CN114722641B - 一种检测实验室的润滑油状态信息集成评估方法及系统 - Google Patents
一种检测实验室的润滑油状态信息集成评估方法及系统 Download PDFInfo
- Publication number
- CN114722641B CN114722641B CN202210642893.4A CN202210642893A CN114722641B CN 114722641 B CN114722641 B CN 114722641B CN 202210642893 A CN202210642893 A CN 202210642893A CN 114722641 B CN114722641 B CN 114722641B
- Authority
- CN
- China
- Prior art keywords
- lubricating oil
- sequence
- index
- diesel generator
- oil state
- 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
Links
- 239000010687 lubricating oil Substances 0.000 title claims abstract description 151
- 238000011156 evaluation Methods 0.000 title claims abstract description 51
- 238000001514 detection method Methods 0.000 title claims abstract description 20
- 230000036541 health Effects 0.000 claims abstract description 70
- 238000013210 evaluation model Methods 0.000 claims abstract description 42
- 239000003921 oil Substances 0.000 claims abstract description 31
- 239000011159 matrix material Substances 0.000 claims description 31
- 238000000034 method Methods 0.000 claims description 31
- 230000008569 process Effects 0.000 claims description 15
- 230000006870 function Effects 0.000 claims description 12
- 230000009467 reduction Effects 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 11
- 239000013598 vector Substances 0.000 claims description 7
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 239000000126 substance Substances 0.000 claims description 4
- 239000000446 fuel Substances 0.000 claims description 3
- 238000000513 principal component analysis Methods 0.000 claims description 2
- 230000009466 transformation Effects 0.000 claims description 2
- 238000012545 processing Methods 0.000 abstract description 5
- 238000004458 analytical method Methods 0.000 abstract description 2
- 230000008859 change Effects 0.000 description 12
- 238000002485 combustion reaction Methods 0.000 description 7
- 238000005299 abrasion Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000001050 lubricating effect Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000003139 buffering effect Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- JEIPFZHSYJVQDO-UHFFFAOYSA-N iron(III) oxide Inorganic materials O=[Fe]O[Fe]=O JEIPFZHSYJVQDO-UHFFFAOYSA-N 0.000 description 1
- 238000009533 lab test Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000000314 lubricant Substances 0.000 description 1
- 238000005461 lubrication Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000007789 sealing Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000017105 transposition Effects 0.000 description 1
Images
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
- 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
- G01N33/30—Oils, i.e. hydrocarbon liquids for lubricating properties
-
- 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
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
Landscapes
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Medicinal Chemistry (AREA)
- Analytical Chemistry (AREA)
- Pathology (AREA)
- Chemical Kinetics & Catalysis (AREA)
- General Chemical & Material Sciences (AREA)
- Oil, Petroleum & Natural Gas (AREA)
- Immunology (AREA)
- General Health & Medical Sciences (AREA)
- Food Science & Technology (AREA)
- Biochemistry (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明涉及数据处理技术领域,具体涉及一种检测实验室的润滑油状态信息集成评估方法及系统,通过采集不同工况的柴油发电机的运行参数,对运行参数进行数据处理,得到温度评价值、声音评价值以及耗油评价值;进而计算各不同工况的柴油发电机的运行健康指数;又根据获取的相关数据对不同工况的柴油发电机进行组别划分;并结合各组的各柴油发电机内的润滑油的性能数据的分析处理,建立对应组的润滑油状态评估模型;利用获取的润滑油状态评估模型能够对于任意一台柴油发电机的润滑油状态进行寿命评估。即本发明的方案,能够结合柴油发电机的运行参数以及润滑油的性能数据,润滑油的寿命进行评估,从多角度进行分析,能够提高评估的准确性。
Description
技术领域
本发明涉及数据处理技术领域,具体为一种检测实验室的润滑油状态信息集成评估方法及系统。
背景技术
润滑油是用在各种类汽车、机械设备上以减小摩擦,保护机械加工件的液体或半固体润滑剂,主要起润滑、辅助冷却、防锈、清洁、密封和缓冲作用。但是润滑油经过长时间的使用,性能指标就会发生变化,需要实时监测润滑油的性能指标,以防止出现意外。
目前还没有一种较好的方法对润滑油的性能指标进行实时监测。
发明内容
为了解决上述技术问题,本发明的目的在于提供一种检测实验室的润滑油状态信息集成评估方法及系统,所采用的技术方案具体如下:
本发明提供的一种检测实验室的润滑油状态信息集成评估方法的技术方案,包括以下步骤:
分别采集不同工况的柴油发电机在设定时间段内的运行参数,其中运行参数包括温度序列、声音序列以及油耗序列;根据所述运行参数,分别得到温度评价值、声音评价值以及耗油评价值;
根据所述温度评价值、声音评价值以及耗油评价值,计算各不同工况的柴油发电机的运行健康指数;
基于各不同工况的柴油发电机的运行健康指数、温度序列、声音序列以及油耗序列,计算任意两不同工况的柴油发电机的运行接近度;根据所述运行接近度,对不同工况的柴油发电机进行划分,得到不同的柴油发电机组;
获取每个柴油发电机组内的各柴油发电机内的润滑油的性能数据;根据所述性能数据,建立对应组的润滑油状态评估模型;
实时采集任意一台柴油发电机的运行参数,计算任意一台柴油发电机的运行参数与各柴油发电机组的运行参数的相似度,选取相似度最大对应的组的润滑油状态评估模型对该台柴油发电机的润滑油状态进行寿命评估。
优选地,基于所述温度序列的方差、均值以及温度序列中的最大值、最小值,计算温度评价值;基于所述声音序列的方差、均值以及声音序列中的最大值、最小值,计算声音评价值;基于所述油耗序列的方差、均值以及油耗序列中的最大值、最小值,计算耗油评价值。
优选地,所述性能数据包括粘度、粘度指数、密度、倾点、闪点以及色度。
优选地,建立对应组的润滑油状态评估模型的过程为:
基于上述获取的润滑油的性能数据,得到润滑油的健康指数;
构建润滑油状态评估模型,利用润滑油健康指数对润滑油状态评估模型进行训练,得到训练好的对应组的润滑油状态评估模型。
优选地,对柴油发电机的润滑油状态进行寿命评估的过程为:
确定当前润滑油的健康指数与健康指数阈值,计算当前的健康指数J,然后计算两者的差值,得到当前寿命指数Y:
并通过润滑油状态评估模型判断当前润滑油的健康指数到健康指数阈值的时间,进而得到当前寿命指数与剩余预估工作时间。
本发明还提供了一种检测实验室的润滑油状态信息集成评估系统,包括处理器和存储器,所述处理器用于执行所述存储器中存储的用于实现上述的一种检测实验室的润滑油状态信息集成评估方法的技术方案。
本发明的有益效果:
本发明目的是通过采集同款的多台柴油发电机在不同工况场景下的运行状况,与对应的润滑油情况,通过实验室试验计算得出此润滑油的寿命预估模型,提醒何时该更换润滑油,保障柴油发电机正常运行,防止损坏。
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是本发明的一种检测实验室的润滑油状态信息集成评估方法的方法流程图。
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效,以下结合附图及较佳实施例,对依据本发明的方案,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
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。
本发明的方法是通过实验室的润滑油检测的方法与集成系统,通过监测机械运行状态,建立一种集成检测润滑油的标准系统--润滑油健康指数,对润滑油的使用寿命建立预估模型。由于润滑油在设备工作中不能检测,因此需要对不同时刻阶段的润滑油采样放置到润滑油检测实验平台进行状态检测,建立健康指数模型,对润滑油的寿命进行评估。
具体地,对本发明提供的一种检测实验室的润滑油状态信息集成评估方法进行介绍,请参阅图1所示,包括以下步骤:
步骤1,分别采集不同工况的柴油发电机在设定时间段内的运行参数,其中运行参数包括温度序列、声音序列以及油耗序列;根据所述运行参数,分别得到温度评价值、声音评价值以及耗油评价值;
根据所述温度评价值、声音评价值以及耗油评价值,计算各不同工况的柴油发电机的运行健康指数。
本实施例中,在柴油发电机中的内燃机处放置一个红外温度传感器,能够采集内燃机润滑油附近的温度,采集频率为1hz,监测温度变化情况记录为,其中x为不同工况场景下的同款柴油发电机,t为设定时间段对应的不同时刻,得到一个温度序列,当润滑油的性能变化时,机械结构之间的摩擦情况就会产生变化,摩擦产生的热量致使温度情况发生变化。
本实施例中,在柴油发电机中的内燃机处放置一个音频传感器,能够采集内燃机润滑油附近的音频变化情况,采集频率为1hz,监测音频变化情况记录为,得到一个声音序列,当润滑油的使用性能衰减时,机械结构之间的摩擦产生变化,则采集到的音频也会逐渐发生改变。
本实施例中,采集柴油发电机的瞬时油耗,在柴油机控制系统中读取瞬时油耗的变化情况,采集间隔为1分钟,监测油耗变化情况记录为,得到一个瞬时油耗序列,设定每台设备输出的瞬时功率相等,此时柴油发电机之间的效能情况即为油耗变化情况。当润滑油性能减弱,此时磨损增加,内燃机需要额外的做功克服这部分摩擦力,因此油耗相比正常情况会有所增加。
本实施例中,根据温度序列的方差、均值以及温度序列中的最大值、最小值,计算温度评价值;基于声音序列的方差、均值以及声音序列中的最大值、最小值,计算声音评价值;基于油耗序列的方差、均值以及油耗序列中的最大值、最小值,计算耗油评价值;并根据温度评价值、声音评价值以及耗油评价值,计算各不同工况的柴油发电机的运行健康指数;具体地为:
其中,为不同柴油发电机的运行健康指数,由上述采集过程中的温度和音频、油耗变化情况来决定的,的公式含义为温度的方差、温度最大值与最小值的比值、温度均值三者的乘积,若柴油发电机的机械结构比较可靠,则数值不会差距太大,此时柴油发电机的方差较小,当机械结构松动或损坏时造成磨损,则会造成时不时产生较大的温度变化,并且整体温度情况会增大,因此,当柴油发电机的机械结构不可靠时,此时的值就会变大,对润滑油的磨损与消耗就会加快,柴油发电机的工作稳定性就会较差;、与上述含义解释原理相近。
因此,的值域为[0,1],当越接近1时,意味着此柴油发电机的工作稳定性越好,经过长时间的发电工作后,还能保持较好的发电工作性能,反之,当越接近0则意味着此柴油发电机经过长时间的发电工作,最终机械结构越来越不可靠,对润滑油的磨损也会加快。
由于本实施例针对不同工况下的多台同款柴油发电机,每台柴油发电机的工作工况不同,使用的年限也不同,即每台柴油发电机的健康程度也不同,这些差距都会对润滑油的健康指数的变化产生影响。
上述温度序列、声音序列以及耗油序列的数据的获取是由于润滑油在柴油发电机中起润滑内燃机的作用,但随着润滑油长时间的工作,其各种性能指标出现了变化,比如颜色、粘度、密度等等。若到达一定情况下其工作性能不支持内燃机正常高效的工作,其柴油发电机就会出现异常,温度、声音、效能就会出现变化,因此,采集上述数据能够表征出润滑油的性能是否发生了变化。
步骤2,基于各不同工况的柴油发电机的运行健康指数、温度序列、声音序列以及油耗序列,计算任意两不同工况的柴油发电机的运行接近度;根据所述运行接近度,对不同工况的柴油发电机进行划分,得到不同的柴油发电机组。
首先,计算任意两两不同工况的柴油发电机的运行接近度:
其中,A和B表示任意两两不同工况的柴油发电机,为任意两不同工况的柴油发电机的工况接近度,和分别为工况A和工况B对应的柴油发电机的运行健康指数,和分别为工况A和工况B对应的柴油发电机的温度序列,和分别为工况A和工况B对应的柴油发电机的油耗序列,和分别为工况A和工况B对应的柴油发电机的声音序列。
其中,公式中第一项为两台柴油发电机工作稳定性的差值,当稳定性越接近,此项数值越接近1,式中DTW为动态时间规整距离,当两个变量序列的数值越接近,变化情况越相似,此DTW的值越接近0。当变化情况差距越大时,DTW的数值越靠近正无穷,因此当柴油发电机工作场景以及工况越接近,此DTW越接近0。
至此,L的值域为[0,1],当两台柴油发电机的工作场景以及工况越近似,此时L值越接近1,反之越接近0,上述序列长度为工作100小时所采集到的数据。
其中,相关距离越大,则意味着两个柴油发电机的使用场景以及工况差距越大,当数值趋于0时,意味着两台柴油发电机的使用场景以及工况都比较接近,求出此相关距离的目的是使用K-medoids聚类算法对柴油发电机群组基于使用工况以及场景情况进行划组。
然后,基于K-medoids聚类算法对不同工况的柴油发电机情况进行分组,得到不同的柴油发电机组:
具体地,本实施例使用K-medoids聚类算法,其原因是K-medoids聚类算法对异常值非常敏感,具有极大值的对象可能会产生严重扭曲的数据分布,因此使用K-medoids聚类算法,此算法是集群中位于最中心的对象,而不是将集群中的平均值作为参考点,分区的方法基于每个对象与其参考点之间的不相似程度之和的原理进行。
其中聚类的过程为:在数据样本D中随机选择k个数据样本作为参考点(质点),此数据样本即为上述所求的两两柴油发电机之间的相关距离;重复地将剩下的样本点分配到k个簇类当中;随机选择一个非质点样本,计算交换对象和参考点,重复上一步的操作,产生新的一组簇类,计算目标函数的值,当目标函数的值小于0则将交换对象和参考点进行交换,保留新的簇类,否则保留原中心点和聚类。重复此步骤直到k个中心点不再变化。由于具体的目标函数以及计算过程均属公知技术,此处不再赘述。
需要说明的是,本实施例中聚类的K设置为5,即认为此5组柴油发电机组涵盖了柴油发电机绝大部分的工况以及使用场景。
本实施例是基于柴油发电机不同的使用工况下,润滑油的磨损情况是不同的,因此需要将相似的磨损情况进行分组,便于后续对润滑油寿命进行分析。
步骤3,获取每个柴油发电机组内的各柴油发电机内的润滑油的性能数据;根据所述性能数据,建立对应组的润滑油状态评估模型。
其中,润滑油的性能数据包括粘度、粘度指数、密度、倾点、闪点、色度。本实施例中是通过性能数据的变化情况来判断润滑油的健康度是否正常。若使用性能降低,则性能数据的变化情况最为明显。
由于上述性能数据在工作过程中不能直接测量,因此需要在实验室中通过仪器进行检测,其检测方法为:采集设定时间段工作后的每台柴油发电机的润滑油,随机抽取采样的润滑油放入到实验室中,进行各项指标的测定。
由于上述性能数据的测定均对应有专业的仪器,本实施例中不再赘述。
建立对应组的润滑油状态评估模型的方法为:
1)基于上述获取的润滑油的性能数据,建立润滑油健康指数:
首先,根据采集的润滑油的性能数据,构建一个六维矩阵K。
其次,将六维指标矩阵K进行降维操作得到一维数据,该一维数据为润滑油健康指数。
其中,降维操作的具体过程为:
本实施例中使用基于RBF核函数的核主成分分析法KPCA对六维指标矩阵数据进行低维变换,具体地:
利用核矩阵获取特征值、特征向量的过程为:
核矩阵H和的计算方法:
需要说明的是,由于润滑油的检测指标过多,若对每一个指标都进行一个寿命情况的分析,数据繁多,运算复杂,成本较高,因此,基于各项指标的衰减情况是相关联系的,可以将多个指标共同建立一个矩阵,然后基于六维矩阵,获取一个润滑油的健康指数,来表征润滑油的性能数据,这样简化了后续的计算复杂度。
2)构建润滑油状态评估模型,利用润滑油健康指数对润滑油状态评估模型进行训练,得到训练好的对应组的润滑油状态评估模型。
其中,润滑油状态评估模型的训练过程为:
随机选取同组内的8台柴油发电机的健康指数,放置到RNN神经网络算法中建立润滑油状态评估模型,将8条序列的前80%序列长度投入到RNN神经网络算法中进行未来序列的润滑油状态评估模型的建立,将均方误差作为损失函数,将训练集中各个序列的第t+1时刻的健康指数作为标签;其中损失函数为均方误差函数。
本实施例中将前80%序列长度集作为训练集,后20%的序列长度作为测试集,利用测试集对训练好的润滑油状态评估模型进行测试,来检验预测的准确率,并不断修正润滑油状态评估模型直到预测准确率达到要求。
需要说明的是,在进行润滑油状态评估模型的训练时,其获取的训练集可以是一个组内的全部位置对应的健康指数,也可以是从其中选取的部分位置的健康指数。
本实施例中,由于组内的各个柴油发电机的工况及使用场景比较接近,因此可以认为润滑油的消耗情况也比较接近。至此,每组都可以建立一个润滑油的润滑油状态评估模型。
步骤4,实时采集任意一台柴油发电机的运行参数,计算任意一台柴油发电机的运行参数与各柴油发电机组的运行参数的相似度,选取相似度最大对应的组的润滑油状态评估模型对该台柴油发电机的润滑油状态进行寿命评估。
本实施例中,在各组的润滑油状态评估模型建立好后,可以实时采集任意一台柴油发电机的运行参数,即温度序列、声音序列、油耗序列,并计算当前柴油发电机的运行参数与所有组内的一台柴油发电机的运行参数的相似度,选取相似度最大的一组的润滑油状态评估模型,对当前柴油发电机的润滑油状态进行评估。
其中,相似度为:
公式中,N为运行参数,x表示任意一组内的一台柴油发电机的运行参数,Y为任意一台柴油发电机的运行参数。
本实施例中,判断5个皮尔逊相关系数的大小关系,数值最大的则认为当前柴油发电机属于该组的分类,则使用此对应组的润滑油状态评估模型。此预估效果更准确,更能评估此润滑油与机械设备之间的关系。
需要说明的是,润滑油实验室检测是通过前期确定某款柴油发电机的工作情况,然后通过采集润滑油的各项指标通过集成处理建立的健康指数的标准,然后预测健康指数随时间的变化情况,得到了不同工况与场景下的润滑油状态评估模型。
其中的寿命评估的方法为:
确定当前润滑油的健康指数与健康指数阈值,计算当前的健康指数J,然后计算两者的差值,得到当前寿命指数Y:
其中,当Y=80%即为润滑油还剩余80%的健康寿命;并通过润滑油状态评估模型判断当前润滑油的健康指数到健康指数阈值的时间,进而得到当前寿命指数与剩余预估工作时间,可以让操作者有一个预估更换的时间点,保证生产的正常进行。
具体地,由于粘度、粘度指数、密度、倾点、闪点、色度都具有能够正常使用的数值指标范围,此数值范围能够让设备正常运转,当超过此范围时就不能够保证正常运转工作需要更换新的润滑油,则各个指标的值域边界即为更换阈值,分别记作、、...、,然后构成一个润滑油六维的更换阈值向量,将此向量使用上述的降维方法KPCA降维成一维的润滑油的健康指数阈值,当润滑油的健康指数达到此数值,意味着润滑油各项指标都已经达到更换阈值。
需要说明的是,由于本实施例的方案是面向实验室场景的检测,需要判断各项指标都到达阈值时的时间,若用于实际生产中,存在并不能同时满足各项指标均达到更换阈值时进行更换的情况;通常情况下各项指标到达更换阈值是有先后顺序的,若有一项指标达到对应的更换阈值时就需要更换,此时,就需要根据各项指标重新确定健康指数阈值;因此用于实际生产中可以由实施者根据实际情况适当改变健康指数阈值的数值。
进一步地,还可以在后续对建立的润滑油状态评估模型进行准确性的判断,即通过该模型预估的数值与真实测量出的润滑油健康情况进行对比,对照后可认为预测模型准确,该模型可以使用到柴油发电机的润滑油状态的评估上。
本发明还提供了一种检测实验室的润滑油状态信息集成评估系统,包括处理器和存储器,其中处理器用于执行存储器中存储的用于实现上述的一种检测实验室的润滑油状态信息集成评估方法的方法实施例。
由于上述已经对一种检测实验室的润滑油状态信息集成评估方法的方法实施例进行了详细的介绍,此处不再过多赘述。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,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申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。
Claims (5)
1.一种检测实验室的润滑油状态信息集成评估方法,其特征在于,包括以下步骤:
分别采集不同工况的柴油发电机在设定时间段内的运行参数,其中运行参数包括温度序列、声音序列以及油耗序列;根据所述运行参数,分别得到温度评价值、声音评价值以及耗油评价值;
根据所述温度评价值、声音评价值以及耗油评价值,计算各不同工况的柴油发电机的运行健康指数;
基于各不同工况的柴油发电机的运行健康指数、温度序列、声音序列以及油耗序列,计算任意两不同工况的柴油发电机的运行接近度;根据所述运行接近度,对不同工况的柴油发电机进行划分,得到不同的柴油发电机组;
获取每个柴油发电机组内的各柴油发电机内的润滑油的性能数据;根据所述性能数据,建立对应组的润滑油状态评估模型;
实时采集任意一台柴油发电机的运行参数,计算任意一台柴油发电机的运行参数与各柴油发电机组的运行参数的相似度,选取相似度最大对应的组的润滑油状态评估模型对该台柴油发电机的润滑油状态进行寿命评估;
建立对应组的润滑油状态评估模型的过程为:
基于上述获取的润滑油的性能数据,得到润滑油的健康指数;
构建润滑油状态评估模型,利用润滑油健康指数对润滑油状态评估模型进行训练,得到训练好的对应组的润滑油状态评估模型
建立对应组的润滑油状态评估模型的方法为:
(1)基于上述获取的润滑油的性能数据,建立润滑油健康指数:
首先,根据采集的润滑油的性能数据,构建一个六维矩阵K;
其次,将六维指标矩阵K进行降维操作得到一维数据,该一维数据为润滑油健康指数;
其中,降维操作的具体过程为:
使用基于RBF核函数的核主成分分析法KPCA对六维指标矩阵数据进行低维变换,具体地:
计算六维矩阵K的核矩阵;并计算核矩阵的特征值与特征向量;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;
利用核矩阵获取特征值、特征向量的过程为:
至此,将六维的润滑油性能数据构成的六维矩阵通过KPCA降维到一维,得到了润滑油的健康指数;
(2)构建润滑油状态评估模型,利用润滑油健康指数对润滑油状态评估模型进行训练,得到训练好的对应组的润滑油状态评估模型;
其中,润滑油状态评估模型的训练过程为:
随机选取同组内的8台柴油发电机的健康指数,放置到RNN神经网络算法中建立润滑油状态评估模型,将8条序列的前80%序列长度投入到RNN神经网络算法中进行未来序列的润滑油状态评估模型的建立,将均方误差作为损失函数,将训练集中各个序列的第t+1时刻的健康指数作为标签;其中损失函数为均方误差函数;
所述运行接近度为:
2.根据权利要求1所述的一种检测实验室的润滑油状态信息集成评估方法,其特征在于,基于所述温度序列的方差、均值以及温度序列中的最大值、最小值,计算温度评价值;基于所述声音序列的方差、均值以及声音序列中的最大值、最小值,计算声音评价值;基于所述油耗序列的方差、均值以及油耗序列中的最大值、最小值,计算耗油评价值。
3.根据权利要求1所述的一种检测实验室的润滑油状态信息集成评估方法,其特征在于,所述性能数据包括粘度、粘度指数、密度、倾点、闪点以及色度。
5.一种检测实验室的润滑油状态信息集成评估系统,包括处理器和存储器,其特征在于,所述处理器用于执行所述存储器中存储的用于实现如权利要求1-4中任一项所述的一种检测实验室的润滑油状态信息集成评估方法的程序。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210642893.4A CN114722641B (zh) | 2022-06-09 | 2022-06-09 | 一种检测实验室的润滑油状态信息集成评估方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210642893.4A CN114722641B (zh) | 2022-06-09 | 2022-06-09 | 一种检测实验室的润滑油状态信息集成评估方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114722641A CN114722641A (zh) | 2022-07-08 |
CN114722641B true CN114722641B (zh) | 2022-09-30 |
Family
ID=82232947
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210642893.4A Active CN114722641B (zh) | 2022-06-09 | 2022-06-09 | 一种检测实验室的润滑油状态信息集成评估方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114722641B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116297013B (zh) * | 2023-05-19 | 2023-09-26 | 卡松科技股份有限公司 | 一种液压油粘度波动的监测方法及系统 |
CN118013237A (zh) * | 2024-04-09 | 2024-05-10 | 卡松科技股份有限公司 | 基于大数据分析的润滑油使用寿命智能预测方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110906152A (zh) * | 2019-12-04 | 2020-03-24 | 江苏方天电力技术有限公司 | 一种调相机油液系统在线安全预警系统 |
CN113837591A (zh) * | 2021-09-18 | 2021-12-24 | 北京航空航天大学 | 一种面向多工况运行条件的装备健康评估方法 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9020766B2 (en) * | 2011-09-23 | 2015-04-28 | Mastinc. | Multi-modal fluid condition sensor platform and system therefor |
CN104335024A (zh) * | 2012-04-24 | 2015-02-04 | Skf公司 | 轴承监控方法和系统 |
US20140162915A1 (en) * | 2012-12-11 | 2014-06-12 | N1 Technologies Inc | Enhanced Lubricant Formulation |
JP6101181B2 (ja) * | 2013-09-19 | 2017-03-22 | 三菱重工業株式会社 | タービン油の寿命予測方法 |
US20150192560A1 (en) * | 2014-01-07 | 2015-07-09 | Caterpillar Inc. | Method of assessing oil condition in an engine |
CN105241680B (zh) * | 2015-08-26 | 2018-01-02 | 电子科技大学 | 一种基于概率密度函数的旋转机械健康状态评估方法 |
CN112400110B (zh) * | 2018-07-11 | 2024-02-20 | 瓦锡兰芬兰有限公司 | 用于确定发动机中的发动机油的剩余寿命的设备、装置和计算机实现的方法 |
CN111709490B (zh) * | 2020-06-24 | 2022-03-18 | 河北工业大学 | 一种基于gru神经网络的风机健康状态评估方法 |
CN112115575A (zh) * | 2020-07-29 | 2020-12-22 | 北京奔驰汽车有限公司 | 一种设备润滑油状态评价系统和方法 |
CN112232530B (zh) * | 2020-09-11 | 2021-09-21 | 上海远度汽车科技有限公司 | 一种汽车保养周期运算方法及车载智能运算系统 |
-
2022
- 2022-06-09 CN CN202210642893.4A patent/CN114722641B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110906152A (zh) * | 2019-12-04 | 2020-03-24 | 江苏方天电力技术有限公司 | 一种调相机油液系统在线安全预警系统 |
CN113837591A (zh) * | 2021-09-18 | 2021-12-24 | 北京航空航天大学 | 一种面向多工况运行条件的装备健康评估方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114722641A (zh) | 2022-07-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
CN110555479B (zh) | 基于1dcnn与gru融合的故障特征学习与分类方法 | |
Phillips et al. | Classifying machinery condition using oil samples and binary logistic regression | |
CN108959778B (zh) | 一种基于退化模式一致性的航空发动机剩余寿命预测方法 | |
CN106569069A (zh) | 电力变压器故障诊断方法 | |
CN114626413A (zh) | 一种基于随机子空间算法的结构模态参数识别方法及装置 | |
Liao et al. | Research on a rolling bearing fault detection method with wavelet convolution deep transfer learning | |
Tang et al. | Rolling bearing remaining useful life prediction via weight tracking relevance vector machine | |
CN109408998B (zh) | 基于样本持续增量快速获取应力谱进行疲劳寿命评估方法 | |
CN116842402B (zh) | 基于孪生神经网络提取平稳特征的高炉异常炉况检测方法 | |
CN116384843B (zh) | 数字能源氮气站的能效评估模型训练方法及其监测方法 | |
CN112966778A (zh) | 针对不平衡样本数据的数据处理方法及装置 | |
CN110826600B (zh) | 基于自适应共振网络在线增量学习的发动机喘振预测方法 | |
CN115293294A (zh) | 一种用于热轧机轧辊轴承损耗的识别与预测方法 | |
CN115618506A (zh) | 一种单轴联合循环燃气轮机功率的预测方法 | |
CN114970600A (zh) | 基于粒化散布熵和优化kelm的滚动轴承故障诊断方法、装置 | |
CN117172431B (zh) | 一种食品加工器械设备管理方法及系统 | |
CN112881017A (zh) | 基于模式梯度谱熵的航空发动机控制系统传感器的智能故障诊断方法 | |
Du et al. | A novel critical point detection method for mechanical deformation in tightening processes | |
CN114675010B (zh) | 一种润滑油抗氧化性能智能化分析方法 | |
CN117475806B (zh) | 基于多维传感数据反馈的显示屏自适应响应方法及其装置 | |
JP7245464B2 (ja) | 変速機の開発支援システムおよび方法 | |
CN115114770B (zh) | 一种基线自适应的辅助动力装置性能趋势分析方法 | |
WO2023188582A1 (ja) | 二次電池容量推定システム | |
Hu et al. | Application Analysis of Life Cycle Cost Parameter Estimation Method for a Certain Type of Equipment |
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 |