ES2960578T3 - Procedimiento para determinar y predecir el intervalo individual de cambio de aceite de un motor de combustión interna - Google Patents
Procedimiento para determinar y predecir el intervalo individual de cambio de aceite de un motor de combustión interna Download PDFInfo
- Publication number
- ES2960578T3 ES2960578T3 ES19816530T ES19816530T ES2960578T3 ES 2960578 T3 ES2960578 T3 ES 2960578T3 ES 19816530 T ES19816530 T ES 19816530T ES 19816530 T ES19816530 T ES 19816530T ES 2960578 T3 ES2960578 T3 ES 2960578T3
- Authority
- ES
- Spain
- Prior art keywords
- oil
- combustion engine
- internal combustion
- wear
- procedure
- 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
- 238000000034 method Methods 0.000 title claims abstract description 37
- 230000008859 change Effects 0.000 title claims abstract description 36
- 238000002485 combustion reaction Methods 0.000 title claims abstract description 30
- 238000005259 measurement Methods 0.000 claims abstract description 21
- 238000012360 testing method Methods 0.000 claims abstract description 18
- 238000004458 analytical method Methods 0.000 claims abstract description 7
- 239000000446 fuel Substances 0.000 claims description 7
- 239000004071 soot Substances 0.000 claims description 6
- 238000012731 temporal analysis Methods 0.000 claims description 4
- 238000000700 time series analysis Methods 0.000 claims description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 2
- 239000000463 material Substances 0.000 claims 1
- 230000001052 transient effect Effects 0.000 abstract description 5
- 238000012300 Sequence Analysis Methods 0.000 abstract 1
- 239000003921 oil Substances 0.000 description 85
- 238000009499 grossing Methods 0.000 description 16
- 238000013528 artificial neural network Methods 0.000 description 10
- 238000004364 calculation method Methods 0.000 description 8
- 238000012423 maintenance Methods 0.000 description 8
- 230000006399 behavior Effects 0.000 description 7
- 238000013178 mathematical model Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 238000012549 training Methods 0.000 description 5
- 230000015556 catabolic process Effects 0.000 description 4
- 238000006731 degradation reaction Methods 0.000 description 4
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 2
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 230000006866 deterioration Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 239000002253 acid Substances 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000013213 extrapolation Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000010705 motor oil Substances 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F01—MACHINES OR ENGINES IN GENERAL; ENGINE PLANTS IN GENERAL; STEAM ENGINES
- F01M—LUBRICATING OF MACHINES OR ENGINES IN GENERAL; LUBRICATING INTERNAL COMBUSTION ENGINES; CRANKCASE VENTILATING
- F01M11/00—Component parts, details or accessories, not provided for in, or of interest apart from, groups F01M1/00 - F01M9/00
- F01M11/10—Indicating devices; Other safety devices
-
- 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
- F16N—LUBRICATING
- F16N29/00—Special means in lubricating arrangements or systems providing for the indication or detection of undesired conditions; Use of devices responsive to conditions in lubricating arrangements or systems
- F16N29/04—Special means in lubricating arrangements or systems providing for the indication or detection of undesired conditions; Use of devices responsive to conditions in lubricating arrangements or systems enabling a warning to be given; enabling moving parts to be stopped
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M15/00—Testing of engines
- G01M15/04—Testing internal-combustion engines
- G01M15/042—Testing internal-combustion engines by monitoring a single specific parameter not covered by groups G01M15/06 - G01M15/12
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M15/00—Testing of engines
- G01M15/04—Testing internal-combustion engines
- G01M15/10—Testing internal-combustion engines by monitoring exhaust gases or combustion flame
- G01M15/102—Testing internal-combustion engines by monitoring exhaust gases or combustion flame by monitoring exhaust gases
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F01—MACHINES OR ENGINES IN GENERAL; ENGINE PLANTS IN GENERAL; STEAM ENGINES
- F01M—LUBRICATING OF MACHINES OR ENGINES IN GENERAL; LUBRICATING INTERNAL COMBUSTION ENGINES; CRANKCASE VENTILATING
- F01M11/00—Component parts, details or accessories, not provided for in, or of interest apart from, groups F01M1/00 - F01M9/00
- F01M11/10—Indicating devices; Other safety devices
- F01M2011/14—Indicating devices; Other safety devices for indicating the necessity to change the oil
-
- 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
- F16N—LUBRICATING
- F16N2200/00—Condition of lubricant
Landscapes
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Combustion & Propulsion (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Mechanical Engineering (AREA)
- Theoretical Computer Science (AREA)
- Medicinal Chemistry (AREA)
- Molecular Biology (AREA)
- Analytical Chemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biochemistry (AREA)
- Computing Systems (AREA)
- Food Science & Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Oil, Petroleum & Natural Gas (AREA)
- General Chemical & Material Sciences (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Lubrication Details And Ventilation Of Internal Combustion Engines (AREA)
- Testing Of Engines (AREA)
Abstract
Un método para determinar y predecir el intervalo de cambio de aceite individual de un motor de combustión interna, que comprende los siguientes pasos: determinar y almacenar las variables influyentes y los indicadores de desgaste del aceite que pueden causar desgaste de aceite en un motor de combustión interna en un banco de pruebas, en en particular teniendo en cuenta los ciclos de carga extraídos del ciclo transitorio fuera de carretera (NRTC), mediciones de los ciclos de carga en el banco de pruebas, realización de análisis de aceite, formación de un modelo e implementación en la unidad de control del motor, análisis de secuencia temporal para predecir el intervalo de cambio de aceite individual durante el funcionamiento en curso del motor de combustión interna, mostrar el tiempo previsto de cambio de aceite y la vida útil restante del aceite en horas de funcionamiento. (Traducción automática con Google Translate, sin valor legal)
Description
DESCRIPCIÓN
Procedimiento para determinar y predecir el intervalo individual de cambio de aceite de un motor de combustión interna
Actualmente no se conocen soluciones ni aplicaciones técnicas para determinar los intervalos de cambio de aceite individuales. El procedimiento actual define tiempos de intervalo de cambio de aceite estático preventivos, independientemente del uso individual de un motor de combustión interna. A este respecto, se trata de un procedimiento de estimación del peor de los casos basado en una vasta serie de ensayos. Para determinadas unidades se realizan diversas mediciones en banco de pruebas, entre las que se incluyen análisis de aceite de las muestras de aceite tomadas. Las unidades de motor se someten a ciclos de carga representativos en el marco de ensayos de marcha permanente. A continuación se analiza el aceite. El resultado es una estimación del peor de los casos de la vida útil del aceite basada en los ensayos de marcha permanente realizados. A este respecto, siempre se tiene en cuenta un factor de seguridad. La desventaja de este procedimiento es que no todos los motores de combustión interna individuales se utilizan en la práctica en la misma medida que se supone en los ensayos de marcha permanente subyacentes. A esto se le suma en determinadas circunstancias el factor de seguridad. El documento US2018/202333 A1 describe un ejemplo de un procedimiento para predecir la vida útil restante del aceite. El objetivo de la presente invención es crear un procedimiento con el que se pueda determinar la vida útil del aceite para el respectivo motor de combustión interna, evitando al mismo tiempo intervalos rígidos del peor de los casos, con cualquier carga o, respectivamente, uso individual.
El objetivo se logra mediante un procedimiento según la reivindicación 1. Otras configuraciones ventajosas se pueden encontrar en las reivindicaciones dependientes.
La determinación y la predicción de la vida útil restante real del aceite de un motor de combustión interna se realiza en función del uso individual del motor de combustión interna.
La vida útil individual del aceite puede ser significativamente más prolongada que un intervalo de cambio de aceite previamente determinado estáticamente, que no se basa en el uso individual del motor de combustión interna (en la práctica).
Mediante el procedimiento según la invención se produce una reducción del tiempo de inactividad de la máquina debido a una vida útil del aceite potencialmente más prolongada. El resultado es un ahorro de aceite y una reducción de los costes de operación y mantenimiento.
El estado del aceite del motor de combustión interna es conocido. El conocimiento del estado del aceite permite realizar un pronóstico del punto temporal en el que se puede llevar a cabo de una forma óptima el próximo cambio de aceite (mantenimiento predictivo).
Diferenciación con respecto a los procedimientos típicos:bonus-malusy modelo matemático
El procedimiento debonus-malus(bonificación-penalización) proporciona una tabla que contiene los respectivos "valores de penalización''. En función de cómo se utilice la máquina, se deduce una penalización (de la vida útil del aceite) o, respectivamente, se añade una bonificación. Los "valores de penalización" son registrados por una flota de prueba heterogénea que ha recorrido millones de kilómetros. Después, los datos de la flota de prueba se generalizan a cualquier vehículo. El procedimiento que se va a patentar no funciona con las tablas debonus-malusni tampoco con la recopilación de datos de flotas de prueba. El procedimiento descrito en el presente documento opera con redes neuronales artificiales que calculan de forma concreta y absoluta el desgaste de aceite correspondiente en función del uso individual. Las redes neuronales artificiales se optimizan mediante algoritmos heurísticos y forman un modelo matemático del proceso de desgaste; los procedimientos debonus-malusutilizan una regla de cálculo tabular. A diferencia de los datos heterogéneos de la flota de prueba, los datos de entrenamiento se recopilan en series de motores homogéneas.
Otro procedimiento común es el uso de modelos matemáticos. A este respecto, para el proceso de desgaste se supone un modelo matemático (por ejemplo, polinómico, lineal, etc.). Los coeficientes del modelo matemático se adaptan a una aplicación utilizando datos de medición y procedimientos de optimización. A diferencia de los modelos matemáticos, el procedimiento descrito en el presente documento utiliza el aprendizaje automático para crear un modelo de degradación del proceso de desgaste. El modelo de degradación consta de varias redes neuronales artificiales, cada una de las cuales predice el comportamiento de desgaste de un indicador de daños. Un modelo matemático normalmente consta de una función, por ejemplo un polinomio, que se ajusta (se adapta) a cualquier comportamiento de degradación. Sin embargo, la base siempre sigue siendo un polinomio, incluso si el comportamiento de degradación es diferente (los indicadores de desgaste pueden tener diferentes comportamientos de desgaste, por ejemplo, polinomial, exponencial, lineal, etc.). Las redes neuronales artificiales tienen la ventaja de que son aproximadores universales. Es decir, pueden asumir cualquier función y adaptarse individualmente de esta forma al comportamiento de desgaste.
Otra diferencia significativa con respecto a muchos procedimientos patentados es que el procedimiento descrito en el presente documento opera en su totalidad sin ningún sensor de calidad del aceite. En consecuencia, no se requieren sensores adicionales para determinar el estado del aceite. Para determinar el estado del aceite se utilizan, además de la temperatura del aceite, señales indirectas del motor calculadas en el dispositivo de control del motor. Otras características y ventajas importantes se desprenden de las reivindicaciones dependientes, de los dibujos y de la siguiente descripción de un ejemplo de realización preferido con referencia a las figuras. Estas muestran:
Figura 1: Composición del ciclo transitorio no de carretera mediante perfiles de aplicación [Fuente: Control of Emissions from Nonroad Diesel Engines, EPA-420-R-03-008, abril de 2003, www.epa.gov1 Figura 2: Componentes y procedimientos para la determinación predictiva del intervalo de cambio de aceite individual.
Figura 3 Seguimiento de valores umbrales y cálculo del intervalo de cambio de aceite individual.
El procedimiento se compone de los siguientes componentes, tal como se muestra en la figura 2, y el procedimiento para determinar y predecir el intervalo de cambio de aceite individual de un motor de combustión interna comprende las etapas siguientes:
• Determinación y almacenamiento de las variables de influencia y de los indicadores de desgaste del aceite que pueden provocar el desgaste del aceite en un motor de combustión interna en el banco de pruebas, en particular teniendo en cuenta los ciclos de carga extraídos del ciclo transitorio no de carretera (NRTC), mediciones de los ciclos de carga en el banco de pruebas, realización de análisis de aceite, modelado e implementación en el dispositivo de control del motor, análisis de series temporales para predecir el intervalo de cambio de aceite individual durante el funcionamiento del motor de combustión interna
• Visualización en pantalla del punto temporal previsto de cambio de aceite y vida útil restante del aceite en horas de funcionamiento
• Variables de influencia que pueden provocar el desgaste del aceite
• Indicadores de desgaste de aceite
• Ciclos de carga extraídos del ciclo transitorio no de carretera (NRTC)
• Motor de combustión interna
• Mediciones de los ciclos de carga en el banco de pruebas
• Análisis de aceite
• Datos de entrenamiento
• Procedimientos del campo de aprendizaje automático y redes neuronales artificiales
• Dispositivo de control del motor
• Análisis de series temporales para predecir el intervalo de cambio de aceite individual.
Las variables de influencia que cambian el estado del aceite son la temperatura integral del aceite (por ejemplo en el cárter de aceite) durante el tiempo de funcionamiento del motor de combustión interna y/o las emisiones de hollín provocadas por el proceso de combustión y/o las emisiones de NOx provocadas por el proceso de combustión y/o la velocidad de giro (integral o promedio) y/o el par (integral o promedio) y/o la potencia promedio y/o el número de arranques en frío y el tiempo de permanencia en operación en frío y/o la calidad del carburante y del aceite.
El análisis de aceite determina cambios en el estado del aceite mediante indicadores de desgaste. Los indicadores de desgaste más importantes son, entre otros, los siguientes:
1. Contenido de hollín en el aceite
2. Índice de acidez total / índice de basicidad total
3. Viscosidad
4. Diferentes sustancias extrañas
5. Carburante en el aceite
6. Contenido de agua en el aceite
En primer lugar, se deben definir determinados ciclos de carga relacionados con la aplicación. Para ello, entre otras cosas, se utiliza el ciclo transitorio no de carretera (NRTC) estandarizado tal como se divulga en la figura 1. Es especialmente importante a la hora de definir los ciclos de carga: los ciclos de carga deben corresponder a aplicaciones lo más realistas y prácticas posibles, de modo que el comportamiento realista pueda modelarse mediante el entrenamiento de los algoritmos en el dispositivo de control del motor. Relacionado con la aplicación significa que los perfiles de aplicación típicos, tales como, por ejemplo, cargadora retroexcavadora, cargadora de ruedas, tractor, etc. se incluyen en los distintos ciclos de carga. Tal como se muestra en la figura 1, el ciclo NRTC se compone de distintos perfiles de aplicación.
El NRTC contiene siete perfiles de uso diferentes relacionados con la aplicación. Estos siete perfiles se aislarán en la etapa siguiente. Esto genera siete ciclos de carga diferentes, que se utilizan para producir los datos de entrenamiento.
El objetivo es reproducir los siete ciclos de aplicación en el banco de pruebas e identificar la influencia de los diferentes ciclos sobre el estado del aceite. El cambio en el estado del aceite depende del tiempo. Los tiempos de ciclo individuales son de solo unos minutos. El estado del aceite no puede cambiar de forma apreciable a los pocos minutos de funcionamiento. Debido a esto, los ciclos se escalan temporalmente en la etapa siguiente. Los ciclos aislados se reproducen en cada caso uno tras otro hasta que se alcance un tiempo de ciclo de, por ejemplo, 24 h. La primera muestra de aceite se toma al cabo de 24 horas. Cabe señalar, a este respecto, que la cantidad extraída debe ser lo más pequeña posible para que la medición no se falsee en demasía al rellenar con "aceite nuevo". Después se repite el ciclo durante otras 24 horas. Después de 48 horas se toma otra muestra de aceite. Cuanto más a menudo se repita esto, mayor será el tamaño de la muestra.
Entre los siete ciclos diferentes, cada vez se debe realizar una vez un cambio de aceite y una toma de muestra de aceite de referencia antes del inicio de la siguiente medición de ciclo. El estado del aceite (los indicadores de desgaste del aceite, por ejemplo el hollín) experimenta un deterioro lineal dentro de las respectivas mediciones del ciclo. En principio, el desgaste del aceite no es lineal, pero debido a que las variables de entrada (ciclos de carga) permanecen iguales a lo largo del tiempo, el aceite experimenta un deterioro lineal. Es importante que este comportamiento lineal (pendiente media) tienda a permanecer idéntico en todos los intervalos de 24 horas (aparte de las imprecisiones de las mediciones). Si este no es el caso, se ha producido un cambio en las condiciones marco de la medición que tiene un efecto sobre la medición. En este caso, se debe repetir la medición. Para descubrir cambios en las métricas de medición o en el estado del motor de combustión interna, es aconsejable llevar a cabo mediciones de referencia periódicas (por ejemplo, 5 h de conducción a plena carga). Esto permite identificar cambios en el estado del motor o en las métricas de medición. Las mediciones de referencia no deben tener lugar durante una medición de ciclo, sino exclusivamente entre las diferentes mediciones de ciclo.
En principio hay que tener cuidado de que la varianza del espacio de entrada (varianza de los diferentes ciclos de carga) sea lo más alta posible. Si se utilizan exclusivamente ciclos con alta o baja utilización, aumenta la probabilidad de ocurrencia de las mediciones y disminuye la entropía (de la tecnología de la información). Como resultado, no hay suficiente densidad de información para entrenar las redes neuronales artificiales. Además, las redes neuronales artificiales tienen que realizar una amplia extrapolación en campos poco entrenados, lo que puede dar lugar a que la calidad del modelo sea significativamente peor en estos campos. Dependiendo de la aplicación del motor de combustión interna, puede ser necesario añadir otros perfiles de uso, tales como una carretilla elevadora, un generador eléctrico o un ciclo de arranque en frío. De esta forma se aumenta la generalización de los algoritmos y, por lo tanto, la precisión de los intervalos de cambio de aceite para todas las aplicaciones.
Durante la medición en el banco de pruebas se registran y se almacenan las variables de influencia. Las muestras de aceite se toman y se analizan. Los datos de entrenamiento se componen de variables de influencia integrales medidas durante el periodo de tiempo del ciclo respectivo y la evolución de los indicadores de desgaste del aceite. Ejemplo: Con un par medio del 80% a lo largo de 24 horas, el contenido de hollín en el aceite aumenta el 0,015% y la viscosidad aumenta proporcionalmente.
Todos las variables de influencia se registran de forma integral o en forma de valor promedio y se combinan para formar el vector de entrada de la red neuronal artificial. La variable objetivo es el respectivo indicador de daños medido (análisis de aceite) (figura 3).
Predicción del intervalo de cambio de aceite:
Una vez entrenadas las redes neuronales artificiales, sus parámetros se calibran en el dispositivo de control del motor. El dispositivo de control del motor mide las variables de influencia durante el tiempo de funcionamiento del motor de combustión interno, las integra o calcula valores medios para cada periodo de observación (en este caso, 24 horas). Es decir, cada 24 horas, las variables de influencia se procesan por redes neuronales artificiales y se recalcula el indicador de daños. Al daño total se le suma en cada caso el nuevo indicador de daños de las últimas 24 horas. El daño total de todos los indicadores de daños constituye el estado general del aceite.
Los indicadores de daños acumulados se comparan con valores umbral absolutos después de cada intervalo de observación. Dependiendo de la configuración, se genera un aviso que señala que un indicador de desgaste ha superado los valores límite y por tanto el aceite está desgastado. Ahora debería realizarse un cambio de aceite inmediatamente.
Para pronosticar el intervalo de cambio de aceite individual se utiliza el procedimiento de análisis de series temporales en combinación con el procedimiento de alisado exponencial. Para ello se utiliza un modelo de tendencia lineal para una aproximación lineal por partes del proceso (desgaste/envejecimiento del aceite). El submuestreo (muestreo en el intervalo de horas en lugar de segundos) alisa enormemente el proceso, lo que tiene un efecto beneficioso sobre la aproximación lineal. El pronóstico se puede utilizar para pronosticar a qué nivel se encontrará el indicador de daños después del siguiente horizonte de pronóstico (por ejemplo, 100 horas de funcionamiento). La previsión se calcula para cada indicador de daños acumulado (figura 3).
Cálculo de primer orden como valor intermedio:
Z11[%]
= valor intermedio del alisado exponencial de primer orden
a
= constante de alisado para el alisado exponencial de primer orden
obsrv[%]
= valor actual del respectivo indicador de daños
Z1t-1[%]
= valor intermedio anterior
Z 1 f = (X • O jtjjfy (1 ■ oc) ■ Z 1 j_ i ( 1 )
Cálculo de segundo orden:
Z2t[%]
= valor intermedio del alisado exponencial de segundo orden
P
= constante de alisado para el alisado exponencial de segundo orden
Z1t[%]
= valor intermedio del alisado exponencial de primer orden
Z2t-1 [%]
= valor intermedio anterior
Í 2 t = p ■ n t ( i - f í ■ Z Z ,^<(2 )>
Las constantes de alisado (a y P) se pueden determinar utilizando datos de campo y simulación del proceso o utilizando un procedimiento de optimización.
Una vez calculado el alisado exponencial (para todo el horizonte de previsión), se aplica la fórmula (3). Los factores de alisado actuales en el punto temporal del horizonte de pronóstico se alisan a su vez y se multiplican por el horizonte de pronóstico. A esto se le suma la intersección del eje Y y el resultado es el pronóstico (= tiempo de funcionamiento restante del aceite después de FCH) en el punto temporal FCH.
PredicciónFC¡1 =(2 •Z l [+FCff) — Z2t+FCH FCH -a ■ { Z l t+FCH —Z2t+FCH) (3 )
Cálculo del intervalo de cambio de aceite:
Mediante el establecimiento de la ecuación lineal y la sustitución del límite (umbral) del indicador de daños en la ecuación, se puede determinar el punto temporal en el que se desgastará el aceite. Esto se realiza utilizando las fórmulas 4 a 6. La pendiente m (pendiente media) se calcula para todo el horizonte de pronóstico y la intersección del eje Y. Después se resuelve la ecuación lineal para el tiempo de funcionamiento (restante).otsrvMaxcorresponde en este caso al umbral de daños respectivo. El cálculo se lleva a cabo para cada indicador de daños individual. Ahora se determina el tiempo de funcionamiento más reducida de todos los indicadores de daños y se asume como tiempo de funcionamiento restante del aceite. Esta representa el próximo cambio de aceite en horas de funcionamiento (intervalo de cambio de aceite).
Pronósticotiempo[h]
= tiempo de funcionamiento en horas hasta alcanzar obsrvMax
obsvMaX[%]
= límite superior de desgaste, en este caso: 100% de desgaste de aceite
m [% de /FCH]
= pendiente
b[%]
= intersección del eje Y
Z1<t+FCH>[%]
= valor intermedio del alisado exponencial de primer orden en el punto temporalfch
FCH[h]
= horizonte de pronóstico (por ejemplo, 24 h 2 (intervalo de observación) = 48h=FCH
Z2t+FcH[%]
= valor intermedio del alisado exponencial de segundo orden en el punto temporalfch
Pronósticovec[%]
= vector de pronóstico de longitudfch
T<observ>[h]
= Intervalo de observación, un cálculo de pronóstico en cada casoTobsev
x [h]
= tiempo de funcionamiento restante
Ecuación lineal:
( 4 )
Con:
Intersección del eje Y (5)
b= (2 •Z l t+FCH) — Z2t+FCH
Pendientem:
Predicciónvec[final] - b (6)
m ~ Tobserv■ longitud(PrevisiónJ
Cálculo del error de pronóstico:
Se realiza un seguimiento permanente del resultado de la predicción durante el tiempo de operación. Para ello, se determina periódicamente el error de pronóstico (MAPE, error porcentual absoluto medio, véase la fórmula 7). Si la desviación es demasiado elevada durante varios periodos, los coeficientes de alisado exponencial se ajustan más (por encima = reducción de los factores de alisado, por debajo = aumento de las constantes de alisado).
M [%]
= MAPE
n
= número de predicciones
A{°%]
= valor actual de la desviación rel. media
F% ]
= valor pronosticado de la desviación rel. media
El pronóstico del intervalo de cambio de aceite se compara con el intervalo de mantenimiento regular del motor de combustión interna. Si no se puede alcanzar un intervalo de mantenimiento regular porque el tiempo de funcionamiento restante del aceite es menor que la diferencia entre el punto temporal del intervalo de mantenimiento regular y el tiempo de funcionamiento restante, el punto temporal de mantenimiento que se va a observar se comunica o se almacena con arreglo al intervalo de cambio de aceite calculado. Si se puede alcanzar el intervalo de mantenimiento regular temporalmente, se comunica el estado de que se debe cambiar el aceite en el siguiente mantenimiento regular.
Si no se lleva a cabo un cambio de aceite a tiempo, debido al aviso anterior se activa un estado de diagnóstico. Cálculo del factor de corrección:
La calidad del aceite, del carburante y la cantidad de aceite se tienen en cuenta mediante un factor de corrección. Una vez que las redes neuronales artificiales calculan los daños individuales, se añade una compensación calibrable proporcional en función de la cantidad de aceite, la calidad del carburante y la calidad del aceite. De esta forma el umbral de daños de los indicadores de daños, en función de la calidad del aceite y del carburante y de la cantidad de aceite, se alcanza más rápidamente.
Claims (4)
1. Procedimiento para determinar y predecir un intervalo de cambio de aceite individual de un motor de combustión interna, que comprende las etapas siguientes:
determinar las variables de influencia que pueden provocar el desgaste del aceite y los indicadores de desgaste del aceite en un motor de combustión interna en un banco de pruebas, llevando a cabo mediciones de los ciclos de carga en el banco de pruebas y efectuando análisis del aceite,
almacenar las variables de influencia medidas y los indicadores de desgaste,
crear un modelo a partir de las variables de influencia medidas y los indicadores de desgaste,
implementar el modelo en un dispositivo de control del motor,
mostrar en pantalla un punto temporal de cambio de aceite predicho y la vida útil restante del aceite en horas de funcionamiento,
caracterizado por que el análisis de serie temporal de los valores de salida del modelo para predecir el intervalo de cambio de aceite individual se lleva a cabo en el transcurso del funcionamiento del motor de combustión interna.
2. Procedimiento según la reivindicación 1,
caracterizado por que las variables de influencia que cambian el estado del aceite comprenden las siguientes: una temperatura integral del aceite durante el tiempo de funcionamiento del motor de combustión interna, un cambio medio del par, un cambio medio de la velocidad de giro, una emisión de hollín debida al proceso de combustión, una emisión de NOx que se produce debido al proceso de combustión, una velocidad de giro, un par, una potencia media, un número de arranques en frío y un tiempo de permanencia en operación en frío, una calidad del carburante y del aceite.
3. Procedimiento según una o más de las reivindicaciones anteriores,
caracterizado por que los indicadores de desgaste comprenden los siguientes: un contenido de hollín en el aceite, un índice de acidez total/índice de basicidad total, un viscosidad, materiales extraños en el aceite, carburante en el aceite, un contenido de agua en el aceite.
4. Un motor de combustión interna, caracterizado por que se lleva a cabo un procedimiento según una o más de las reivindicaciones anteriores.
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102018009521.6A DE102018009521A1 (de) | 2018-12-06 | 2018-12-06 | Verfahren zur Bestimmung und Prädiktion des individuellen Ölwechselintervalls eines Verbrennungsmotors |
PCT/EP2019/000331 WO2020114622A1 (de) | 2018-12-06 | 2019-12-03 | Verfahren zur bestimmung und prädiktion des individuellen ölwechselintervalls eines verbrennungsmotors |
Publications (1)
Publication Number | Publication Date |
---|---|
ES2960578T3 true ES2960578T3 (es) | 2024-03-05 |
Family
ID=68808281
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
ES19816530T Active ES2960578T3 (es) | 2018-12-06 | 2019-12-03 | Procedimiento para determinar y predecir el intervalo individual de cambio de aceite de un motor de combustión interna |
Country Status (5)
Country | Link |
---|---|
EP (1) | EP3891368B1 (es) |
DE (1) | DE102018009521A1 (es) |
ES (1) | ES2960578T3 (es) |
PL (1) | PL3891368T3 (es) |
WO (1) | WO2020114622A1 (es) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102022106230B3 (de) | 2022-03-17 | 2023-03-09 | Voith Patent Gmbh | Verfahren zur Bestimmung der Alterung eines Öls und zum Anzeigen eines fälligen Ölwechsels |
CN116147928B (zh) * | 2023-04-20 | 2023-07-14 | 清华大学 | 航空发动机热射流装置的健康状态确定方法、装置和设备 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3843381B2 (ja) * | 1997-09-05 | 2006-11-08 | 株式会社小松製作所 | エンジン潤滑油の交換時期の予測装置及び予測方法 |
DE102007042507B4 (de) * | 2007-09-07 | 2019-12-12 | HELLA GmbH & Co. KGaA | Verfahren zur Bestimmung von Inhaltsstoffen von Flüssigkeiten, insbesondere von Motoröl |
US8109138B2 (en) * | 2008-11-19 | 2012-02-07 | GM Global Technology Operations LLC | Method and system for estimating engine oil life based on viscosity |
DE102009003200B4 (de) * | 2009-05-18 | 2011-11-10 | Mtu Friedrichshafen Gmbh | Verfahren zur Bestimmung eines Ölverschleißes bei einer Brennkraftmaschine, elektrische Einrichtung zur Steuerung und/oder Regelung einer Brennkraftmaschine, Brennkraftmaschine |
DE102014013709A1 (de) * | 2014-09-16 | 2015-03-19 | Daimler Ag | Verfahren zum Ermitteln einer Schmiermittelverdünnung in einer Verbrennungskraftmaschine |
US10473009B2 (en) * | 2017-01-18 | 2019-11-12 | Vavoline Licensing and Intellectual Property LLC | System and method for predicting remaining oil life in vehicles |
-
2018
- 2018-12-06 DE DE102018009521.6A patent/DE102018009521A1/de not_active Ceased
-
2019
- 2019-12-03 WO PCT/EP2019/000331 patent/WO2020114622A1/de unknown
- 2019-12-03 PL PL19816530.0T patent/PL3891368T3/pl unknown
- 2019-12-03 EP EP19816530.0A patent/EP3891368B1/de active Active
- 2019-12-03 ES ES19816530T patent/ES2960578T3/es active Active
Also Published As
Publication number | Publication date |
---|---|
EP3891368C0 (de) | 2023-07-26 |
DE102018009521A1 (de) | 2020-06-10 |
WO2020114622A1 (de) | 2020-06-11 |
EP3891368B1 (de) | 2023-07-26 |
EP3891368A1 (de) | 2021-10-13 |
PL3891368T3 (pl) | 2024-02-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
ES2960578T3 (es) | Procedimiento para determinar y predecir el intervalo individual de cambio de aceite de un motor de combustión interna | |
ES2301733T3 (es) | Procedimiento para determinar la cantidad de carga extraible de una bateria acumuladora y dispositivo de supervision. | |
KR101956384B1 (ko) | 전기자동차의 주행가능거리 산출 방법 | |
CN102418577B (zh) | 在车辆中监测油的方法 | |
US10253734B2 (en) | Method for monitoring component life | |
US8707773B2 (en) | Method of monitoring oil in a vehicle | |
WO2017104497A1 (ja) | 二次電池制御システム | |
WO2009076129A2 (en) | Virtual engine oil quality sensor | |
US20190156598A1 (en) | Method for predicting corrosion potential, monitoring contaminant load and optimizing corrosion maintenance | |
JPH1181967A (ja) | エンジン潤滑油の交換時期の予測装置及び予測方法 | |
JPH11211622A (ja) | エンジン並びに熱源を有する機械の寿命予測装置 | |
JP2007218107A (ja) | アイドリングストップ制御装置 | |
JP2015061445A (ja) | 充電装置およびその方法、ならびに放電装置およびその方法 | |
CN116660773A (zh) | 电池劣化度预测装置 | |
ES2690077T3 (es) | Monitorización de una máquina con un componente de máquina rotatorio | |
CN116256658A (zh) | 基于系统性状态和环境影响利用对状态观察的校正来提供设备电池组老化状态的方法和装置 | |
CN117445755A (zh) | 基于云计算的电动汽车电池远程监控系统 | |
JP6998269B2 (ja) | ボンベ管理システム、ボンベ管理プログラム及びガスリーク検出システム | |
KR102505810B1 (ko) | 차량의 고전압배터리 진단방법 및 진단시스템 | |
JP5978407B1 (ja) | エンジンのシリンダ内における低温腐食の生じやすさを特定するための装置、プログラムおよび記録媒体 | |
CN110533323B (zh) | 基于交通拥堵的污染分析方法、装置、设备和存储介质 | |
KR102533572B1 (ko) | 수분 혼입 검출 장치, 수분 혼입 검출 프로그램, 수분 혼입 검출 방법, 및 수분 혼입 검출 시스템 | |
US20230011651A1 (en) | Method and device for determining a damage state of components | |
RU2761126C1 (ru) | Способ автоматизированного контроля остаточного ресурса транспортного средства в процессе его эксплуатации и устройство для его осуществления | |
US20220169148A1 (en) | Method and Apparatus for Predicting a State of Health of a Device Battery in a Battery-operated Device |