方法
CN111539482A (zh) * 2020-04-28 2020-08-14 三峡大学 基于rbf核函数的空间多维风电功率数据降维及重构方法
CN112525749A (zh) * 2020-11-19 2021-03-19 扬州大学 一种基于摩擦信号递归特性的摩擦学状态在线辨识方法
CN114356906A (zh) * 2021-12-29 2022-04-15 浙江大学常州工业技术研究院 基于延迟嵌入分析的建筑动态时序数据重构方法及系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Evaluating the oxidation properties of lubricants via non-isothermal thermogravimetric analysis: Estimating induction times and oxidation stability;Leon A. Smook等;《Tribology International》;20220409;全文 *
中国重汽重卡装车专用油的研制;佘海波等;《润滑油》;20170630;第32卷(第3期);第3.3.4节 *
基于改进的 C-C 方法的相空间重构参数选择;陆振波等;《系统仿真学报》;20070630;第19卷(第11期);全文 *

Also Published As

Publication number Publication date
CN114675010A (zh) 2022-06-28

Similar Documents

Publication Publication Date Title
KR101936283B1 (ko) 기계적 결함에 대한 진단 및 예측 방법
CN110796173B (zh) 一种基于改进kmeans的负荷曲线形态聚类算法
CN106441896A (zh) 滚动轴承故障模式识别及状态监测的特征向量提取方法
CN109710955B (zh) 基于lcd—递归定量分析的滚动轴承故障诊断及健康评估方法
CN113579851B (zh) 一种基于自适应分段pca的非平稳钻削过程监测方法
CN109615126A (zh) 一种轴承剩余寿命预测方法
CN114722641B (zh) 一种检测实验室的润滑油状态信息集成评估方法及系统
CN113705869B (zh) 无监督元学习网络的机电设备少样本退化趋势预测方法
CN111458149A (zh) 一种滚动轴承性能及使用寿命的预测方法及系统
CN103729444A (zh) 一种基于设备监测数据间潜在关系的异常数据检测方法
CN114675010B (zh) 一种润滑油抗氧化性能智能化分析方法
CN115030903A (zh) 一种离心泵内滚动轴承早期故障在线诊断方法
CN108729494B (zh) 基于油液监测的推土机变速箱服役期内磨损故障诊断方法
CN111176226A (zh) 一种基于运行工况的设备特征参数报警阈值自动分析方法
CN116952584A (zh) 基于振动信号幅度谱相似度的电机轴承性能退化评估方法
CN114112390B (zh) 一种非线性复杂系统早期故障诊断方法
CN114418037B (zh) 一种基于人工智能的推杆故障分析方法
CN115293294A (zh) 一种用于热轧机轧辊轴承损耗的识别与预测方法
CN110516323B (zh) 一种基于时序分析的压力管道损伤预测方法
CN110532698B (zh) 一种基于数据模型的工业设备振动特征值趋势预测方法
CN113283157A (zh) 智能冲压压力机部件生命周期预测系统、方法、终端、介质
Yang et al. Rolling Bearing Fault Diagnosis Based on MFDFA‐SPS and ELM
CN112685912A (zh) 一种多元广义Wiener过程性能退化可靠性分析方法
CN117172431B (zh) 一种食品加工器械设备管理方法及系统
CN118090078B (zh) 一种闭式循环水冷系统渗漏在线监测方法

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