RU2587805C2

RU2587805C2 - System and method of determining interval between replacements of lubricant

Info

Publication number: RU2587805C2
Application number: RU2013104177/06A
Authority: RU
Inventors: Тодд М. ДВОРАК; Роберт Т. ДИТТМЕЙЕР; Дьюи П. ШЕМЕНИЕЙ
Original assignee: Афтон Кемикал Корпорейшн
Priority date: 2012-02-01
Filing date: 2013-01-31
Publication date: 2016-06-27

Abstract

FIELD: machine building.

SUBSTANCE: invention relates to machine building, particularly to system and method for determining suitability for use of lubricants and time, when it is necessary to replace lubricants. Processor-based system for prediction of interval between replacements lubricant in engine on basis of multiple values of analytical parameter, measured in multiple specimens of used motor lubricant taken from engine for period of time, contains first input receiving multiple values of analytical parameters and multiple statistical values of analytical parameters for engine. These parameters indicate one or more characteristics of used lubricant. Also through first input values of analytical parameters and statistical values of analytical parameters are stored in memory of processor. Second input receives threshold value of analytical parameter for used lubricant in end of service interval and stores threshold value of analytical parameter in memory of processor. Definition module defines future value of analytical parameter for determination of interval between lubricant replacements by modelling on plurality of values of analytical parameters and multiple statistical values of analytical parameters. Then compares future value of analytical parameter with threshold analytical parameter to determine whether future value of analytical parameter threshold analytical parameter at end of service interval in order to provide output signal indicating on interval between changes of lubricant in engine. Simulation, performed by determination module is selected from regression model partial least squares and neural network model. Said value analytical and statistical parameters contain three or more analytical parameter of used lubricant. Also disclosed is method for prediction of interval between lubricant replacements in engine.

EFFECT: technical result consists in improvement of reliability due to prediction, based on analysis of oil replacement.

8 cl, 17 dwg

Description

Область техники, к которой относится изобретениеFIELD OF THE INVENTION

Настоящее изобретение относится к системе, способу и компьютерной программе для определения пригодности к применению смазочных материалов и времени, когда необходимо заменять смазочные материалы, например, в двигателе, устройстве силовой передачи, турбине, генераторе, моторе или тому подобных.The present invention relates to a system, method and computer program for determining the suitability for use of lubricants and the time when it is necessary to replace lubricants, for example, in an engine, power train, turbine, generator, motor or the like.

Уровень техникиState of the art

Двигатели (или моторы) предназначены для преобразования одной формы энергии (например, такой как от сгорания топлива, электрической, ядерных реакций и тому подобных) в механическую энергию, например, такую как механическое движение. Например, двигатели внутреннего сгорания преобразуют энергию сгорания топлива в энергию движения. Эти двигатели обычно включают в себя одну или более камер сгорания, которые содержат топливо (например, ископаемое топливо) и ограничивают его сгорание, позволяя образующимся газам с высокой температурой и высоким давлением расширяться и приводить в движение механические компоненты, например, такие как поршни, лопатки турбины или тому подобные.Engines (or motors) are designed to convert one form of energy (for example, such as from the combustion of fuel, electrical, nuclear reactions and the like) into mechanical energy, for example, such as mechanical movement. For example, internal combustion engines convert the energy of combustion of fuel into energy of movement. These engines typically include one or more combustion chambers that contain fuel (e.g., fossil fuels) and limit their combustion, allowing the resulting gases with high temperature and high pressure to expand and drive mechanical components, such as pistons, vanes turbines or the like.

Двигатели внутреннего сгорания обычно применяются в транспортных средствах, включая, например, мотоциклы, мотороллеры, автомобили, лодки, грузовики, локомотивы, суда, самолеты, корабли, газовые турбины, генераторы, высоконагруженное машинное оборудование, и тому подобные. Во время работы, например, двигателя внутреннего сгорания, который содержит один или более поршней, поршень может перемещаться расширяющимися газами, образованными в результате сгорания топлива в камере, заставляющими поршень перемещаться вдоль заданного пути на предварительно заданное расстояние вдоль длины камеры. Поршень может быть соединен с коленчатым валом через шатун для преобразования движения поршня во вращение коленчатого вала. Двигатель может дополнительно включать в себя впускной клапан или канал и выпускной клапан или канал. Двигатель может содержать любое число узлов из поршней, шатунов и камер. Разнообразные движущиеся детали двигателя создают трение, которое приводит к износу движущихся деталей и снижает выходную мощность двигателя.Internal combustion engines are typically used in vehicles, including, for example, motorcycles, scooters, cars, boats, trucks, locomotives, ships, planes, ships, gas turbines, generators, heavy-duty machinery, and the like. During operation, for example, of an internal combustion engine that contains one or more pistons, the piston can be moved by expanding gases generated by the combustion of fuel in the chamber, causing the piston to travel along a predetermined path a predetermined distance along the length of the chamber. The piston can be connected to the crankshaft via a connecting rod to convert the movement of the piston into the rotation of the crankshaft. The engine may further include an inlet valve or duct and an exhaust valve or duct. The engine may contain any number of nodes from pistons, connecting rods and chambers. A variety of moving engine parts create friction, which leads to wear of moving parts and reduces engine power output.

Большинство движущихся деталей в двигателе изготовлено из металла. Во время работы контакт металла с металлом движущихся деталей вызывает износ на движущихся деталях. Для сведения к минимуму износа движущихся деталей и, поэтому, для максимизации надежности и долговечности двигателя, используют смазочный материал (например, моторное масло) для смазки движущихся деталей в двигателе. Смазочный материал также может действовать для очистки, подавления коррозии, повышения герметичности и охлаждения двигателя путем отведения тепла от движущихся деталей. Смазочный материал снижает трение, например, созданием разделительной пленки между поверхностями сопряженных движущихся деталей, чтобы свести к минимуму непосредственный контакт между поверхностями, сокращает выделение тепла, обусловленное трением, и уменьшает износ.Most of the moving parts in the engine are made of metal. During operation, contact of the metal with the metal of the moving parts causes wear on the moving parts. To minimize wear on moving parts and, therefore, to maximize engine reliability and durability, use a lubricant (such as engine oil) to lubricate moving parts in the engine. The lubricant can also act to clean, inhibit corrosion, improve tightness and cool the engine by removing heat from moving parts. The lubricant reduces friction, for example, by creating a release film between the surfaces of the mating moving parts in order to minimize direct contact between the surfaces, reduces the heat generated by friction, and reduces wear.

Большинство смазочных материалов изготовлено из нефтяных углеводородов, полученных из сырой нефти. Альтернативно (или дополнительно), смазочные материалы могут быть выполнены из синтетических материалов, например, таких как синтетические сложные эфиры, поли-альфа-олефины и тому подобные. В смазочный материал вносят добавки для улучшения определенных свойств. Добавки могут включать в себя, например, моющие присадки, диспергаторы, ингибиторы коррозии, щелочные добавки и тому подобные. Одной из наиболее важных характеристик смазочных материалов является сохранение смазочной пленки между движущимися деталями двигателя. Еще одним важным свойством смазочных материалов является их способность нейтрализовать кислоты.Most lubricants are made from petroleum hydrocarbons derived from crude oil. Alternatively (or additionally), lubricants may be made from synthetic materials, such as, for example, synthetic esters, poly-alpha olefins, and the like. Additives are added to the lubricant to improve certain properties. Additives may include, for example, detergents, dispersants, corrosion inhibitors, alkaline additives and the like. One of the most important characteristics of lubricants is to maintain a lubricant film between moving parts of the engine. Another important property of lubricants is their ability to neutralize acids.

В двигателях смазочные материалы подвергаются воздействию побочных продуктов внутреннего сгорания, включая, например, углеродсодержащие частицы, металлические частицы, и тому подобные. Во время работы двигателя смазочные материалы подвергаются как термическому, так и механическому разложению, и загрязнению, которое ухудшает их функционирование. В конечном итоге утрата работоспособности может стать достаточно значительной для необходимости удаления использованного смазочного материала и замены свежим смазочным материалом. Таким образом, для определения, когда смазочные материалы в двигателе подлежат замене, обычно используют интервалы между заменами смазочного материала (LDI) на основе времени (например, через 92 дня, 184 дня, 276 дней, каждые 6 месяцев, или тому подобные) и/или на основе пробега (например, каждые три тысячи миль, каждые пять тысяч миль, или тому подобные).In engines, lubricants are exposed to by-products of internal combustion, including, for example, carbon-containing particles, metal particles, and the like. During engine operation, lubricants are subject to both thermal and mechanical decomposition, and contamination, which impairs their functioning. Ultimately, the loss of performance can become significant enough for the need to remove used lubricant and replace with fresh lubricant. Thus, to determine when the lubricants in an engine are to be replaced, the intervals between lubricant changes (LDI) are usually used based on time (e.g., after 92 days, 184 days, 276 days, every 6 months, or the like) and / or based on mileage (for example, every three thousand miles, every five thousand miles, or the like).

В железнодорожной отрасли образцы моторного масла обычно отбирают из двигателей локомотивов примерно каждые 2-3 недели. Затем эти образцы анализируют для выявления проблем, например, таких как утечки охлаждающей жидкости, разбавление топливом, износ металла, ухудшение качества масла, применение ненадлежащего масла, и тому подобные. Железнодорожные расписания интервалов между заменами масла основаны, например, на рекомендациях изготовителя оригинального оборудования (OEM), истории эксплуатации, и тому подобном. В настоящее время общепринятой производственной практикой для интервалов между заменами масла является период примерно каждые 184 дня. Однако этот интервал между заменами масла может быть слишком длительным для некоторых двигателей, например, таких как двигатели, которые работают в жестких условиях, или двигатели, которые испытывают проблемы с производительностью, или новые двигатели, которые пока еще не были введены в эксплуатацию и чувствительны к приработочному износу. Кроме того, продолжительность интервалов между заменами масла может быть более короткой, чем оптимальная для некоторых двигателей, например, таких как двигатели, которые работают в идеальных оптимальных условиях.In the railway industry, motor oil samples are usually taken from locomotive engines approximately every 2-3 weeks. These samples are then analyzed to identify problems, such as, for example, coolant leaks, fuel dilution, metal wear, poor oil quality, improper oil, and the like. Railway oil change intervals schedules are based, for example, on the recommendations of the original equipment manufacturer (OEM), operating history, and the like. Currently, it is common practice for oil change intervals to occur approximately every 184 days. However, this interval between oil changes may be too long for some engines, such as engines that operate under harsh conditions, or engines that experience performance problems, or new engines that have not yet been commissioned and are sensitive to running-in wear. In addition, the interval between oil changes may be shorter than optimal for some engines, such as engines that operate under ideal ideal conditions.

В области автомобильных грузоперевозок, например, автотранспортные фирмы часто использовали анализ масла, чтобы установить интервалы между заменами масла для парков грузовых автомобилей. Однако интервалы между заменами масла основываются скорее на общих показателях для парка, нежели на индивидуальных двигателях. Опять же, установленные интервалы между заменами масла могут быть слишком продолжительными для некоторых двигателей, в то же время более короткими, чем это необходимо для других.In the field of trucking, for example, trucking companies often used oil analysis to establish intervals between oil changes for truck fleets. However, the intervals between oil changes are based more on overall performance for the fleet than on individual engines. Again, the set intervals between oil changes may be too long for some engines, but at the same time shorter than necessary for others.

В то время как интервалы между заменами смазочного материала обычно устанавливают на основе времени в эксплуатации или расстоянии пробега транспортного средства, фактические условия эксплуатации и время наработки двигателя в часах могут резко различаться для данной продолжительности эксплуатации или дистанции пробега транспортного средства. Так, фиксированные по времени/пробегу интервалы между заменами (или сливами) смазочного материала могут привести к непрерывному использованию истощенного моторного смазочного материала, где двигатель работает в жестких условиях, или когда двигатель работает ненадлежащим образом, что может приводить к низкой эффективности использования топлива, дорогостоящему техническому обслуживанию, преждевременному выходу двигателя из строя, и тому подобному. Фиксированные по времени/пробегу интервалы между заменами смазочного материала также могут иметь результатом преждевременное и поэтому неэффективное сливание моторного смазочного материала, который остается неистощенным за интервал между заменами, тем самым увеличивая количество отходов побочных продуктов, которые должны быть утилизированы, а также затраты, связанные с заменой моторного смазочного материала (включающие в себя, например, расходы на смазочный материал, стоимость работ по замене смазочного материала, затраты на утилизацию, издержки на время простоя двигателя, и тому подобные).While the intervals between lubricant changes are usually set based on the operating time or the vehicle mileage, the actual operating conditions and engine hours in hours can vary dramatically for a given operating time or vehicle mileage. Thus, time / mileage intervals between lubricant changes (or drains) can lead to continuous use of depleted motor lubricant, where the engine is operating under harsh conditions, or when the engine is operating improperly, which can lead to low fuel efficiency, which is expensive maintenance, premature engine failure, and the like. Time / mileage fixed intervals between lubricant changes can also result in premature and therefore inefficient drainage of motor lubricant that remains depleted in the interval between replacements, thereby increasing the amount of waste by-products that must be disposed of, as well as the costs associated with replacement of motor lubricant (including, for example, the cost of the lubricant, the cost of replacing the lubricant, the cost of disposal nation, costs of engine downtime, and the like).

Моторный смазочный материал может рассматриваться как истощенный, когда, например, свойства моторного смазочного материала ухудшились настолько, что моторный смазочный материал перестал надлежащим образом смазывать детали двигателя, подавлять коррозию, или тому подобное.A motor lubricant can be considered depleted when, for example, the properties of a motor lubricant have deteriorated so much that the motor lubricant has stopped properly lubricating engine parts, inhibiting corrosion, or the like.

Хотя представлялось бы идеальным анализировать состояние использованного масла из каждой единицы оборудования, и заменять его, только когда анализ показывает близость конца его эксплуатационного ресурса, существуют и другие издержки, которые необходимо учитывать в определении наиболее экономически целесообразного времени для замены масла. Двигатели, когда их используют, вносят вклад в производство для получения дохода, делая его более дорогостоящим, если их снимают с эксплуатации. Как следствие, многие задачи технического обслуживания оборудования предварительно планируют и группируют между собой, чтобы обеспечить возможность выполнения этих задач во время планового отключения оборудования, или когда многие из задач могут быть выполнены одновременно, чтобы свести к минимуму время простоя. Операторы оборудования обычно составляют графики технического обслуживания для оптимизации общих расходов. Это значит, что для максимизации производства отдельные задачи технического обслуживания могут быть выполнены раньше, чем оно фактически потребуется.Although it would seem ideal to analyze the condition of the used oil from each piece of equipment, and replace it only when the analysis shows the closeness of the end of its operating life, there are other costs that must be taken into account in determining the most economically viable time for changing the oil. Engines, when used, contribute to production to generate income, making it more expensive if they are decommissioned. As a result, many equipment maintenance tasks are pre-planned and grouped together to ensure that these tasks can be performed during a scheduled shutdown of equipment, or when many of the tasks can be performed simultaneously to minimize downtime. Equipment operators typically schedule maintenance to optimize overall costs. This means that in order to maximize production, individual maintenance tasks can be completed earlier than is actually required.

Некоторые задачи технического обслуживания должны выполняться более часто, чем другие. Предварительно запланированное техническое обслуживание часто основывается на серии графиков. Например, автотранспортная фирма может иметь график А на каждые 30 дней, график В на каждые 60 дней, и график С на каждые 120 дней. Грузовик, поступающий на свое первое техническое обслуживание через 30 дней, должен бы иметь все сервисы, выполняемые, как это требуется в Графике А. Спустя 30 дней он имел бы сервисы, проведенные согласно А и В. Еще через 30 дней (90 дней в совокупности) потребовалось бы обслуживание согласно только графику А. На 120-ый день понадобилось бы обслуживание по всем процедурам, предусмотренным графиками А, В и С. Затем цикл повторялся бы.Some maintenance tasks should be performed more often than others. Preplanned maintenance is often based on a series of schedules. For example, a trucking company may have schedule A for every 30 days, schedule B for every 60 days, and schedule C for every 120 days. A truck arriving for its first maintenance service after 30 days would have to have all the services performed as required in Schedule A. After 30 days, it would have the services carried out according to A and B. Another 30 days (90 days in total) ) maintenance would be required according to schedule A. Only On day 120, maintenance would be required for all the procedures provided for in schedules A, B, and C. Then the cycle would be repeated.

Если интервал между заменами масла в автопарке был запланирован на 30 дней, и было определено, что 45-дневный интервал между заменами масла был бы надежным, весьма маловероятно, что выведение этих грузовиков из эксплуатации на 45-ый день только для замены масла было бы экономически целесообразным делом. Переход автопарка на 60-дневную периодичность замены масла был бы практичным предприятием, если бы это было определено как надежный интервал между заменами масла, поскольку это переводило бы замену масла из графика А в рамки графика В, наполовину сокращало бы расходы на замену масла, и не приводило бы к любым новым издержкам на простои. Если бы график А технического обслуживания составляла только замена масла, то это приводило бы к повышению производительности, поскольку оборудование снимали бы с эксплуатации менее часто.If the interval between oil changes in the fleet was planned for 30 days, and it was determined that the 45-day interval between oil changes would be reliable, it is highly unlikely that the decommissioning of these trucks on day 45 would be economical only expedient business. Switching the fleet to a 60-day oil change interval would be a practical undertaking if it were defined as a reliable oil change interval, since this would transfer the oil change from Schedule A to the scope of Schedule B, halve the cost of changing the oil, and not would result in any new downtime costs. If maintenance schedule A consisted only of an oil change, this would lead to increased productivity, since equipment would be decommissioned less frequently.

Поскольку часто трудно прогнозировать, сколько срока службы осталось для использованного масла, интервалы между заменами масла зачастую стандартизируют для сходных деталей оборудования в хозяйственной единице. Выбор интервала между заменами масла может основываться на многих различных факторах, включающих в себя историю технического обслуживания конкретного оборудования в хозяйственной единице, суровость условий эксплуатации, рекомендации производителя оборудования, анализ использованного масла, и т.д. Интервал между заменами масла обычно выбирают так, чтобы, как считают в хозяйственной единице, были наименьшие общие затраты в компромиссе между стоимостью технического обслуживания, затратами на ремонт и издержками на простой. Поскольку нет двух идентичных единиц оборудования, или использования в идентичных условиях эксплуатации, интервал между заменами масла обычно выбирают для приспособления к наиболее серьезной ситуации. Это значит, что в серии сходных двигателей имеются некоторые двигатели, которые находятся в лучшем состоянии или эксплуатируются в более мягких условиях, и могут быть способными работать вполне эффективно при более длительных интервалах между заменами масла.Since it is often difficult to predict how much life is left for used oil, the intervals between oil changes are often standardized for similar equipment parts in a business unit. The choice of the interval between oil changes can be based on many different factors, including the history of the maintenance of specific equipment in the business unit, the severity of the operating conditions, recommendations of the equipment manufacturer, analysis of the used oil, etc. The interval between oil changes is usually chosen so that, according to the business unit, there are the lowest total costs in the trade-off between the cost of maintenance, the cost of repairs and the costs of downtime. Since there are no two identical pieces of equipment, or use under identical operating conditions, the interval between oil changes is usually chosen to adapt to the most serious situation. This means that in a series of similar engines there are some engines that are in better condition or operate under milder conditions, and may be able to work quite efficiently at longer intervals between oil changes.

Хорошим примером являются железнодорожные локомотивы. Эти двигатели требуют проведения инспекций надежности каждые 92 дня. Замены масла должны выполняться каждые 92 дня для совпадения с ними вне станции обслуживания. Во многих локомотивных депо было найдено, что условия стали такими, что теперь они могут заменять масло каждые 184 дня. Следующим логичным увеличением интервала между заменами масла были бы 276 дней для совпадения с инспекцией надежности. Некоторые локомотивы, в частности, некоторые двигатели фирмы «General Electric» (GE) типа FDL, при некоторых условиях эксплуатации не могут работать надежно в течение 276 дней без замены масла. Таким образом, существует неудовлетворенная потребность в системе и способе тестирования использованного масла и прогнозировании, например, на 150 день эксплуатации, основываясь на анализе использованного масла, в каких единицах оборудования замена должна быть произведена, например, через 184 дня, и какие единицы оборудования могут продолжать надежно работать, например, до 276 дней без замены масла.A good example is railway locomotives. These engines require reliability inspections every 92 days. Oil changes must be performed every 92 days to match them outside the service station. In many locomotive depots, it was found that the conditions became such that now they can replace the oil every 184 days. The next logical increase in the interval between oil changes would be 276 days to coincide with the reliability inspection. Some locomotives, in particular some FDL type General Electric (GE) engines, under certain operating conditions, cannot operate reliably for 276 days without changing the oil. Thus, there is an unmet need for a system and method for testing used oil and predicting, for example, 150 days of operation, based on an analysis of the used oil, in which units of equipment should be replaced, for example, after 184 days, and which units of equipment can continue work reliably, for example, up to 276 days without changing the oil.

В заявке на патент США №US 2007225881 A1 (McAndrew и др.), опубликованной 27 сентября 2007 г., раскрыты система и способ обслуживания транспортного средства. Известный способ включает в себя, в частности, формирование набора данных, включающего в себя данные, соответствующие по меньшей мере одной характеристике. Затем набор данных сравнивают с заданными параметрическими данными и формируют данные тенденций для множества наборов данных. Далее упомянутые данные тенденций анализируют для определения того, следует ли предпринимать какие-либо корректирующие действия по отношению к обслуживанию транспортного средства. При этом данные в известном решении ассоциированы с двигателем транспортного средства и формируются на основании анализа по меньшей мере одного из компонентов двигателя. В частности, данные о состоянии двигателя формируются с использованием образцов текучих сред из двигателя, в частности образцов моторного масла. Однако в данном известном аналоге не используется моделирование для прогнозирования будущее значение аналитического параметра для определения интервала между заменами смазочного материала, основанное на множестве значений аналитических параметров и на множестве статистических значений аналитических параметров, как в предлагаемом изобретении. Вместо этого в известном решении формируются данные тенденций на основании анализа нескольких наборов данных, полученных в различные моменты времени, для определения того, следует ли предпринимать какие-либо действия по коррекции состояния транспортного средства.U.S. Patent Application No. US 2007225881 A1 (McAndrew et al.), Published September 27, 2007, discloses a system and method for servicing a vehicle. The known method includes, in particular, the formation of a data set including data corresponding to at least one characteristic. Then, the data set is compared with predetermined parametric data and trend data is generated for a plurality of data sets. Further, the aforementioned trend data is analyzed to determine whether any corrective action should be taken with respect to servicing the vehicle. Moreover, the data in the known solution are associated with the vehicle engine and are generated based on the analysis of at least one of the engine components. In particular, engine condition data is generated using engine fluid samples, in particular engine oil samples. However, this known analogue does not use modeling to predict the future value of the analytical parameter to determine the interval between lubricant changes based on the set of values of the analytical parameters and on the set of statistical values of the analytical parameters, as in the present invention. Instead, trend data are generated in a known solution based on an analysis of several sets of data obtained at different points in time to determine whether to take any action to correct the condition of the vehicle.

Настоящее изобретение представляет систему, способ и компьютерную программу для испытания использованного масла, и, с использованием описываемой здесь методологии, прогнозирования (или обеспечения пользователю возможности прогнозировать), например, на 150 день эксплуатации, на основе анализа использованного масла, в каких единицах оборудования, например, в железнодорожном локомотивном депо, следует провести замену, например, через 184 дня, и какие могут продолжать надежно работать, например, до 276 дней без замены масла.The present invention provides a system, method and computer program for testing used oil, and, using the methodology described here, predicting (or allowing the user to predict), for example, on the 150th day of operation, based on the analysis of the used oil, in which pieces of equipment, for example , in a railway locomotive depot, a replacement should be carried out, for example, after 184 days, and which can continue to work reliably, for example, up to 276 days without changing the oil.

Раскрытие изобретенияDisclosure of invention

Изобретение представляет систему, способ и компьютерную программу для определения пригодности к применению смазочного материала, например, такого как моторное масло, и срока, когда заменять смазочный материал в конкретном двигателе. Система, способ и компьютерная программа дополнительно выполнены с возможностью формирования интервала между заменами смазочного материала для каждого двигателя, например, в парке транспортных средств компании. Интервал между заменами смазочного материала устанавливают на основе одного или более значений моделированныхThe invention provides a system, method and computer program for determining the suitability for use of a lubricant, for example, such as motor oil, and the time when to replace the lubricant in a particular engine. The system, method and computer program are additionally configured to form an interval between lubricant changes for each engine, for example, in a fleet of vehicles of a company. The interval between lubricant changes is set based on one or more simulated values

чтобы определить будущее значение аналитического параметра. Моделирование может включать в себя: линейную регрессию; нелинейную регрессию; логистическую регрессию; нейронную сеть; дискриминантный анализ; логику «если…, то…», регрессию частных наименьших квадратов; и тому подобные. Модуль определения может сравнивать будущее значение аналитического параметра с пороговым значением аналитического параметра. Модуль определения может формировать интервал между заменами смазочного материала для двигателя на основе сравнения будущего значения аналитического параметра с пороговым значением аналитического параметра.to determine the future value of the analytical parameter. Modeling may include: linear regression; nonlinear regression; logistic regression; neural network; discriminant analysis; the logic of "if ... then ...", the regression of partial least squares; and the like. The determination module may compare the future value of the analytical parameter with a threshold value of the analytical parameter. The determination module may form an interval between lubricant changes for the engine based on a comparison of the future value of the analytical parameter with the threshold value of the analytical parameter.

Первый вход может принимать значение дополнительного аналитического параметра, и модуль определения может выполнять линейную регрессию на упомянутом значении аналитического параметра, или нелинейную регрессию на значении дополнительного аналитического параметра. Значение аналитического параметра может включать в себя, например, концентрацию железа в образце моторного смазочного материала, и значение дополнительного аналитического параметра может включать в себя, например, концентрацию свинца в образце моторного смазочного материала. Значение аналитического параметра и значение дополнительного аналитического параметра могут быть выбраны, например, из железа, свинца, олова, меди, алюминия, бора, степени окисления, степени нитрования, калия, кремния, натрия, сажи, TBN (общего щелочного числа), воды, топлива, шлама, и нерастворимых компонентов в образце моторного смазочного материала.The first input may take the value of an additional analytical parameter, and the determination module may perform linear regression on the said value of the analytical parameter, or non-linear regression on the value of the additional analytical parameter. The value of the analytical parameter may include, for example, the concentration of iron in the sample of motor lubricant, and the value of the additional analytical parameter may include, for example, the concentration of lead in the sample of motor lubricant. The value of the analytical parameter and the value of the additional analytical parameter can be selected, for example, from iron, lead, tin, copper, aluminum, boron, the degree of oxidation, the degree of nitration, potassium, silicon, sodium, carbon black, TBN (total base number), water, fuel, sludge, and insoluble components in a sample of motor lubricant.

Аналитический параметр «т» выбирают, например, из группы аналитических параметров, состоящей из железа, свинца, олова, меди, алюминия, бора, степени окисления, степени нитрования, калия, кремния, натрия, сажи, воды, топлива, шлама, нерастворимых компонентов и т.д.The analytical parameter "t" is selected, for example, from the group of analytical parameters consisting of iron, lead, tin, copper, aluminum, boron, oxidation state, degree of nitration, potassium, silicon, sodium, soot, water, fuel, sludge, insoluble components etc.

Согласно дополнительному аспекту изобретения, представлен способ выбора множества двигателей для расширенного интервала между заменами смазочного материала, причем способ включает в себя этапы, на которых: получают данные об интервалах между заменами смазочного материала для множества двигателей; выполняют категоризацию данных о замене смазочного материала по меньшей мере на две категории, включающих в себя категорию расширенного интервала между заменами смазочного материала и категорию нормального интервала между заменами смазочного материала; и формируют расписание интервалов между заменами смазочного материала для множества двигателей. Категория расширенного интервала между заменами смазочного материала может, например, включать в себя 276 дней, и категория нормального интервала между заменами смазочного материала может включать в себя 184 дня.According to a further aspect of the invention, there is provided a method for selecting a plurality of engines for an extended interval between lubricant changes, the method including the steps of: obtaining data on intervals between lubricant changes for a plurality of engines; at least two categories of lubricant change data are categorized, including the extended interval between lubricant changes and the normal interval between lubricant changes category; and form a schedule of intervals between lubricant changes for multiple engines. The extended lubricant change interval category may, for example, include 276 days, and the normal lubricant replacement interval category may include 184 days.

Согласно еще одному дополнительному аспекту изобретения, представлен способ прогнозирования интервала между заменами смазочного материала в двигателе на основе значения аналитического параметра, которое измеряют в образце моторного смазочного материала, отобранного из двигателя, причем способ включает в себя этапы, на которых: на первом входе получают значение аналитического параметра; на втором входе получают пороговое значение аналитического параметра и прогнозируют будущее значение аналитического параметра на основе значения аналитического параметра и порогового значение аналитического параметра.According to another additional aspect of the invention, there is provided a method for predicting the interval between lubricant changes in the engine based on the value of the analytical parameter, which is measured in a sample of motor lubricant selected from the engine, the method comprising the steps of: analytical parameter; at the second input, a threshold value of the analytical parameter is obtained and a future value of the analytical parameter is predicted based on the value of the analytical parameter and the threshold value of the analytical parameter.

Способ может дополнительно включать в себя этап, на котором прогнозируют вероятность, когда будущее значение аналитического параметра превысит пороговое значение аналитического параметра.The method may further include the stage at which the probability is predicted when the future value of the analytical parameter exceeds a threshold value of the analytical parameter.

Согласно еще одному дополнительному аспекту изобретения, может быть представлен машиночитаемый носитель информации, который содержит компьютерную программу, как описываемую здесь ниже, для исполнения описываемого здесь процесса.According to yet a further aspect of the invention, a computer-readable storage medium may be provided that comprises a computer program, as described herein below, for executing the process described herein.

Дополнительные признаки, преимущества и варианты осуществления изобретения могут быть изложены или же очевидны из рассмотрения подробного описания и чертежей. Более того, следует отметить, что вышеизложенная сущность изобретения и нижеследующие подробное описание и чертежи представляют неограничивающие примеры изобретения, которые предназначены для приведения разъяснений, без ограничения области изобретения, как заявленной.Additional features, advantages, and embodiments of the invention may be set forth or apparent from consideration of the detailed description and drawings. Moreover, it should be noted that the foregoing summary and the following detailed description and drawings represent non-limiting examples of the invention, which are intended to provide an explanation, without limiting the scope of the invention as claimed.

Краткое описание фигур чертежейBrief Description of the Drawings

Сопровождающие чертежи, которые приведены, чтобы обеспечить дополнительное понимание изобретения, включены в настоящее описание и составляют его часть, иллюстрируют варианты осуществления изобретения и совместно с подробным описанием служат для разъяснения принципов изобретения. Не предпринималось никаких попыток более подробно показать конструктивные подробности изобретения сверх того, что может быть необходимым для фундаментального понимания изобретения и разнообразных путей, которыми оно может быть реализовано на практике. На чертежах:The accompanying drawings, which are provided to provide an additional understanding of the invention, are incorporated in and constitute a part of the present description, illustrate embodiments of the invention and together with the detailed description serve to explain the principles of the invention. No attempt has been made to show in more detail the structural details of the invention beyond what may be necessary for a fundamental understanding of the invention and the various ways in which it can be implemented in practice. In the drawings:

Фиг. 1А показывает пример системы, которая определяет пригодность к применению смазочного материала и срок, когда заменять смазочный материал;FIG. 1A shows an example of a system that determines the suitability for use of a lubricant and the period when to replace a lubricant;

Фиг. 1В показывает изображение модуля определения, который может быть включен в систему из Фиг. 1А;FIG. 1B shows an image of a determination module that may be included in the system of FIG. 1A;

Фиг. 2 показывает пример процесса анализа смазочного материала для проведения анализа образца моторного смазочного материала;FIG. 2 shows an example of a lubricant analysis process for analyzing a sample of motor lubricant;

Фиг. 3 показывает пример процесса определения интервала между заменами моторного смазочного материала для определения пригодности к применению моторного смазочного материала и установления интервала между заменами моторного смазочного материала для конкретного двигателя;FIG. 3 shows an example of a process for determining an interval between engine lubricant changes to determine the suitability for use of an engine lubricant and establishing an interval between engine lubricant changes for a particular engine;

Фиг. 4 показывает пример статистических данных, которые могут быть извлечены из памяти для конкретного двигателя;FIG. 4 shows an example of statistics that can be retrieved from memory for a particular engine;

Фиг. 5 показывает диаграмму разброса данных для еще одного примера статистических данных для еще одного двигателя, с данными, приведенными по оси абсцисс, и аналитическим параметром (Fe, железо), приведенным по оси ординат;FIG. 5 shows a data scatter diagram for another example of statistical data for another engine, with data shown on the abscissa axis and an analytical parameter (Fe, iron) given on the ordinate axis;

Фиг. 6 показывает пример рекомендаций компании General Electric (GE) как изготовителя оригинального оборудования (OEM) для двигателя локомотива компании GE;FIG. Figure 6 shows an example of recommendations from General Electric (GE) as an original equipment manufacturer (OEM) for a GE locomotive engine;

Фиг. 7 показывает пример рекомендаций компании Electro-Motive Diesel (EMD) как OEM для двигателя локомотива компании EMD;FIG. 7 shows an example of Electro-Motive Diesel (EMD) recommendations as an OEM for an EMD locomotive engine;

Фиг. 8 показывает пример исполнения системы из Фиг. 1;FIG. 8 shows an example embodiment of the system of FIG. one;

Фиг. 9 показывает пример восьми диаграмм разброса данных для взаимосвязи между железом (Fe) и сроком активной работы масла в машине для локомотивной секции;FIG. 9 shows an example of eight data scatter diagrams for the relationship between iron (Fe) and the life of the oil in an engine for a locomotive section;

Фиг. 10 показывает пример восьми диаграмм разброса данных для взаимосвязи между сажей и сроком активной работы масла в машине для локомотивной секции;FIG. 10 shows an example of eight data scatter diagrams for the relationship between soot and the life of the oil in an engine for a locomotive section;

Фиг. 11 показывает пример восьми диаграмм разброса данных для взаимосвязи между TBN и сроком активной работы масла в машине для локомотивной секции;FIG. 11 shows an example of eight data scatter diagrams for the relationship between TBN and the life of an oil in a locomotive section machine;

Фиг. 12 показывает пример диаграммы разброса данных для взаимосвязи между сажей и сроком активной работы масла в машине для локомотивной секции;FIG. 12 shows an example of a data scatter diagram for the relationship between soot and the life of the oil in an engine for a locomotive section;

Фиг. 13 показывает пример восьми диаграмм разброса данных для взаимосвязи между железом (Fe) и сроком активной работы масла в машине для локомотивной секции;FIG. 13 shows an example of eight data scatter diagrams for the relationship between iron (Fe) and the life of the oil in an engine for a locomotive section;

Фиг. 14 показывает пример восьми диаграмм разброса данных для взаимосвязи между сажей и сроком активной работы масла в машине для локомотивной секции;FIG. 14 shows an example of eight data scatter diagrams for the relationship between soot and the life of an oil in a locomotive section machine;

Фиг. 15 показывает пример матрицы диаграмм разброса данных для еще одной локомотивной секции;FIG. 15 shows an example matrix of data scatter diagrams for yet another locomotive section;

Фиг. 16 показывает пример процесса для составления расписания технического обслуживания для одного или более двигателей.FIG. 16 shows an example of a process for scheduling maintenance for one or more engines.

Далее настоящее изобретение описано в нижеследующем подробном описании.The present invention is further described in the following detailed description.

Осуществление изобретенияThe implementation of the invention

Изобретение и разнообразные признаки и преимущественные подробности его более полно разъясняются со ссылкой на неограничивающие варианты осуществления и примеры, которые описаны и/или иллюстрированы на сопровождающих чертежах и детализированы в нижеследующем описании. Следует отметить, что признаки, иллюстрированные в чертежах и приложении, не обязательно вычерчены в масштабе, и признаки одного варианта исполнения могут быть применены с другими вариантами исполнения, как было бы понятно квалифицированному специалисту, даже если это здесь однозначно не оговорено. Описания общеизвестных компонентов и способов обработки могут быть опущены, чтобы без необходимости не загромождать варианты осуществления изобретения. Использованные здесь примеры предназначены только для упрощения понимания путей, которыми изобретение может быть реализовано на практике, и для дополнительной возможности квалифицированным специалистам в этой области технологии практически использовать варианты осуществления изобретения. Соответственно этому, приведенные здесь примеры и варианты исполнения не должны трактоваться как ограничивающие область изобретения. Кроме того, следует отметить, что сходные кодовые номера позиций представляют подобные детали на всем протяжении нескольких изображений в чертежах.The invention and the various features and advantageous details of it are more fully explained with reference to non-limiting embodiments and examples, which are described and / or illustrated in the accompanying drawings and are detailed in the following description. It should be noted that the features illustrated in the drawings and the appendix are not necessarily drawn to scale, and the features of one embodiment can be applied with other designs, as would be understood by a qualified person, even if this is not explicitly stated here. Descriptions of well-known components and processing methods may be omitted so as not to clutter up embodiments of the invention without need. The examples used here are intended only to simplify the understanding of the ways in which the invention can be implemented in practice, and for additional opportunities for qualified specialists in this field of technology to practically use embodiments of the invention. Accordingly, the examples and embodiments provided herein should not be construed as limiting the scope of the invention. In addition, it should be noted that similar item code numbers represent similar details throughout the course of several images in the drawings.

«Компьютер», используемый в настоящем изобретении, означает любую машину, устройство, электрическую схему, компонент или модуль, или любую систему машин, устройств, электрических схем, компонентов, модулей, или тому подобных, которые способны обрабатывать данные согласно одной или более машинным командам, например, без ограничения, такие как процессор, микропроцессор, центральный процессор, компьютер общего назначения, суперкомпьютер, персональный компьютер, портативный компьютер, карманный компьютер, ноутбук, облачный компьютер, настольный компьютер, компьютерная рабочая станция, сервер, или тому подобный, или массив процессоров, микропроцессоров, центральных процессоров, компьютеров общего назначения, суперкомпьютеров, персональных компьютеров, портативных компьютеров, карманных компьютеров, ноутбуков, настольных компьютеров, компьютерных рабочих станций, серверов, или тому подобных."Computer" used in the present invention means any machine, device, electrical circuit, component or module, or any system of machines, devices, electrical circuits, components, modules, or the like, which are capable of processing data according to one or more machine instructions for example, without limitation, such as a processor, microprocessor, central processing unit, general purpose computer, supercomputer, personal computer, laptop computer, PDA, laptop, cloud computer, a computer, a computer workstation, a server, or the like, or an array of processors, microprocessors, central processing units, general purpose computers, supercomputers, personal computers, laptop computers, handheld computers, laptops, desktop computers, computer workstations, servers, or the like like that.

«Сервер», применяемый в настоящем изобретении, означает любую комбинацию программного обеспечения и/или аппаратуры, включающую в себя по меньшей мере одну прикладную программу и/или по меньшей мере один компьютер для выполнения сервисных действий для соединенных с ним клиентов как часть архитектуры «клиент-сервер». По меньшей мере одна прикладная программа сервера может включать в себя, не ограничиваясь, например, прикладную программу, которая может принимать запросы на соединения для обслуживания запросов от клиентов, посылая обратно клиенту ответные сигналы. Сервер может быть выполнен с возможностью исполнения по меньшей мере одной прикладной программы, часто при высоких рабочих нагрузках, действуя автоматически без обслуживания, в течение длительных периодов времени с минимальным участием человека. Сервер может включать в себя множество компьютеров, конфигурированные по меньшей мере с одной прикладной программой, распределенной среди компьютеров, в зависимости от рабочей нагрузки. Например, при небольшой нагрузке по меньшей мере одна прикладная программа может исполняться одиночным компьютером. Однако при высокой нагрузке может потребоваться множество компьютеров для исполнения по меньшей мере одной прикладной программы. Сервер, или любой из его компьютеров, может быть использован в качестве рабочей станции."Server" used in the present invention means any combination of software and / or hardware, including at least one application program and / or at least one computer for performing service operations for clients connected to it as part of the client architecture -server". At least one server application program may include, but is not limited to, for example, an application program that can receive connection requests for servicing requests from clients, sending response signals back to the client. The server can be configured to execute at least one application program, often at high workloads, acting automatically without maintenance, for long periods of time with minimal human involvement. A server may include multiple computers configured with at least one application distributed among computers, depending on the workload. For example, under light load, at least one application program may be executed by a single computer. However, under heavy load, many computers may be required to execute at least one application program. The server, or any of its computers, can be used as a workstation.

«Линейная регрессия», используемая в настоящем изобретении, означает любую известную методологию линейной регрессии, известную квалифицированным специалистам в этой области технологии, в том числе общие линейные модели (GLM), например, такие как полиномиальные выражения, которые могут быть ограничены до одного класса задач, которые удовлетворяют набору условий. Эти условия имеют отношение к погрешности модели. Погрешность модели представляет собой разность между наблюдаемым значением и прогнозированным значением. Исследование погрешности модели является ключевым фактором для оценки адекватности модели. Необходимые допущения для общих линейных моделей включают в себя: погрешности имеют нулевое значение; погрешности являются некоррелированными; погрешности являются распределенными по нормальному закону; и погрешности имеют постоянную дисперсию. Если любые из вышеуказанных допущений нарушаются, то, как правило, требуется применение некоторого рода преобразования, добавление большего числа переменных величин для приспособления системных источников дисперсии, или привлечение метода моделирования еще одного типа, такого как подход с нелинейным типом моделирования.“Linear regression” as used in the present invention means any known linear regression methodology known to those skilled in the art, including general linear models (GLM), such as polynomial expressions, which may be limited to one class of problems that satisfy a set of conditions. These conditions are related to the model error. The model error is the difference between the observed value and the predicted value. The study of model error is a key factor in assessing the adequacy of a model. The necessary assumptions for general linear models include: the errors are zero; the errors are uncorrelated; errors are distributed according to normal law; and errors have a constant variance. If any of the above assumptions are violated, then, as a rule, some kind of transformation is required, adding more variables to fit the system sources of variance, or using another type of modeling method, such as an approach with a non-linear type of modeling.

«Линейная регрессия», применяемая в настоящем изобретении, может включать в себя «обобщенную линейную модель» (GLZ). Подход GLZ имеет два ключевых признака, которые отличают его от метода GLM (общая линейная модель). Он включает в себя функцию связи и функцию распределения. Функция связи представляет собой функцию преобразования, такого как тождество, степень или логарифм. Функция распределения имеет отношение к компоненту погрешности. В GLM погрешности имеют нормальное распределение. При GLZ погрешности могут быть заданы как нормальные, или из одного из экспоненциальных семейств распределений. Некоторые примеры включают в себя распределение Пуассона, биномиальное, гамма, или обратное распределение Гаусса. Благодаря функции связи и функции распределения, этот тип подхода в моделировании может быть назван как «нелинейный» тип моделирования.The "linear regression" used in the present invention may include a "generalized linear model" (GLZ). The GLZ approach has two key features that distinguish it from the GLM method (general linear model). It includes a communication function and a distribution function. The communication function is a transformation function, such as identity, degree, or logarithm. The distribution function is related to the error component. In GLM, errors have a normal distribution. With GLZ, errors can be specified as normal, or from one of the exponential distribution families. Some examples include the Poisson distribution, binomial, gamma, or the inverse Gaussian distribution. Due to the communication function and the distribution function, this type of approach in modeling can be called as a “non-linear” type of modeling.

«Логистическая регрессия» представляет собой уникальный подход в моделировании для переменных отклика бинарного, или дихотомического, типа. Логистическая регрессия может быть применена к задачам, которые имеют решение типа «прошел/не прошел» {вероятности 0, 1}. Два уникальных признака для модели логистической регрессии включают в себя: условное среднее уравнения регрессии должно быть сформулировано ограниченным между 0 и 1; и биномиальное распределение описывает распределение погрешностей. Прогнозируемое значение для логистической модели может быть выражено как логарифмы отношения вероятностей наступления и ненаступления события, или вероятности в режиме «прошел/не прошел» для специфичного набора условий независимых (х) переменных.“Logistic regression” is a unique modeling approach for response variables of a binary, or dichotomous, type. Logistic regression can be applied to problems that have a pass / fail solution {probabilities 0, 1}. Two unique features for the logistic regression model include: the conditional average of the regression equation should be formulated limited between 0 and 1; and the binomial distribution describes the error distribution. The predicted value for the logistic model can be expressed as the logarithms of the ratio of the probabilities of occurrence and non-occurrence of an event, or probability in the “pass / fail” mode for a specific set of conditions of independent (x) variables.

В случае анализа использованного смазочного материала (или масла), модели логистической регрессии могут быть применены для прогнозирования вероятности того, что будет превышен критический порог для параметра использованного смазочного материала. Если высока прогнозированная вероятность того, что будет превышен критический параметр срока службы смазочного материала, то будет сделан вывод, что интервал между заменами смазочного материала расширять не следует.In the case of analysis of the used lubricant (or oil), logistic regression models can be used to predict the likelihood that the critical threshold for the parameter of the used lubricant will be exceeded. If the predicted probability is high that the critical parameter of the life of the lubricant will be exceeded, then it will be concluded that the interval between lubricant changes should not be extended.

Другие способы моделирования, такие как методы Частных Наименьших Квадратов и Регрессия Основных Компонентов, также могут быть привлечены для прогнозирования/предсказания значения для параметра или комплекта критических параметров использованного смазочного материала. В альтернативном варианте, также может быть использован дискриминантный анализ для идентификации переменных/атрибутов, которые разделяют характеристики использованного смазочного материала на две различных группы. Первая и вторая группы в дискриминантном анализе соответствуют таким условиям, которые могут или не могут вести к расширению интервала между заменами смазочного материала.Other modeling methods, such as Private Least Square Methods and Core Component Regression, can also be used to predict / predict the value for a parameter or set of critical parameters of the lubricant used. Alternatively, discriminant analysis can also be used to identify variables / attributes that divide the characteristics of the lubricant used into two different groups. The first and second groups in the discriminant analysis correspond to those conditions that may or may not lead to an extension of the interval between lubricant changes.

«Нейронная сеть» может представлять собой эффективный нелинейный и свободный от допущений тип подхода к моделированию. Две общих архитектуры нейронных сетей включают в себя, например, многослойный персептрон (MLP) и радиальную базисную функцию (RBF). Выходной слой RBF-сети представляет собой функцию весов сети, радиальных расстояний и сигма-параметра ширины. Выходной нейрон MPL основан на взвешенной сумме входов и функцииA “neural network” can be an effective non-linear and assumption-free type of modeling approach. Two common neural network architectures include, for example, multilayer perceptron (MLP) and radial basis function (RBF). The output layer of the RBF network is a function of the network weights, radial distances and sigma-width parameter. MPL output neuron is based on a weighted sum of inputs and function

активации. Общим типом формы функции активации является сигмоида.activation. A common type of activation function form is the sigmoid.

Нейронная сеть (NN) «Радиальная Базисная Функция»; Нейронная сеть (NN) «Многослойный Персептрон»Neural Network (NN) “Radial Basis Function”; Neural Network (NN) "Multilayer Perceptron"

Переменные х₁....x_d представляют предикторные переменные, W₁...W_d (или dM) и W₁₁...W_M1 представляют взвешенные значения, и «y» представляет выходное значение.The variables x ₁ .... x _d represent predictor variables, W ₁ ... W _d (or dM) and W ₁₁ ... W _M1 represent weighted values, and "y" represents the output value.

Данные параметра (y) отклика могут быть линейными или нелинейными относительно предикторных (х) переменных. Как показано в графике TBN (общего щелочного числа) в Фиг. 11 для машины «локомотивная секция 2248», взаимосвязь между предиктором (х), сроком активной работы масла в машине и параметром (у) отклика TBN соответствует тенденции нелинейного снижения. В этом примере может быть преимущественным использование полиномиального выражения более высокого порядка, нейронной сети (NN), натурально-логарифмического преобразования дней активной работы масла в машине для лучшего охарактеризования основополагающей взаимосвязи между TBN и сроком активной работы масла в машине.The response parameter (y) data may be linear or non-linear with respect to the predictor (x) variables. As shown in the graph of TBN (total base number) in FIG. 11 for the machine “locomotive section 2248”, the relationship between the predictor (x), the period of active oil operation in the machine and the parameter (y) of the TBN response corresponds to the trend of non-linear decrease. In this example, it may be preferable to use a higher-order polynomial expression, a neural network (NN), the natural-logarithmic conversion of days of active oil operation in a machine to better characterize the fundamental relationship between TBN and the period of active oil operation in a machine.

На Фиг. 9 взаимосвязь между параметром (у) отклика и сроком активной работы масла в машине может быть линейной. Как показано в графике для Fe (железа) для машины «Локомотивная Секция 2248», взаимосвязь между предиктором (х), сроком активной работы масла в машине и параметром (у) отклика Fe (железа) склонна проявлять тенденцию линейного возрастания. По существу, эта характеристика может быть выражена линейной полиномиальной функцией.In FIG. 9, the relationship between the response parameter (s) and the active life of the oil in the machine can be linear. As shown in the graph for Fe (iron) for the Locomotive Section 2248 machine, the relationship between the predictor (x), the life of the oil in the machine and the response parameter (y) of Fe (iron) tends to exhibit a linear increase. Essentially, this characteristic can be expressed by a linear polynomial function.

«База данных», применяемая в настоящем изобретении, означает сочетание программного обеспечения и/или аппаратуры, включающее в себя по меньшей мере одну прикладную программу и/или по меньшей мере один компьютер. База данных может включать в себя структурированную совокупность записей или данных, систематизированных согласно модели базы данных, например, такой, но не ограничивающейся таковыми, как по меньшей мере одна из реляционной модели, иерархической модели, сетевой модели, или тому подобной. База данных может включать в себя прикладную программу системы управления базами данных (DBMS), как это известно в технологии. По меньшей мере одна прикладная программа может включать в себя, не ограничиваясь, например, прикладную программу, которая может принимать запросы на соединения для обслуживания запросов от клиентов, посылая обратно клиентам ответные сигналы. База данных может быть выполнена с возможностью исполнения по меньшей мере одной прикладной программы, часто при высоких рабочих нагрузках, действуя автоматически без обслуживания, в течение длительных периодов времени с минимальным вмешательством человека.“Database” used in the present invention means a combination of software and / or hardware, including at least one application program and / or at least one computer. A database may include a structured set of records or data systematized according to a database model, for example, but not limited to at least one of the relational model, hierarchical model, network model, or the like. The database may include a database management system (DBMS) application, as is known in the technology. At least one application program may include, but is not limited to, for example, an application program that can receive connection requests to service requests from clients, sending response signals back to clients. The database can be configured to execute at least one application program, often at high workloads, acting automatically without maintenance, for long periods of time with minimal human intervention.

«Канал связи», применяемый в настоящем изобретении, означает проводную и/или беспроводную среду, которая передает данные или информацию между по меньшей мере двумя пунктами. Проводная или беспроводная среда может включать в себя, например, линию связи из металлического проводника, радиочастотный (RF) канал связи, инфракрасный (IR) канал связи, оптический канал связи, или тому подобный, без ограничения. Радиочастотный (RF) канал связи может включать в себя, например, стандарты сотовой связи WiFi, WiMAX, IEEE 802.11, DECT, 0G, 1G, 2G, 3G или 4G, Bluetooth, и тому подобные.“Communication channel” used in the present invention means a wired and / or wireless medium that transmits data or information between at least two points. A wired or wireless medium may include, for example, a metal conductor communication line, a radio frequency (RF) communication channel, an infrared (IR) communication channel, an optical communication channel, or the like, without limitation. A radio frequency (RF) communication channel may include, for example, cellular standards for WiFi, WiMAX, IEEE 802.11, DECT, 0G, 1G, 2G, 3G or 4G, Bluetooth, and the like.

«Сеть», используемая в настоящем изобретении, означает, но не ограничиваются таковыми, например, по меньшей мере одно из локальной сети (LAN), региональной сети (WAN), муниципальной сети (MAN), персональной сети (PAN), кампусной сети, корпоративной сети, глобальной сети (GAN), широкополосной сети (BAN), сети сотовой связи, Интернета, или тому подобных, или любого сочетания из вышеуказанного, любая из которых может быть выполнена с возможностью обмена данными через беспроводную и/или проводную коммуникационную среду. В этих сетях могут использоваться разнообразные протоколы, не ограниченные такими, как TCP/IP, IRC или HTTP."Network" used in the present invention means, but is not limited to, for example, at least one of a local area network (LAN), a regional network (WAN), a municipal network (MAN), a personal area network (PAN), a campus network, corporate network, wide area network (GAN), broadband network (BAN), cellular network, Internet, or the like, or any combination of the above, any of which can be configured to exchange data via a wireless and / or wired communication medium. These networks can use a variety of protocols, not limited to such as TCP / IP, IRC, or HTTP.

Термины «включающий в себя», «содержащий» и их вариации, используемые в настоящем изобретении, означают «включающий в себя, но не ограничивающийся таковым», если явным образом не указано иное.The terms “including,” “comprising,” and variations thereof used in the present invention mean “including, but not limited to,” unless expressly stated otherwise.

Неопределенные и определенные артикли, применяемые в настоящем изобретении, означают «один или более», если явным образом не указано иное.The indefinite and definite articles used in the present invention mean “one or more” unless explicitly stated otherwise.

Устройства, связанные друг с другом, не нуждаются в непрерывном сообщении между собой, если явным образом не указано иное. В дополнение, устройства, которые находятся в сообщении друг с другом, могут сообщаться непосредственно или косвенно через один или более посредников.Devices connected to each other do not need continuous communication between themselves, unless explicitly stated otherwise. In addition, devices that are in communication with each other can communicate directly or indirectly through one or more intermediaries.

Хотя технологические этапы, методические этапы, алгоритмы или тому подобные, могут быть описаны в последовательном порядке, такие процессы, методы и алгоритмы могут быть выполнены с возможностью работы в чередующихся режимах. Другими словами, любая последовательность или порядок этапов, которые могут быть описаны, не обязательно означают требование, что этапы должны быть выполнены в этом порядке. Описанные здесь этапы процессов, методов и алгоритмов могут быть выполнены практически в любом порядке. Кроме того, некоторые этапы могут быть выполнены одновременно.Although the technological steps, methodological steps, algorithms or the like can be described in sequential order, such processes, methods and algorithms can be performed with the possibility of working in alternating modes. In other words, any sequence or order of steps that can be described does not necessarily mean that the steps must be performed in that order. The stages of processes, methods and algorithms described here can be performed in almost any order. In addition, some steps can be performed simultaneously.

Когда здесь описано единичное устройство или изделие, будет без труда понятно, что вместо единичного устройства или изделия может быть использовано более чем одно устройство или изделие. Подобным образом, где здесь описано более чем одно устройство или изделие, будет легко понятно, что вместо более чем одного устройства или изделия может быть применено единичное устройство или изделие. Функциональное назначение или признаки устройства могут быть альтернативно исполнены одним или более другими устройствами, которые не описаны явно как имеющие такие функциональное назначение или признаки.When a unit device or article is described herein, it will be readily understood that more than one device or article can be used in place of a unit device or article. Similarly, where more than one device or article is described herein, it will be readily understood that instead of more than one device or article, a single device or article can be used. The functionality or features of the device may alternatively be performed by one or more other devices that are not explicitly described as having such functionality or features.

«Машиночитаемый носитель информации», используемый в настоящем изобретении, означает любой носитель, который участвует в представлении данных (например, команд), которые могут быть считаны компьютером. Такой носитель может принимать многие формы, в том числе энергонезависимые запоминающие среды, энергозависимые запоминающие среды, и передающие среды. Энергонезависимые запоминающие среды могут включать в себя, например, оптические или магнитные диски и другие постоянные устройства памяти. Энергозависимые запоминающие среды могут включать в себя динамическое запоминающее устройство с произвольной выборкой (DRAM). Передающие среды могут включать в себя коаксиальные кабели, медные провода, и оптоволоконные кабели, в том числе провода, которые включают в себя системную шину, связанную с процессором. Передающие среды могут включать в себя или проводить акустические волны, световые волны и электромагнитные излучения, такие как формируемые при радиочастотных (RF) и инфракрасных (IR) обменах данными. Общеупотребительные формы машиночитаемых носителей информации включают в себя, например, гибкий диск, гибкую дискету, жесткий диск, магнитную ленту, любой другой магнитный носитель, CD-ROM, DVD, любой другой оптический носитель, перфокарты, бумажную ленту, любой другой физический носитель с комбинациями перфораций, RAM (оперативное запоминающее устройство), PROM (программируемое постоянное запоминающее устройство), EPROM (стираемое программируемое постоянное запоминающее устройство, СППЗУ), FLASH-EEPROM (флэш-СППЗУ), любую другую микросхему памяти или картридж, несущую волну, как описываемую ниже, или любой другой носитель, с которого компьютер может считывать информацию. Машиночитаемый носитель информации может включать в себя «облако», которое включает в себя распределение файлов среди множества (например, тысяч) устройств кэш-памяти на множестве (например, тысячах) компьютеров."Computer-readable storage medium" used in the present invention means any medium that is involved in the presentation of data (eg, instructions) that can be read by a computer. Such a medium can take many forms, including non-volatile storage media, volatile storage media, and transmission media. Non-volatile storage media may include, for example, optical or magnetic disks and other permanent memory devices. Volatile storage media may include random access memory (DRAM). Transmission media may include coaxial cables, copper wires, and fiber optic cables, including wires that include a system bus coupled to the processor. Transmission media may include or conduct acoustic waves, light waves, and electromagnetic radiation, such as those generated by radio frequency (RF) and infrared (IR) data exchanges. Common forms of computer-readable media include, for example, a floppy disk, floppy disk, hard disk, magnetic tape, any other magnetic medium, CD-ROM, DVD, any other optical medium, punch cards, paper tape, any other physical medium with combinations perforations, RAM (random access memory), PROM (programmable read-only memory), EPROM (erasable programmable read-only memory, EPROM), FLASH-EEPROM (flash EPROM), any other memory chip or card a cartridge carrying a wave, as described below, or any other medium from which a computer can read information. A computer-readable storage medium may include a “cloud” that includes distributing files among a plurality (eg, thousands) of cache devices on a plurality (eg, thousands) of computers.

В передачу последовательностей команд на компьютер могут быть вовлечены разнообразные формы машиночитаемых носителей информации. Например, последовательности команд (i) могут быть переданы на процессор с RAM, (ii) могут быть переданы по беспроводной передающей среде, и/или (iii) могут быть форматированы согласно многообразным форматам, стандартам или протоколам, включающим в себя, например, стандарты сотовой связи WiFi, WiMAX, IEEE 802.11, DECT, 0G, 1G, 2G, 3G или 4G, Bluetooth, или тому подобные.Various forms of computer-readable storage media may be involved in transmitting sequences of instructions to a computer. For example, a sequence of instructions (i) may be transmitted to a processor with RAM, (ii) may be transmitted over a wireless transmission medium, and / or (iii) may be formatted according to a variety of formats, standards, or protocols including, for example, standards WiFi, WiMAX, IEEE 802.11, DECT, 0G, 1G, 2G, 3G or 4G, Bluetooth, or the like.

Фиг. 1А показывает пример системы 100, которая определяет пригодность к применению смазочного материала и срок, когда заменять смазочный материал, например, в двигателе. Система 100 включает в себя анализатор 110, компьютер 120, сервер 130 и базу 140 данных, все из которых могут быть связаны через сеть 150 каналами 160 связи или непосредственно по каналам 160 связи. Анализатор 110 может быть размещен на (или в) двигателе, в двигательном отсеке транспортного средства, в здании, или тому подобном. Компьютер 120 может быть размещен, например, в местоположении клиента, например, таком как цех клиента, здание клиента, или тому подобном. Сервер 130 и/или база 140 данных могут быть размещены в местоположении поставщика продукта, например, такого как оптовый продавец или поставщик моторного смазочного материала, розничный продавец моторного смазочного материала, или тому подобного.FIG. 1A shows an example of a system 100 that determines the suitability for use of a lubricant and the timing when to replace a lubricant, for example, in an engine. System 100 includes an analyzer 110, a computer 120, a server 130, and a database 140 of data, all of which can be connected through a network 150 by communication channels 160 or directly via communication channels 160. The analyzer 110 may be located on (or in) the engine, in the engine compartment of a vehicle, in a building, or the like. Computer 120 may be located, for example, at a client’s location, such as, for example, a customer’s workshop, customer’s building, or the like. The server 130 and / or the database 140 may be located at a location of a product supplier, for example, such as a wholesaler or supplier of motor lubricant, a retailer of motor lubricant, or the like.

Анализатор 110 может включать в себя, например, спектральный анализатор, анализатор вязкости, анализатор кислоты, анализатор твердых компонентов, анализатор температуры вспышки, анализатор степени окисления, анализатор степени нитрования, и тому подобные. Анализатор 110 выполнен с возможностью принятия образца моторного смазочного материала, который был отобран из конкретного двигателя, и проведения анализа образца для идентификации и измерения одного или более аналитических параметров. Например, спектральный анализатор 110 может выполнять спектральный анализ образца смазочного материала для определения уровней (например, в частях на миллион (млн^-1)) аналитических параметров. Аналитические параметры (AP) могут включать в себя, например, металлические частицы износа, загрязняющие примеси, добавки и тому подобные, которые могут присутствовать в смазочном материале. Аналитические параметры также могут включать индикацию и концентрацию охлаждающей жидкости двигателя в смазочном материале. Спектральный анализатор может включать, например, эмиссионный спектрометр по технологии Rotrode (с вращающимся дисковым электродом), спектрометр с индуктивно-связанной плазмой, или тому подобный. Металлические частицы износа, которые могут быть идентифицированы и измерены, включают в себя, например, алюминий, сурьму, хром, медь, железо, свинец, никель, серебро, олово, титан, цинк, и тому подобные. Добавки, которые могут быть идентифицированы и измерены, включают в себя, например, сурьму, бор, кальций, медь, магний, молибден, фосфор, калий, кремний, натрий, цинк, и тому подобные. Загрязняющие примеси, которые могут быть идентифицированы и измерены, включают в себя, например, цинк, бор, калий, кремний, натрий, сажу, воду, топливо, шлам, нерастворимые компоненты, и тому подобные. Анализаторы степени окисления и нитрования могут давать информацию относительно разложения смазочного материала по измерениям окисления и нитрования, соответственно.The analyzer 110 may include, for example, a spectral analyzer, a viscosity analyzer, an acid analyzer, a solid analyzer, a flash point analyzer, an oxidation state analyzer, a nitration state analyzer, and the like. The analyzer 110 is configured to take a sample of motor lubricant that has been selected from a particular engine, and conduct sample analysis to identify and measure one or more analytical parameters. For example, the spectral analyzer 110 can perform a spectral analysis of a sample of lubricant to determine the levels (e.g., in parts per million ^(-1)) analytic parameters. Analytical parameters (AP) may include, for example, metal wear particles, contaminants, additives and the like that may be present in the lubricant. Analytical parameters may also include an indication and concentration of engine coolant in the lubricant. A spectral analyzer may include, for example, a Rotrode emission spectrometer (with a rotating disk electrode), an inductively coupled plasma spectrometer, or the like. Metal wear particles that can be identified and measured include, for example, aluminum, antimony, chromium, copper, iron, lead, nickel, silver, tin, titanium, zinc, and the like. Additives that can be identified and measured include, for example, antimony, boron, calcium, copper, magnesium, molybdenum, phosphorus, potassium, silicon, sodium, zinc, and the like. Contaminants that can be identified and measured include, for example, zinc, boron, potassium, silicon, sodium, soot, water, fuel, sludge, insoluble components, and the like. Oxidation and nitration analyzers can provide information on the degradation of a lubricant from oxidation and nitration measurements, respectively.

Анализатор вязкости может включать в себя, например, вискозиметр, который выполняет анализ вязкости для определения степени эффективной вязкости смазочного материала. Анализатор вязкости может измерять смазочный материал при температуре, например, -35°С, -20°С, 0°С, 40°С, 100°С, или любой другой температуре, как это известно в технологии. Анализатор вязкости может измерять эффективную вязкость смазочного материала, например, измерением времени, которое смазочный материал расходует на протекание между двумя датчиками, которые размещены на трубопроводе (например, стеклянной трубке, или тому подобной), которую поддерживают при постоянной температуре. Альтернативно (или дополнительно), анализатор вязкости может измерять, например, вязкость при высокой температуре, при высокой сдвиговой нагрузке, динамическую вязкость, кинематическую вязкость, и тому подобные.The viscosity analyzer may include, for example, a viscometer that performs a viscosity analysis to determine the degree of effective viscosity of the lubricant. The viscosity analyzer can measure the lubricant at a temperature, for example, -35 ° C, -20 ° C, 0 ° C, 40 ° C, 100 ° C, or any other temperature, as is known in the technology. The viscosity analyzer can measure the effective viscosity of the lubricant, for example, by measuring the time that the lubricant spends between two sensors that are placed on a pipe (for example, a glass tube, or the like) that is maintained at a constant temperature. Alternatively (or additionally), a viscosity analyzer can measure, for example, viscosity at high temperature, high shear, dynamic viscosity, kinematic viscosity, and the like.

Анализатор кислоты может измерять Общее Щелочное Число (TBN) смазочного материала, например, смешением смазочного материала с разбавителем и титрованием смеси, например, раствором соляной кислоты (HCl) в спирте до нейтрализации всех щелочных компонентов, которые присутствуют в смазочном материале. Анализатор кислоты дополнительно (или альтернативно) может измерять Общее Кислотное Число (TAN) смазочного материала. В этом отношении анализатор кислоты может, например, смешивать моторный смазочный материал с разбавителем, и затем титровать смесь, например, раствором гидроксида калия (КОН) в спирте, пока все кислоты, присутствующие в моторном смазочном материале, не будут нейтрализованы. Результаты измерения TAN или TBN могут быть выражены в миллиграммах, например, KOH или HCl, на грамм моторного смазочного материала.An acid analyzer can measure the Total Base Number (TBN) of a lubricant, for example, by mixing the lubricant with a diluent and titrating the mixture with, for example, a solution of hydrochloric acid (HCl) in alcohol to neutralize all alkaline components that are present in the lubricant. An acid analyzer can additionally (or alternatively) measure the Total Acid Number (TAN) of the lubricant. In this regard, the acid analyzer can, for example, mix the motor lubricant with a diluent, and then titrate the mixture with, for example, a solution of potassium hydroxide (KOH) in alcohol until all acids present in the motor lubricant are neutralized. TAN or TBN measurements can be expressed in milligrams, for example, KOH or HCl, per gram of motor lubricant.

Анализатор твердых компонентов может выполнять анализ твердых веществ в смазочном материале для идентификации дисперсных твердых компонентов и концентрации твердых компонентов в смазочном материале. Анализатор твердых компонентов может включать в себя, например, лазерный счетчик частиц, инфракрасный анализатор, или тому подобный, который обнаруживает и измеряет концентрацию частиц в образце смазочного материала.The solids analyzer can analyze solids in a lubricant to identify particulate solids and the concentration of solids in a lubricant. The solid component analyzer may include, for example, a laser particle counter, an infrared analyzer, or the like, which detects and measures the concentration of particles in a lubricant sample.

Анализатор температуры вспышки может анализировать смазочный материал для определения температуры, при которой воспламеняются пары из смазочного материала. Например, анализатор температуры вспышки может медленно нагревать образец смазочного материала, проводя точные измерения температуры образца. Когда испаренные газы воспламеняются или становятся способными воспламениться, температура образца может быть зарегистрирована как температура точки вспышки образца конкретного смазочного материала.The flash point analyzer can analyze the lubricant to determine the temperature at which the vapor from the lubricant ignites. For example, a flash temperature analyzer can slowly heat a sample of a lubricant by making accurate measurements of the temperature of the sample. When vaporized gases ignite or become ignitable, the temperature of the sample can be recorded as the flash point of the sample of a particular lubricant.

Анализатор 110 может включать в себя приемопередатчик (не показан), который выполнен с возможностью передачи и приема данных и команд по каналу 160 связи. Например, анализатор 110 может быть выполнен с возможностью передачи данных от двигателя или из двигательного отсека транспортного средства на компьютер 120 клиента и/или сервер 130, или в базу 140 данных. Анализатор 110 может быть выполнен с возможностью непосредственного отбора образца моторного смазочного материала в двигателе и представления аналитических данных по существу в режиме реального времени, которые может посылать на компьютер 120 клиента и/или сервер 130 (или в базу 140 данных).The analyzer 110 may include a transceiver (not shown), which is configured to transmit and receive data and commands on the communication channel 160. For example, analyzer 110 may be configured to transmit data from the engine or from the engine compartment of the vehicle to client computer 120 and / or server 130, or to database 140. The analyzer 110 can be configured to directly take a sample of the motor lubricant in the engine and present the analytical data substantially in real time, which can be sent to the client computer 120 and / or server 130 (or to the database 140).

В альтернативном варианте, анализатор 110 может быть размещен в отдаленной лаборатории, где образцы (например, 4oz, 8oz, или подобные) моторного смазочного материала могут быть получены лабораторией для испытания через курьера, по почте, или подобным путем. Результаты анализа могут быть посланы анализатором 110 на компьютер 120 клиента и/или сервер 130 по каналу 160 связи. Например, после того, как образец моторного смазочного материала был проанализирован анализатором 110, результаты анализа моторного смазочного материала могут быть направлены в базу 140 данных, где результаты могут быть присоединены и сохранены, например, в записи (или файле) базы данных, которая связана с конкретным двигателем, конкретным типом двигателя, конкретным транспортным средством, конкретным изготовителем двигателя, конкретным изготовителем транспортного средства, конкретным субъектом (например, лицом, компанией, организацией, или тому подобным), и так далее. Запись в базе данных может включать в себя статистическую информацию, включающую в себя результаты прошлых анализов смазочного материала для связанного с этим двигателя и/или транспортного средства. Следует отметить, что база 140 данных может быть размещена внутри сервера 130.Alternatively, the analyzer 110 may be located in a remote laboratory where samples (e.g., 4oz, 8oz, or the like) of motor lubricant may be obtained by the laboratory for testing via courier, mail, or the like. The results of the analysis can be sent by the analyzer 110 to the client computer 120 and / or server 130 via the communication channel 160. For example, after a sample of the motor lubricant has been analyzed by the analyzer 110, the results of the analysis of the motor lubricant can be sent to a database 140, where the results can be attached and stored, for example, in a database record (or file) that is associated with a specific engine, a specific type of engine, a specific vehicle, a specific engine manufacturer, a specific vehicle manufacturer, a specific entity (e.g., person, company, organization, Whether the like), and so on. The entry in the database may include statistical information including the results of past analyzes of the lubricant for the associated engine and / or vehicle. It should be noted that the database 140 may be located inside the server 130.

Фиг. 1В показывает изображение модуля 170 определения, который может быть включен в сервер 130 для исполнения одного аспекта изобретения. Модуль 170 определения может включать в себя программное обеспечение и/или аппаратуру. Модуль 170 определения может включать в себя центральный процессор (CPU) и блок памяти. Модуль 170 определения выполнен с возможностью приема измеренного значения аналитического параметра AP и сравнения его с пороговым значением AP_TH аналитического параметра. Модуль 170 определения определяет интервал (LDI) между заменами (или сливами) смазочного материала, основанный на сравнении измеренного значения аналитического параметра AP с пороговым значением AP_TH аналитического параметра. Модуль 170 определения может выдавать выходной результат, который показывает, может ли быть продлен интервал LDI или нет, или же он должен быть сокращен.FIG. 1B shows an image of a determination module 170 that can be included in a server 130 to execute one aspect of the invention. The determination module 170 may include software and / or hardware. The determination unit 170 may include a central processing unit (CPU) and a memory unit. The determination module 170 is configured to receive the measured value of the analytical parameter AP and compare it with a threshold value AP _{TH of the} analytical parameter. The determination unit 170 determines the interval (LDI) between lubricant changes (or drains) based on comparing the measured value of the analytical parameter AP with the threshold value AP _{TH of the} analytical parameter. The determination unit 170 may provide an output that indicates whether the LDI interval can be extended or not, or whether it should be shortened.

Согласно одному варианту осуществления изобретения, модуль 170 определения выполнен с возможностью приема каждого из множества измеренных значений AP₁,..., AP_n аналитического параметра, и сравнения его с пороговым значением AP_TH аналитического параметра для конкретного аналитического параметра конкретного двигателя, где значения AP₁,..., AP_n аналитического параметра включают в себя измеренные уровни содержания или концентрации конкретного аналитического параметра AP в «n» образцах моторного смазочного материала, которые были отобраны на протяжении «n» отдельных дат, где «n» представляет положительное целое число, которое является большим или равным 1. Модуль 170 определения может включать в себя искусственный интеллект, например, такой как нейронная сеть, нечеткая логика, или тому подобное, который выполняет линейную регрессию, нелинейную регрессию, логистическую регрессию, или тому подобное, на множестве значений AP₁,..., AP_n аналитического параметра для каждого аналитического параметра. Модуль 170 определения может выполнять, например, методологии типа «если..., то...» для прогнозирования будущих значений AP. Например, модуль 170 определения может определять интервал LDI для данного двигателя путем определения, если значение AP(сажа) >45 на 150-ый день, то модуль 170 определения может прогнозировать, что критическое значение сажи будет превышено на 276-ой день; или, если AP(VIS100C) >16,5, и AP(TAN) >3,8 на 150-ый день, то критические значения для TAN или VIS100C будут превышены, тем самым делая необходимым установление интервала LDI на момент раньше, чем 276 дней, например, такой, как 184 дня. Модуль 170 определения выполнен с возможностью отслеживания и прогнозирования, когда значение AP (например, уровень содержания, концентрация, или тому подобное) аналитического параметра с высокой вероятностью превысит соотнесенное пороговое значение AP_TH, с использованием линейной регрессии, нелинейной регрессии, логистической регрессии, или тому подобного.According to one embodiment of the invention, the determination module 170 is configured to receive each of a plurality of measured values AP ₁ , ..., AP _{n of the} analytic parameter and compare it with a threshold value AP _{TH of the} analytic parameter for a particular analytic parameter of a particular engine, where AP values _1, ..., AP _n analytical parameter include measuring levels of a particular concentration or analytical parameter AP in «n» samples engine lubricant, which have been selected for the pro ении n ’of individual dates, where n n’ is a positive integer that is greater than or equal to 1. Definition module 170 may include artificial intelligence, such as a neural network, fuzzy logic, or the like, which performs linear regression, nonlinear regression, logistic regression, or the like, on the set of values AP ₁ , ..., AP _{n of the} analytical parameter for each analytical parameter. The determination module 170 may perform, for example, “if ... then ...” methodologies to predict future AP values. For example, determination module 170 may determine the LDI interval for a given engine by determining if the AP (carbon black) value is> 45 on day 150, then determination module 170 can predict that the critical value of soot will be exceeded on day 276; or, if AP (VIS100C)> 16.5, and AP (TAN)> 3.8 on the 150th day, then the critical values for TAN or VIS100C will be exceeded, thereby making it necessary to establish the LDI interval at a time earlier than 276 days, such as 184 days. The determination module 170 is configured to track and predict when the AP value (e.g., content level, concentration, or the like) of the analytic parameter is likely to exceed the associated AP _TH threshold value using linear regression, non-linear regression, logistic regression, or the like like that.

Модуль 170 определения выполнен с возможностью повторения процесса для «m» различных аналитических параметров, где «m» является равным или большим 1 и где «m» соответствует числу различных аналитических параметров, которые идентифицированы и измерены в «n» образцах моторного смазочного материала, которые отобраны из конкретного двигателя и проанализированы для него. То есть модуль 170 определения выполняет, например, линейную регрессию для каждого из значений AP(1)₁,..., AP(1)_n,..., AP(m)₁,..., AP(m)_n, в то же время сравнивая каждое из значений AP(1)₁,..., AP(1)_n,..., AP(m)₁,..., AP(m)_n с соответствующими пороговыми значениями AP(1)_TH... AP(m)_TH. Как отмечено ранее, значение AP аналитического параметра может включать в себя, например, уровень содержания, количество, концентрацию, или тому подобное, металлических частиц износа, добавки, загрязняющей примеси, или тому подобного, в образце моторного смазочного материала. Модуль 170 определения прогнозирует возникновение (например, момент времени, день, дату, или тому подобное), когда будущее значение AP_n+1 аналитического параметра предположительно превысит (или снизится ниже) соотнесенное пороговое значение AP_TH для соотнесенного аналитического параметра. Модуль 170 определения затем может установить интервал LDI на основе прогнозированного наступления события. Например, модуль 170 определения может установить интервал LDI на дату, которая является значительно более ранней, или непосредственно предшествует той, когда ожидается, что будущее значение AP_n+1 превысит (или снизится ниже) соотнесенное пороговое значение AP_TH.The determination module 170 is configured to repeat the process for “m” of various analytical parameters, where “m” is equal to or greater than 1 and where “m” corresponds to the number of different analytical parameters that are identified and measured in “n” samples of motor lubricant that selected from a specific engine and analyzed for it. That is, the determination module 170 performs, for example, linear regression for each of the values AP (1) ₁ , ..., AP (1) _n , ..., AP (m) ₁ , ..., AP (m) _n , at the same time comparing each of the values of AP (1) ₁ , ..., AP (1) _n , ..., AP (m) ₁ , ..., AP (m) _n with the corresponding threshold values AP ( 1) _TH ... AP (m) _TH . As noted previously, the AP value of the analytical parameter may include, for example, the level of content, amount, concentration, or the like, of metal particles of wear, additives, contaminants, or the like, in a sample of motor lubricant. The determination unit 170 predicts the occurrence (for example, a point in time, day, date, or the like) when the future value _{of the} analytical parameter AP _{n + 1 is} expected to exceed (or decrease below) the associated threshold value AP _TH for the related analytical parameter. The determining module 170 may then determine the LDI interval based on the predicted occurrence of the event. For example, determination module 170 may set the LDI interval to a date that is much earlier or immediately precedes that when the future value of AP _{n + 1 is} expected to exceed (or decrease below) the associated threshold value AP _TH .

Модуль 170 определения может быть выполнен с возможностью выполнения различных методологий прогнозирования для различных аналитических параметров. Например, модуль 170 определения может выполнять линейную экстраполяцию для прогнозирования будущих значений для железа или сажи, но исполнять логарифмическую экстраполяцию (нелинейное прогнозирование) для предсказания будущих значений для свинца.The determination module 170 may be configured to perform various forecasting methodologies for various analytical parameters. For example, determination module 170 may perform linear extrapolation to predict future values for iron or carbon black, but perform logarithmic extrapolation (non-linear forecasting) to predict future values for lead.

Фиг. 2 показывает пример процесса 200 анализа смазочного материала для выполнения анализа образца моторного смазочного материала. Со ссылкой на Фиг. 1 и 2, процесс 200 начинают, когда образец моторного смазочного материала поступает в анализатор 110 от источника (этап 210). Источник может включать в себя, например, двигатель, конкретного человека, компанию (например, железнодорожную компанию, автотранспортную компанию, судоходную компанию, фирму по прокату автомобилей или тому подобное), организацию (например, школу, больницу или тому подобное), ведомство (например, правительственное ведомство или тому подобное) или тому подобные. В ситуации, где анализатор 110 (показанный в Фиг. 1А) размещен на (или в) двигателе, или в двигательном отсеке вблизи двигателя, источник может представлять собой сам двигатель, и анализатор 110 может быть размещен, например, в проточном канале системы смазки, между двигателем и наружным фильтром для смазочного материала (например, масляным фильтром двигателя), или наружным устройством для охлаждения смазочного материала (например, масляным радиатором двигателя).FIG. 2 shows an example of a lubricant analysis process 200 for performing a sample analysis of a motor lubricant. With reference to FIG. 1 and 2, process 200 begins when a sample of motor lubricant enters the analyzer 110 from a source (step 210). The source may include, for example, an engine, a specific person, a company (e.g., a railway company, a trucking company, a shipping company, a car rental company, or the like), an organization (e.g., a school, hospital, or the like), an agency (e.g. , government department or the like) or the like. In a situation where the analyzer 110 (shown in Fig. 1A) is located on (or in) the engine, or in the engine compartment near the engine, the source can be the engine itself, and the analyzer 110 can be placed, for example, in the flow channel of the lubrication system, between the engine and an external lubricant filter (for example, an engine oil filter), or an external lubricant cooling device (for example, an engine oil cooler).

После того, как образец моторного смазочного материала получен (этап 210) от конкретного двигателя, образец смазочного материала может быть проанализирован анализатором 110 для идентификации и измерения типов и концентраций металлических частиц износа, добавок, загрязняющих примесей, и тому подобных, которые присутствуют в смазочном материале. Анализатор 110 может дополнительно измерять значения TBN, TAN, вязкости, температуры вспышки, и тому подобные, смазочного материала.After a motor lubricant sample has been obtained (step 210) from a particular engine, a lubricant sample can be analyzed by analyzer 110 to identify and measure the types and concentrations of metal wear particles, additives, contaminants, and the like that are present in the lubricant . The analyzer 110 may further measure the values of TBN, TAN, viscosity, flash point, and the like, of a lubricant.

Результаты анализа могут быть компилированы и преобразованы в аналитический отчет для анализированного образца моторного смазочного материала (этап 230). Аналитический отчет затем может быть направлен на компьютер 120 клиента и/или сервер 130 (этап 240). Отчет может быть послан в базу 140 данных, где отчет может быть включен в запись для конкретного двигателя и сохранен в ней. В альтернативном варианте, аналитический отчет может быть выведен на дисплей, например, на дисплей бортового компьютера (не показан) транспортного средства (этап 240). Отчет об анализе смазочного материала может включать в себя, например, необработанные данные, сведенные в таблицу данные, или тому подобные, для идентифицированных и измеренных аналитических параметров, включающих в себя, например, металлические частицы износа, добавки, загрязняющие примеси, TBN, TAN, вязкость, температуру вспышки, и тому подобные. Отчет об анализе смазочного материала может быть сформирован и представлен в форме, удобочитаемой для человека (например, распечатки, изображения на мониторе, аудиофайла, видеофайла, мультимедийного файла, или тому подобного), чтобы его мог считать человек, или отчет может быть представлен в машиночитаемом формате, чтобы отчет мог быть принят и обработан компьютером 120 клиента, сервером 130 и/или базой 140 данных, без вмешательства человека.The analysis results can be compiled and converted into an analytical report for the analyzed sample of motor lubricant (step 230). An analysis report can then be sent to client computer 120 and / or server 130 (step 240). The report can be sent to the database 140, where the report can be included in the record for a specific engine and stored in it. Alternatively, the analytical report may be displayed, for example, on the display of the on-board computer (not shown) of the vehicle (step 240). A lubricant analysis report may include, for example, raw data, tabulated data, or the like, for identified and measured analytical parameters including, for example, metal wear particles, additives, contaminants, TBN, TAN, viscosity, flash point, and the like. A lubricant analysis report can be generated and presented in a human-readable form (for example, printouts, a monitor image, audio file, video file, multimedia file, or the like) so that it can be read by a person, or the report can be presented in machine-readable format so that the report can be received and processed by client computer 120, server 130 and / or database 140, without human intervention.

Согласно одному аспекту изобретения, представлен машиночитаемый носитель информации, который содержит компьютерную программу, которая, будучи исполненной, например, анализатором 110, который может содержать компьютер (не показан), обеспечивает выполнение процесса 200 в Фиг. 2. Компьютерная программа может быть материально размещена на машиночитаемом носителе информации, который может содержать кодовый сегмент или секцию кода для каждого из этапов 210-240.According to one aspect of the invention, there is provided a computer-readable storage medium that comprises a computer program which, when executed, for example, by an analyzer 110, which may comprise a computer (not shown), enables the process 200 to be performed in FIG. 2. The computer program may be materially located on a computer-readable storage medium, which may comprise a code segment or code section for each of steps 210-240.

Фиг. 3 показывает пример процесса 300 определения интервала между заменами моторного смазочного материала, для определения пригодности к применению моторного смазочного материала и установления интервала между заменами моторного смазочного материала для конкретного двигателя.FIG. 3 shows an example of a process 300 for determining an interval between replacements of a motor lubricant, for determining suitability for use of a motor lubricant and establishing an interval between replacements of a motor lubricant for a particular engine.

Согласно одному варианту осуществления изобретения, процесс 300 может быть проведен на компьютере 120 клиента или на сервере 130. Результаты процесса 300 могут быть сохранены в базе 140 данных. В альтернативном варианте, согласно еще одному варианту осуществления изобретения, процесс 300 может быть проведен во всей своей полноте анализатором 110.According to one embodiment of the invention, process 300 may be conducted on client computer 120 or on server 130. The results of process 300 may be stored in database 140. Alternatively, according to another embodiment of the invention, process 300 may be carried out in its entirety by analyzer 110.

Со ссылкой на Фиг. 3, сначала характеристики двигателя и отчет об анализе смазочного материала поступают, например, на сервер 130 (или компьютер 120 клиента) для конкретного двигателя или конкретного транспортного средства (этап 310). Характеристики двигателя могут включать в себя, например, год, в котором двигатель был изготовлен, тип двигателя, изготовителя двигателя, рабочий объем двигателя, место производства двигателя, серийный номер двигателя, регистрационный номер транспортного средства, в котором установлен двигатель, и тому подобные. Отчет об анализе смазочного материала может быть получен, например, от анализатора 110 (этап 240 на Фиг. 2), и отчет может включать в себя значения аналитического параметра AP(1)_n,..., AP(m)_n.With reference to FIG. 3, first, engine characteristics and a lubricant analysis report are, for example, sent to server 130 (or client computer 120) for a specific engine or specific vehicle (step 310). Engine specifications may include, for example, the year in which the engine was manufactured, type of engine, engine manufacturer, engine displacement, engine location, engine serial number, registration number of the vehicle in which the engine is installed, and the like. A lubricant analysis report may be obtained, for example, from the analyzer 110 (step 240 in FIG. 2), and the report may include analytical parameter values AP (1) _n , ..., AP (m) _n .

Сервер 130 может запросить свое собственное внутреннее хранилище 135 данных (показанное на Фиг. 8) или базу 140 данных для определения, существует ли запись для конкретного двигателя, идентифицированного полученными характеристиками двигателя (этап 320). Если определено, что запись для конкретного двигателя существует («ДА» в стадии 320), то тогда идентифицированная запись извлекается из хранилища 135 (или 140) (этап 340). Извлеченная запись может включать в себя множество статистических значений для каждого из измеренных аналитических параметров, например, значения AP(1)₁,..., AP(1)_n-1,..., AP(m)₁,..., AP(m)_n-1.The server 130 may request its own internal data storage 135 (shown in FIG. 8) or a database 140 to determine if a record exists for a particular engine identified by the obtained engine characteristics (block 320). If it is determined that a record for a particular engine exists (“YES” in step 320), then the identified record is retrieved from storage 135 (or 140) (step 340). The extracted record may include many statistical values for each of the measured analytical parameters, for example, the values of AP (1) ₁ , ..., AP (1) _n-1 , ..., AP (m) ₁ , ... , AP (m) _n-1 .

Если определено, что запись для конкретного двигателя не существует («НЕТ» на этапе 320), то запись создается в локальном хранилище 135 данных (Фиг. 8) и/или в базе 140 данных (Фиг. 1А) (этап 330). Созданная запись может включать в себя множество полей для конкретного двигателя, включающих в себя, например, наименование клиента (например, железнодорожную компанию, автотранспортную компанию, судоходную компанию, или тому подобную), адрес клиента (например, электронный адрес, географический адрес, номер телефона, название места встречи, или тому подобные), год, в котором двигатель был изготовлен, тип двигателя, изготовителя двигателя, рабочий объем двигателя, место производства двигателя, серийный номер двигателя, дату последнего обслуживания двигателя, подробности последнего обслуживания, дату, когда двигатель был введен в эксплуатацию, число часов работы двигателя, число миль для двигателя, регистрационный номер транспортного средства, в котором установлен двигатель, и тому подобные. Поля записи могут быть заполнены данными, полученными в характеристиках двигателя (этап 310). Созданная запись может дополнительно включать в себя рекомендации изготовителя OEM (например, рекомендации 600, 700, показанные на Фиг. 6, 7, соответственно), производственные рекомендации, рекомендации торговой группы, рекомендации комитета стандартов, индивидуальные рекомендации, или тому подобные, которые могут включать в себя пороговые значения для одного или более аналитических параметров, AP_TH(1),..., AP_TH(m).If it is determined that the record for a particular engine does not exist (“NO” at step 320), then the record is created in the local data storage 135 (FIG. 8) and / or in the database 140 (FIG. 1A) (step 330). The created record can include many fields for a specific engine, including, for example, the name of the client (for example, a railway company, a trucking company, a shipping company, or the like), a client address (for example, email address, geographical address, phone number , name of the meeting place, or the like), the year in which the engine was manufactured, type of engine, engine manufacturer, engine displacement, engine location, engine serial number, date of last service cohabitation of the engine, details of the last service, the date the engine was put into operation, the number of hours the engine was running, the number of miles for the engine, the registration number of the vehicle in which the engine is installed, and the like. Record fields may be populated with data obtained in engine specifications (block 310). The created record may additionally include OEM recommendations (for example, recommendations 600, 700 shown in Fig. 6, 7, respectively), production recommendations, recommendations of the trading group, recommendations of the standards committee, individual recommendations, or the like, which may include threshold values for one or more analytical parameters, AP _TH (1), ..., AP _TH (m).

Полученные данные об образце смазочного материала могут быть обработаны сервером 130 (например, модуль 170 определения, показанным в Фиг. 1В), и значения аналитических параметров для конкретного двигателя, AP(1)_n,..., AP(m)_n, вместе с статистическими значениями, AP(1)₁,..., AP(1)_n-1,..., AP(m)₁,..., AP(m)_n-1, могут быть сравнены с соотнесенными пороговыми значениями AP_TH(1),..., AP_TH(m) аналитических параметров (этап 350). Далее, может быть определен интервал LDI между заменами смазочного материала выполнением регрессионного анализа на значениях AP(1)₁,..., AP(1)_n,..., AP(m)₁,..., AP(m)_n, для прогнозирования, когда величина будущих значений аналитического параметра AP(1)_n+1,..., AP(m)_n+1, превысит (или упадет ниже) соотнесенное пороговое значение AP_TH(1)... AP_TH(m) (этап 360). Интервал LDI может включать в себя, например, момент времени, день, число дней, дату, число часов эксплуатации двигателя, или тому подобное. Запись для конкретного двигателя может быть обновлена для включения информации об LDI и полученных значений AP(1)_n,..., AP(m)_n аналитических параметров, а также прогнозированных значений AP(1)_n+1,..., AP(m)_n+1 (этап 370). Сформированные данные LDI могут быть посланы на компьютер 120 клиента (или сервер 130), и/или в базу 140 данных (этап 380).The obtained data on a sample of lubricant can be processed by the server 130 (for example, the determination module 170 shown in Fig. 1B), and the values of the analytical parameters for a particular engine, AP (1) _n , ..., AP (m) _n , together with statistical values, AP (1) ₁ , ..., AP (1) _n-1 , ..., AP (m) ₁ , ..., AP (m) _n-1 , can be compared with related thresholds the values of AP _TH (1), ..., AP _TH (m) of the analytical parameters (step 350). Further, the LDI interval between lubricant changes can be determined by performing a regression analysis on the values of AP (1) ₁ , ..., AP (1) _n , ..., AP (m) ₁ , ..., AP (m) _n , to predict when the value of future values of the analytical parameter AP (1) _{n + 1} , ..., AP (m) _{n + 1} will exceed (or fall below) the associated threshold value AP _TH (1) ... AP _TH (m) (step 360). The LDI interval may include, for example, a point in time, day, number of days, date, number of hours of operation of the engine, or the like. The record for a specific engine can be updated to include information about the LDI and the obtained values of the AP (1) _n , ..., AP (m) _n analytical parameters, as well as the predicted values of AP (1) _{n + 1} , ..., AP (m) _{n + 1} (step 370). The generated LDI data may be sent to client computer 120 (or server 130) and / or to database 140 (step 380).

Согласно одному аспекту изобретения, представлен машиночитаемый носитель информации, который содержит компьютерную программу, которая, будучи исполняемой, например, сервером 130 (или компьютером 120), обеспечивает проведение процесса 300 в Фиг. 3. Компьютерная программа может быть материально размещена на машиночитаемом носителе информации, который может содержать кодовый сегмент или секцию кода для каждого из этапов 310-380.According to one aspect of the invention, there is provided a computer-readable storage medium that comprises a computer program which, being executed by, for example, server 130 (or computer 120), enables the process 300 to be carried out in FIG. 3. The computer program may be materially located on a computer-readable storage medium, which may contain a code segment or code section for each of steps 310-380.

Фиг. 4 показывает пример статистических данных 400, которые могут быть извлечены из базы 140 данных для конкретного двигателя (например, локомотивной секции 2248), где n=25, и m=1. В этом примере статистические данные могут включать в себя четыре колонки данных, включающих в себя: колонку «ОТОБРАНО», которая включает в себя даты, в которые образец смазочного материала был отобран из секции 2248; колонку «ТЕСТИРОВАНО», которая включает в себя соответствующие даты, в которые отобранные образцы смазочного материала были испытаны; колонку «СЕКЦИЯ», которая идентифицирует двигатель (например, секция 2248); и колонку аналитического параметра, которая идентифицирует конкретный аналитический параметр (Fe), частицы металлического железа от износа, и включает в себя «n» значений аналитического параметра, от самого раннего записанного значения, AP(1)₁=2 (млн^-1), до последнего записанного значения, AP(1)₂₅=4 (млн^-1). Как видно, значения в диапазоне AP(1)₁... AP(1)₂₅ варьируют от низкого 2 (млн^-1) до высокого 18 (млн^-1).FIG. 4 shows an example of statistics 400 that can be retrieved from a database 140 for a specific engine (e.g., locomotive section 2248), where n = 25 and m = 1. In this example, statistics may include four columns of data, including: a “SELECTED” column, which includes the dates on which a lubricant sample was taken from section 2248; the column “TESTED”, which includes the relevant dates on which the selected samples of the lubricant were tested; A SECTION column that identifies the engine (for example, section 2248); column and analytical parameter that identifies specific analytical parameter (Fe), metallic iron particles from wear, and includes «n» analytical parameter values from the earliest recorded value, AP (1) ₁ = 2 (mn ^-1) to the last recorded value, AP (1) ₂₅ = 4 (mn ^-1). As can be seen, the values in the range of AP (1) ₁ ... AP (1) ₂₅ varies from the low-2 ^(mn-1) to a high of 18 (mn ^-1).

Фиг. 5 показывает диаграмму разброса данных для еще одного примера статистических данных, которые могут быть извлечены из базы 140 данных для еще одного двигателя, с данными, приведенными по оси абсцисс, и аналитическим параметром (Fe, железо), приведенным по оси ординат.FIG. 5 shows a data scatter diagram for another example of statistical data that can be retrieved from the database 140 for another engine, with data shown on the x-axis and an analytical parameter (Fe, iron), shown on the y-axis.

Фиг. 6 показывает пример рекомендаций 600 компании General Electric (GE) как изготовителя оригинального оборудования (OEM) для двигателя локомотива компании GE, которые могут быть извлечены из базы 140 данных. Как видно, рекомендации 600 включают в себя список аналитических параметров AP, варьирующих от меди (Cu) до TBN. В этом примере m=24. Каждый из аналитических параметров AP имеет соотнесенное «Критическое» пороговое значение AP_TH-C, соотнесенное «Аномальное» пороговое значение AP_TH-А, и соотнесенное «Пограничное» пороговое значение AP_TH-М. Рекомендации 600 также включают в себя колонку «Проблема», которая представляет предполагаемую причину, если конкретный аналитический параметр превышает любое из трех идентифицированных пороговых значений.FIG. 6 shows an example of Recommendations 600 from General Electric (GE) as an original equipment manufacturer (OEM) for a GE locomotive engine that can be retrieved from database 140. As you can see, recommendations 600 include a list of analytical AP parameters ranging from copper (Cu) to TBN. In this example, m = 24. Each of the analytical parameters AP has a correlated “Critical” threshold value AP _TH-C , a correlated “Abnormal” threshold value AP AP _TH-A , and a correlated “Boundary” threshold value AP AP _TH-M . Recommendations 600 also include a “Problem” column, which provides a suggested cause if a particular analytical parameter exceeds any of the three identified thresholds.

Фиг. 7 показывает пример рекомендаций 700 компании Electro-Motive Diesel (EMD) как OEM для двигателя локомотива компании EMD, которые могут быть извлечены из базы 140 данных. Как видно, рекомендации 700 включают в себя список аналитических параметров AP, подобных таковым в Фиг. 6, варьирующих от серебра (Ag) до TBN. В этом примере m=25. Как обсуждалось ранее в отношении рекомендаций 600, каждый из аналитических параметров AP в рекомендациях 700 имеет соотнесенное «Критическое» пороговое значение AP_TH-C, соотнесенное «Аномальное» пороговое значение AP_TH-А, и соотнесенное «Пограничное» пороговое значение AP_TH-М. Подобно рекомендациям 600, рекомендации 700 также включают в себя колонку «Проблема», которая представляет предполагаемую причину, если конкретный аналитический параметр выходит за пределы любого из трех идентифицированных пороговых значений.FIG. 7 shows an example of Electro-Motive Diesel (EMD) recommendations 700 as an OEM for an EMD locomotive engine that can be retrieved from a database 140. As you can see, recommendations 700 include a list of analytical parameters AP similar to those in FIG. 6, ranging from silver (Ag) to TBN. In this example, m = 25. As previously discussed with respect to Recommendations 600, each of the analytical parameters AP in Recommendations 700 has a correlated “Critical” AP threshold value _TH-C , a correlated “Anomalous” AP threshold value _TH-A , and a correlated “Boundary” AP threshold value _TH-M . Like Recommendations 600, Recommendations 700 also include a “Problem” column, which provides a suggested cause if a particular analytical parameter goes beyond any of the three identified thresholds.

В рекомендациях 600 (или 700), если конкретный аналитический параметр выходит за пределы (превышает или является меньшим, чем) рекомендуемого «Пограничного» порогового значения, но имеет значение, менее экстремальное, чем «Аномальное» пороговое значение, тогда рекомендации рекомендуют, чтобы секцию (или двигатель) «направили в цех» во время следующей инспекции и исследовали указанную проблему (в колонке «Проблема»). Если конкретный аналитический параметр находится за пределами (превышает или является меньшим, чем) рекомендуемого «Аномального» порогового значения, но не выходит за пределы (не превышает или не является меньшим, чем) «Критического» порогового значения, то рекомендации рекомендуют, чтобы секция (или двигатель) была направлена в цех немедленно для обслуживания, и для исследования проблемы, указанной в колонке «Проблема». Если же конкретный аналитический параметр выходит за пределы (превышает или является меньшим, чем) рекомендуемого «Критического» порогового значения, то рекомендации рекомендуют, чтобы конкретная секция (или двигатель) были немедленно выведены из эксплуатации, и проведено обслуживание секции, начиная с исследования связанной проблемы, идентифицированной в колонке «Проблема».In recommendations 600 (or 700), if a specific analytical parameter is outside (exceeds or is less than) the recommended “Boundary” threshold value, but has a value less extreme than the “Anomalous” threshold value, then the recommendations recommend that the section (or engine) “sent to the workshop” during the next inspection and investigated the indicated problem (in the “Problem” column). If a specific analytical parameter is outside (exceeds or is less than) the recommended “Anomalous” threshold value, but does not go beyond (does not exceed or is not less than) the “Critical” threshold value, then the recommendations recommend that the section ( or engine) was sent to the workshop immediately for service, and to investigate the problem indicated in the “Problem” column. If a specific analytical parameter goes beyond (exceeds or is less than) the recommended “Critical” threshold value, then the recommendations recommend that a particular section (or engine) be immediately decommissioned and the section serviced, starting with an investigation of a related problem identified in the Problem column.

Фиг. 8 показывает пример исполнения системы 100 (показанной в Фиг. 1). В этом примере локомотивная секция 2248 может быть в цехе для запланированного на 184-ый день обслуживания. Проводящий обслуживание техник, с использованием компьютера 120, может запросить интервал LDI для секции 2248, чтобы определить, необходимо ли заменять моторный смазочный материал на момент 184-ого дня или же секция 2248 может продолжать работать в течение следующих 92 дней без замены моторного смазочного материала. В этом отношении сервер 130 может запросить свое внутреннее хранилище 135 данных (или базу 140 данных, если она размещена внутри сервера 130) для получения статистических данных о секции 2248. Если статистические данные хранятся в отдаленной базе 140 данных, то база 140 данных может периодически запрашиваться для получения большей части имеющейся до сих пор информации, связанной с секцией 2248. Модуль 170 определения затем может обработать извлеченные статистические данные для секции 2248, чтобы формировать значения AP(1), AP(2), AP(3), AP(4) и AP(5) аналитических параметров для всех пяти серий аналитических параметров на 276-ой день, включающих в себя (1) сажу, (2) свинец (Pb), (3) вязкость 100С, (4) TAN, и (5) TBN. Следует отметить, что другие (альтернативные или дополнительные) аналитические параметры могут быть установлены, как будет понятно специалисту с обычной квалификацией в этой области технологии, без выхода за пределы области или смысла изобретения. Как видно на Фиг. 8, прогнозированное значение аналитического параметра AP(3)_n+1 для вязкости 100С может быть на допустимом уровне на 276-ой день, но прогнозированное значение для AP(3)_n+1 TAN находится на неприемлемом уровне, тем самым делая необходимой замену смазочного материала ранее 276-ого дня, предпочтительно, например, на 184-ый день, когда секция 2248 находится в цеху.FIG. 8 shows an example of a system 100 (shown in FIG. 1). In this example, locomotive section 2248 may be in the workshop for scheduled maintenance on day 184. A service technician using computer 120 may request an LDI interval for section 2248 to determine if motor lubricant needs to be replaced at day 184, or section 2248 can continue to operate for the next 92 days without replacing motor lubricant. In this regard, server 130 may request its internal data storage 135 (or database 140, if located inside server 130) to obtain statistics about section 2248. If statistics are stored in remote database 140, database 140 may be periodically queried to obtain most of the information so far associated with section 2248. The determination module 170 may then process the extracted statistics for section 2248 to generate the values AP (1), AP (2), AP (3), AP (4) and AP (5) analytic pairs m for all five series of analytical parameters 276 th day, including (1) black, (2), lead (Pb), (3) the viscosity 100C, (4) TAN, and (5) TBN. It should be noted that other (alternative or additional) analytical parameters can be set, as will be clear to a specialist with ordinary qualifications in this field of technology, without going beyond the scope or meaning of the invention. As seen in FIG. 8, the predicted value of the analytical parameter AP (3) _{n + 1} for viscosity 100С may be at an acceptable level on the 276th day, but the predicted value for AP (3) _{n + 1} TAN is at an unacceptable level, thereby making it necessary to replace the lubricant material before the 276th day, preferably, for example, on the 184th day, when section 2248 is in the workshop.

Фиг. 9 показывает пример восьми диаграмм разброса данных, которые могут быть сформированы сервером 130 для взаимосвязи между железом (Fe) и сроком активной работы масла в машине для локомотивной секции 2248. Более конкретно, диаграммы разброса данных включают в себя семь графиков (от 1 до 7), которые показывают концентрации железа в моторном масле, измеренные в различные моменты времени для семи последних интервалов (LDI) между заменами смазочного материала, и один график (8), который включает в себя значения AP(Fe) для железа в текущем интервале LDI. Как видно в графиках, уровни содержания железа Fe относительно срока активной работы масла в машине проявляют тенденцию к линейному изменению. Таким образом, когда были идентифицированы замены масла, то может быть рассчитан срок активной работы масла в машине.FIG. 9 shows an example of eight data scatter diagrams that can be generated by the server 130 for the relationship between iron (Fe) and the oil life of the machine for the locomotive section 2248. More specifically, the data scatter diagrams include seven graphs (1 to 7) , which show the iron concentrations in the engine oil, measured at different points in time for the last seven intervals (LDI) between lubricant changes, and one graph (8) that includes the AP (Fe) values for iron in the current LDI interval. As can be seen in the graphs, the levels of Fe iron relative to the period of active oil operation in the machine tend to linearly change. Thus, when the oil changes have been identified, the life of the oil in the machine can be calculated.

Фиг. 10 показывает пример восьми диаграмм разброса данных для взаимосвязи между сажей и сроком активной работы масла в машине для локомотивной секции 2248. Более конкретно, диаграммы разброса данных включают в себя семь графиков (от 1 до 7), которые показывают концентрации сажи в моторном масле, измеренные в различные моменты времени для семи последних интервалов (LDI) между заменами смазочного материала, и один график (8), который включает в себя значения для сажи в текущем интервале LDI. Как видно в графиках, уровни содержания сажи также оказываются показателем срока активной работы масла в машине. Данные показывают линейную взаимосвязь между сроком активной работы масла в машине и содержанием сажи.FIG. 10 shows an example of eight data scatter plots for the relationship between soot and oil life in a machine for locomotive section 2248. More specifically, the data scatter plots include seven plots (1 to 7) that show the soot concentrations in engine oil measured at various points in time for the last seven intervals (LDI) between lubricant changes, and one graph (8) that includes values for soot in the current LDI interval. As can be seen in the graphs, the levels of soot also turn out to be an indicator of the life of the oil in the machine. The data show a linear relationship between the life of the oil in the machine and the soot content.

Фиг. 11 показывает пример восьми диаграмм разброса данных для взаимосвязи между TBN и сроком активной работы масла в машине для локомотивной секции 2248. Более конкретно, диаграммы разброса данных включают в себя шесть графиков (от 2 до 7), которые показывают уровни TBN в моторном масле, измеренные в различные моменты времени для шести последних интервалов (LDI) между заменами смазочного материала, один график (1), для которого статистические данные отсутствуют, и один график (8), который включает в себя уровни TBN для текущего периода. Как видно в графиках, взаимосвязь между сроком активной работы масла в машине и уровнями TBN может быть линейной и/или нелинейной.FIG. 11 shows an example of eight data scatter plots for the relationship between TBN and the oil life of the machine for the locomotive section 2248. More specifically, the data scatter charts include six plots (2 to 7) that show the TBN levels in the engine oil measured at different points in time for the last six intervals (LDI) between lubricant changes, one graph (1) for which no statistics are available, and one graph (8) that includes TBN levels for the current period. As can be seen in the graphs, the relationship between the life of the oil in the machine and the levels of TBN can be linear and / or non-linear.

Фиг. 12 показывает пример диаграммы разброса данных для взаимосвязи между сажей и сроком активной работы масла в машине для локомотивной секции, причем данные для семи (от 1 до 7) интервалов между заменами масла совмещены вместе с данными для уровней сажи во время текущего интервала (8) между заменами масла. Как видно из графика, появляется измерительная точка 1110, которая резко отличается или является необычным результатом. Согласно принципам изобретения, система 100 (показанная в Фиг. 1) выполнена с возможностью обнаружения и отфильтровывания резко отличных данных, например, таких как измерительная точка 1110.FIG. 12 shows an example of a data scatter diagram for the relationship between soot and the life of the oil in the machine for the locomotive section, the data for seven (1 to 7) intervals between oil changes being combined with data for soot levels during the current interval (8) between oil changes. As can be seen from the graph, a measuring point 1110 appears, which is very different or an unusual result. According to the principles of the invention, the system 100 (shown in FIG. 1) is configured to detect and filter out sharply excellent data, such as for example a measuring point 1110.

Фиг. 13 показывает пример восьми диаграмм разброса данных для взаимосвязи между железом (Fe) и сроком активной работы масла в машине для локомотивной секции 2248. Фиг. 13 подобна Фиг. 9, за исключением того, что Фиг. 13 дополнительно включает в себя предикторную линию 1210, которая прогнозирует уровни содержания Fe в моторном масле во время периода от около 140 дней до около 276 дней, где предикторная линия 1210 может быть формирована модулем 170 определения.FIG. 13 shows an example of eight data scatter diagrams for the relationship between iron (Fe) and the life of the oil in the machine for the locomotive section 2248. FIG. 13 is similar to FIG. 9, except that FIG. 13 further includes a predictor line 1210 that predicts Fe levels in the engine oil during a period of from about 140 days to about 276 days, where the predictor line 1210 may be generated by the determination module 170.

Фиг. 14 показывает пример восьми диаграмм разброса данных для взаимосвязи между сажей и сроком активной работы масла в машине для локомотивной секции 2248. Фиг. 14 подобна Фиг. 10, за исключением того, что Фиг. 14 дополнительно включает в себя предикторную линию 1310, которая прогнозирует уровни содержания сажи в моторном масле во время периода от около 140 дней до около 276 дней, где предикторная линия 1310 может быть сформирована модулем 170 определения.FIG. 14 shows an example of eight data scatter diagrams for the relationship between soot and the life of an oil in a machine for a locomotive section 2248. FIG. 14 is similar to FIG. 10, except that FIG. 14 further includes a predictor line 1310 that predicts soot levels in engine oil during a period of from about 140 days to about 276 days, where the predictor line 1310 may be generated by the determination module 170.

Фиг. 15 показывает пример матрицы диаграмм разброса данных для еще одной локомотивной секции 8866. Как видно из графика, десять аналитических параметров, включающих в себя Fe, Pb, Cu, V100C, OXI, NIT, SOOT, TAN, TBN, PI, измерены и нанесены на график для шести отдельных замен масла, n=6.FIG. 15 shows an example of a matrix of data scatter diagrams for another locomotive section 8866. As can be seen from the graph, ten analytical parameters, including Fe, Pb, Cu, V100C, OXI, NIT, SOOT, TAN, TBN, PI, are measured and plotted on graph for six separate oil changes, n = 6.

Фиг. 16 показывает пример процесса 500 для составления расписания технического обслуживания для одного или более двигателей. Со ссылкой на Фиг. 1А, база 140 данных может быть запрошена для извлечения данных по LDI для всех (или менее, чем всех) двигателей, которые принадлежат конкретному клиенту (этап 510). Двигатели, идентифицированные по извлеченным данным, затем могут быть расклассифицированы на основе данных LDI на одну или более LDI-категорий, например: двигатели, которые требуют технического обслуживания каждые 92 дня, двигатели, которые требуют технического обслуживания каждые 184 дня, двигатели, которые требуют технического обслуживания каждые 276 дней, и тому подобные (этап 520). Для каждого из идентифицированных двигателей может быть составлено (или обновлено) расписание технического обслуживания (этап 530). Расписание технического обслуживания может включать в себя перечень двигателей, которые выбраны для расширенных интервалов между заменами смазочного материала (например, LDI=276 дней). Расписание технического обслуживания может включать в себя перечень двигателей, которые выбраны для укороченных интервалов между заменами смазочного материала (например, LDI=92 дня). Расписание технического обслуживания может включать в себя календарный план, который указывает дату запланированного LDI для каждого из идентифицированных двигателей. Затем составленное расписание технического обслуживания может быть послано, например, на компьютер 120 клиента (этап 540).FIG. 16 shows an example of a process 500 for scheduling maintenance for one or more engines. With reference to FIG. 1A, a database 140 may be requested to retrieve LDI data for all (or less than all) engines that belong to a particular client (block 510). Engines identified by the extracted data can then be classified based on LDI data into one or more LDI categories, for example: engines that require maintenance every 92 days, engines that require maintenance every 184 days, engines that require technical servicing every 276 days, and the like (block 520). For each of the identified engines, a maintenance schedule can be made (or updated) (block 530). The maintenance schedule may include a list of engines that are selected for extended intervals between lubricant changes (e.g. LDI = 276 days). The maintenance schedule may include a list of engines that are selected for shorter intervals between lubricant changes (for example, LDI = 92 days). The maintenance schedule may include a schedule that indicates the date of the planned LDI for each of the identified engines. Then, a scheduled maintenance schedule may be sent, for example, to a client computer 120 (step 540).

Согласно одному аспекту изобретения, представлен машиночитаемый носитель информации, который содержит компьютерную программу, которая, будучи исполненной, например, сервером 130 (или компьютером 120), обеспечивает выполнение процесса 500 на Фиг. 16. Компьютерная программа может быть материально размещена на машиночитаемом носителе информации, который может содержать кодовый сегмент или секцию кода для каждого из этапов 510-540.According to one aspect of the invention, there is provided a computer-readable storage medium that comprises a computer program that, when executed, for example, by server 130 (or computer 120), enables the process 500 to be executed in FIG. 16. A computer program may be materially located on a computer-readable storage medium, which may comprise a code segment or code section for each of steps 510-540.

Согласно дополнительному аспекту изобретения, к смазочному материалу может быть добавлен маркер. Маркер может подвергаться измеримому изменению, когда смазочный материал истощается. Маркер может быть измерен, например, с помощью спектрального анализа в видимой области спектра, инфракрасным анализом, по изменению цвета, или тому подобным образом.According to a further aspect of the invention, a marker may be added to the lubricant. The marker can undergo a measurable change when the lubricant is depleted. The marker can be measured, for example, by spectral analysis in the visible region of the spectrum, infrared analysis, color change, or the like.

В то время как изобретение было описано в плане примерных вариантов осуществления, специалистам в данной области техники будет понятно, что изобретение может быть реализовано на практике с изменениями в пределах сущности и объема пунктов прилагаемой формулы изобретения. Эти примеры являются исключительно иллюстративными и не подразумевают исчерпывающего списка всех возможных конструкций, вариантов исполнения, вариантов применения или модификаций изобретения.While the invention has been described in terms of exemplary embodiments, those skilled in the art will understand that the invention may be practiced with changes within the spirit and scope of the appended claims. These examples are illustrative only and do not imply an exhaustive list of all possible designs, embodiments, applications, or modifications of the invention.

Claims

1. A processor-based system for predicting the interval between lubricant changes in an engine based on a plurality of analytical parameter values measured in a plurality of used motor lubricant samples taken from an engine over a period of time, the system comprising:
a first input that receives a plurality of analytical parameter values and a plurality of statistical values of the analytical parameters for the engine, which indicate one or more characteristics of the lubricant used, and stores the values of the analytical parameters and statistical values of the analytical parameters in processor memory;
the second input, which takes the threshold value of the analytical parameter for the used lubricant at the end of the service interval and stores the threshold value of the analytical parameter in the processor memory; and
a determination module that determines the future value of the analytical parameter to determine the interval between lubricant changes by performing simulations on the set of values of the analytical parameters and the set of statistical values of the analytical parameters and comparing the future value of the analytical parameter with a threshold value of the analytical parameter to determine whether the future value of the analytical parameter threshold value of the analytical parameter at the end of the service interval ni to provide an output signal indicative of the interval between lubricant replacements (LDI) in the engine, the simulation performed by the determination module being selected from a partial least squares regression model and a neural network model, and wherein said analytical parameters and said statistical values analytical parameters contain three or more analytical parameters of the used lubricant.

2. The system of claim 1, wherein the engine lubricant comprises crankcase engine oil.

3. The system of claim 1, wherein the computer comprises a determination module.

4. The system of claim 1, wherein the engine comprises a tractor, truck, locomotive, bus, automobile, motorcycle, scooter, ship, or aircraft engine.

5. The system of claim 1, wherein said analytic parameters used comprise three or more parameters selected from the group consisting of iron, lead, tin, copper, aluminum, boron, oxidation state, nitration state, potassium, silicon, sodium, carbon black, total base number (TBN), water, fuel, sludge, and insoluble components in a sample of motor lubricant.

6. The system of claim 1, wherein the analytical parameters used comprise three or more parameters selected from the group of analytical parameters consisting of zinc, boron, oxidation state, nitration state, potassium, silicon, sodium, carbon black, water, and contaminants in fuel, by-products in fuel, sludge, lead and insoluble components.

7. The system according to claim 1, in which a plurality of engines is selected for an extended interval between lubricant changes, the data on intervals between lubricant changes for a plurality of engines are stored in memory; lubricant change data is categorized into at least two categories, including the extended interval between lubricant changes and the normal interval between lubricant changes category; and a schedule is created for intervals between lubricant changes using a processor for multiple engines.

8. A processor-based method for predicting the interval between lubricant changes in an engine based on a plurality of analytical parameters measured in a sample of used motor lubricant selected from an engine, the method comprising the steps of:
receive at the first input of the processor a plurality of values of analytical parameters and a plurality of statistical values of analytical parameters for the engine, which indicate one or more characteristics of the lubricant used, and store a plurality of values of analytical parameters and statistical values of analytical parameters in the processor memory;
accept at the second input of the processor a threshold value of the analytical parameter for the used lubricant at the end of the service interval and save the threshold value of the analytical parameter in the processor memory; and
using a processor to (a) determine the future value of the analytical parameter for the used lubricant by performing simulations on the set of values of the analytical parameters and the set of statistical values of the analytical parameters; (b) comparing the future value of the analytical parameter with a threshold value of the analytical parameter to determine whether the future value of the analytical parameter exceeds the threshold value of the analytical parameter at the end of the service interval; and (c) providing an output signal indicative of an interval between lubricant changes (LDI) in the engine, wherein the simulation performed by the processor is selected from a partial least squares regression model and a neural network model, and wherein said analytical parameter values and said statistical values analytical parameters contain three or more analytical parameters of the used lubricant.