油液信息特征提取方法研究及在柴油機狀態(tài)評估中的應用

劉 鑫， 賈云獻， 崔心瀚， 王 強

(1. 陸軍工程大學石家莊校區(qū)，河北 石家莊 050003; 2. 白城常規(guī)兵器試驗中心，吉林 白城 137001)

0 引 言

柴油機廣泛應用于裝甲車輛、船舶和發(fā)電機組等設備，在現代工業(yè)和國防建設中具有重要的作用。柴油機具有零部件多、運動復雜、工作環(huán)境惡劣等特點，在工作中不可避免的會發(fā)生故障，如果故障不能及時發(fā)現和排除，可能會造成巨大的經濟損失甚至人員傷亡，為預防突發(fā)故障的發(fā)生，對柴油機的健康狀態(tài)監(jiān)測提出了較高的要求。

對柴油機的健康狀態(tài)監(jiān)測，傳統(tǒng)上常采用振動信號分析，但是由于柴油機本身和其工作環(huán)境的復雜性，可能存在較大的噪聲干擾，很難從振動信號中提取準確反映柴油機退化狀態(tài)的信息。采用油液監(jiān)測柴油機的健康狀態(tài)可以有效避免這些情況，是對柴油機狀態(tài)監(jiān)測方法的有效補充。基于油液分析模型的健康狀態(tài)監(jiān)測在航空發(fā)動機[1]、重型機械[2]等設備中也具有廣泛的應用。文獻[1]通過對油液信息的特征提取實現了對航空發(fā)動機的剩余壽命預測；文獻[3]通過研究發(fā)動機油液中鐵和鉛的濃度值，基于Winner過程實現了系統(tǒng)的剩余壽命預測；文獻[4-5]研究了基于多種金屬濃度梯度特征的某自行火炮柴油機剩余壽命預測方法；文獻[6]研究了基于油液濃度和比例模型的重型車輛故障診斷方法。以上研究表明，通過提取油液信息中包含的故障特征可以有效實現裝備的健康狀態(tài)評估，但是由于受到季節(jié)性換油以及金屬粒子累加性的影響，不同的油液信息特征提取模型對評估結果的影響是不同的。

目前，常用的油液信息特征提取方法主要有濃度、梯度和比例模型等，但是現有文獻并沒有對診斷過程中模型的選擇策略進行詳細討論，也沒有深入研究各個模型的特點?；诖耍疚膶⒎謩e研究3種油液信息特征提取模型的特點，以某裝甲車輛柴油機為研究對象，分別研究其故障特征提取方法，并基于BP神經網絡模型對柴油機的健康狀態(tài)進行評估，根據評估結果對各方法的優(yōu)缺點進行對比研究，為基于油液信息健康狀態(tài)監(jiān)測方法的應用奠定基礎。

1 基于油液信息狀態(tài)監(jiān)測的原理

機械設備的運動件在工作時接觸面的材料由于摩擦而不斷發(fā)生耗損或產生殘余變形的過程稱為磨損[7]。磨損過程是裝備構件運動的必然結果，在正常的工作狀態(tài)下，磨損過程通常可以分為跑合磨損階段、穩(wěn)定磨損階段和劇烈磨損階段三個不同的階段，如圖1所示。柴油機摩擦副主要包括活塞組(活塞、活塞環(huán)、氣缸套)、曲軸組、凸輪組和齒輪系等。由于各個摩擦副的材質、運動形式、磨損機理不同，所產生的磨損微粒在材料組成和形態(tài)特征上也有顯著的不同。摩擦副在不同磨損狀態(tài)下產生的帶有不同狀態(tài)特征的磨粒留存于潤滑油中，這些磨粒在形狀尺寸、磨粒種類及其濃度增長等方面直接反映了裝備中摩擦副工作表面的狀態(tài)，這是判斷裝備及其部件是否正常工作的依據。根據此原理采用光譜技術和鐵譜分析技術對柴油機的磨損狀況進行評價。主要監(jiān)測指標有反映缸套、活塞環(huán)、凸輪和齒輪等零部件磨損情況的Fe、Cr、Mo、Mn等元素含量；反映曲軸瓦、連桿軸瓦及襯套磨損情況的Cu、Pb、Sn、Al等元素含量。柴油機的主要摩擦副及摩擦元素見表1，可以為準確有效地進行故障診斷提供指導性建議。

圖1 磨損過程的3個階段

表1 主要摩擦副磨損元素

目前，油液分析技術中最主要并且應用效果良好的是油液光譜分析技術。油液光譜技術是一種利用原子吸收或原子發(fā)射光譜來分析潤滑油中金屬的成分和含量，從而判斷磨損零件和磨損嚴重程度的方法[8]。通過光譜分析儀對裝備不同運行時間下的潤滑油液進行分析，會得到一系列的光譜分析數據，這些數據中包含了裝備大量的當前狀態(tài)信息。為描述油液信息和裝備狀態(tài)之間的關系，常用的模型有油液濃度分析模型、梯度分析模型和比例分析模型，本文將通過這3個模型對柴油機的健康狀態(tài)進行評估，以研究各模型的特點和評估效果。

2 油液信息特征提取方法

2.1 油液濃度分析模型

油液濃度分析模型反映了潤滑油中各種元素濃度值隨時間的變化規(guī)律，在磨損過程中，由于各種摩擦副磨損的劇烈程度不同，導致油液中各元素濃度值的不同變化，特別是當有故障發(fā)生時，可能會導致某幾種元素濃度值的劇烈變化，該變化就可以通過濃度分析模型反映出來，從而實現設備的健康狀態(tài)評估[9]。

在濃度分析模型中，換油對狀態(tài)信息數據影響最大。由于設備運轉過程中潤滑油的消耗以及盡可能地避免異物對潤滑不良故障的影響需不定期的進行換油，從而導致各元素的濃度值在換油后會發(fā)生較大幅度的變化，不能反映設備真實的運行狀態(tài)。因此，需要首先對油液數據進行預處理，將換油過程中每個時刻元素的濃度測量值加上由于換油引起的濃度變化，就可以得到該元素在系統(tǒng)中排除換油影響后的濃度。

通常對油液數據采用一元線性回歸模型進行預處理，得出方程

式中a為斜率，即油液濃度增加速率；d為截距，即油液濃度的初始值。

2.2 油液梯度分析模型

油液梯度分析模型是考慮單位時間內元素濃度值的變化速率，因此可以檢測短期內某元素濃度值的急劇變化，將梯度定義為單位時間內金屬元素濃度的變化量：

式中：yk——第k次監(jiān)測點金屬元素的質量濃度，mg/L；

——第k次監(jiān)測點的設備運行時間，h。

梯度模型考慮單位時間內磨損元素濃度值的增長量，反映元素濃度變化值隨時間的變化規(guī)律，而濃度模型是磨損元素隨時間的累計濃度變化。為減少計算量，本文采用主成分分析法剔除對設備狀態(tài)變化不敏感的元素，只選取能反映設備狀態(tài)變化的主要元素進行處理，降低油液數據的維數。

2.3 油液比例分析模型

油液比例分析模型是依據兩元素光譜數據之間的比例關系對兩種元素磨損情況做出判斷的模型[9]。設備在使用過程中，由于換油的影響，會使得元素中濃度值大幅下降，同時也會使得梯度值變?yōu)樨撝担栽诮r需要進行換油預處理。而油液比例模型是基于元素之間的比例關系，所以可以有效地避免換油對油液數據的影響。設備運行過程中，當運行狀態(tài)發(fā)生變化時，會導致某種元素濃度值上升過快，那么必然導致與其他元素的比例值相對增大，從而實現設備健康狀態(tài)評估。

3 基于3種油液模型的柴油機故障特征提取及狀態(tài)評估

3.1 柴油機油液數據采集及柴油機狀態(tài)數確定

本文選擇的研究對象是某型裝甲車輛柴油機，將柴油機油液信息通過3個模型分別處理后，由BP神經網絡進行故障診斷，根據診斷結果分析3種油液信息處理模型的適用性。試驗共選用4臺柴油機用于試驗。其中第1臺柴油機出現故障后進行了修復，認為修復如新，總共獲取了4組數據。這些柴油機工作在基本相同的條件下，載荷為300 N·m左右，每40 h采集一次油樣。

柴油機中存在著許多對摩擦副，潤滑油中包含大量由各種摩擦副產生的殘余物，并且這些磨損殘余物攜帶豐富的柴油機狀態(tài)信息。潤滑油中的金屬磨粒成分、顆粒的大小和數量與摩擦副的材質和工作狀況密切相關。根據柴油機中主要的摩擦副，如：凸輪軸與凸輪軸承，其材料分別為45鋼和鑄鋁；氣缸套與活塞，其材料分別為38CrMoAlA與LD-8鍛鋁等。在油液光譜分析中重點考慮了鐵、鋁、鉛、硼、鋇等元素，除了收集金屬元素濃度值外，還需收集有關柴油機的事件數據。在本案例中事件數據主要是指發(fā)動機的編號、初始運轉時間、因某種原因運轉中止的時間、換油、運行時間等一些描述發(fā)生事件的數據[10]。

通過油液信息對柴油機的狀態(tài)進行評估，首先需要檢查測量數據中是否存在奇異點，當某些數據明顯偏離正常范圍時，需要在充分對比分析的基礎上確定其是否為奇異點，對于奇異點則必須剔除[11]，以提高柴油機狀態(tài)評估的精度。圖2為鐵元素和鋁元素的濃度散點圖，可以看出，鐵元素的濃度值基本在10～70 mg/L范圍內，鋁元素濃度值基本上在2～8 mg/L之間，說明沒有異常點。類似地對其他元素進行分析，剔除本案例中的奇異點。在此基礎上分別通過油液濃度模型、梯度模型和比例模型對柴油機進行狀態(tài)評估。

圖2 元素濃度值（鐵、鋁）記錄圖

對柴油機的油液監(jiān)測數據進行預處理，換油處理后得到各種元素的濃度變化曲線，其中，樣本3中鐵、鋁和鉛的元素濃度值變化如圖3所示?？梢钥闯?，隨著運行時間的增長，各元素的濃度都穩(wěn)步的增加，其中鋁元素和鉛元素的變化較為平緩，濃度隨時間緩慢增長，而鐵元素的變化十分符合磨損的3個階段，200 h之前為跑合磨損階段，200 h到550 h之間為穩(wěn)定磨損階段，550 h之后為劇烈磨損階段。圖4為樣本1、2和4的3種元素濃度變化，同理可以將其分為3個階段，并以這3個階段為劃分標準，對柴油機進行狀態(tài)評估。

圖3 樣本3元素濃度值變化

圖4 某柴油機元素質量濃度變化曲線

3.2 基于油液濃度的柴油機狀態(tài)評估

以樣本1、2和4元素濃度為訓練樣本，樣本3元素濃度為驗證樣本，采用BP神經網絡對第3臺柴油機的健康狀態(tài)進行評估，圖5為神經網絡的兩次訓練結果，圖5(a)表示經過6次迭代即達到訓練的最優(yōu)精度，圖5(b)表示經過29次迭代才達到訓練的最優(yōu)精度。將樣本3通過訓練的BP神經網絡模型進行狀態(tài)評估研究，結果如表2所示，其中第1次結果比較準確，精度也較高，準確地實現了柴油機狀態(tài)評估。第2次結果對前兩個階段的狀態(tài)評估結果是正確的，而對于急劇磨損階段的評估，因其數據與穩(wěn)定磨損階段的數據相差不大，所以通過模型的計算結果并不能確定該階段的狀態(tài)。由此可以看出，通過油液濃度信息并不能完全確定柴油機的健康狀態(tài)，油液濃度信息對柴油機的健康監(jiān)測具有不確定性。

圖5 模型訓練過程中誤差變化（基于濃度模型）

表2 狀態(tài)評估結果

3.3 基于油液梯度的柴油機狀態(tài)評估

為減少計算量，首先對油液原始數據基于PCA進行數據降維，按照因子被提取的順序，得到油液數據主成分分析的碎石圖和載荷圖如圖6所示。根據主成分因子的選取原則，選取前3個因子，其特征值均大于1，且累積方差為90.404%，所以前3個因子能夠比較完整地描述原有的數據特征。

通常元素的濃度值是隨著運行時間的增加而逐漸升高的，因此梯度值不應該為負，但圖7中有些梯度出現了負值，這是由于柴油機換油或者取樣、測量誤差導致的。對于設備的狀態(tài)監(jiān)測來說，負梯度沒有意義，因此在利用梯度模型進行狀態(tài)評估時將由于換油造成的負梯度數據直接剔除，由于誤差造成的負梯度值賦值為0。在此基礎上，運用BP神經網絡模型，以樣本1、2和4為訓練樣本，樣本3為驗證樣本對柴油機的運行狀態(tài)進行評估。

圖6 碎石圖和主成分因子的載荷圖

圖7 某柴油機梯度變化曲線

圖8為基于油液梯度模型的神經網絡訓練結果，在兩次訓練中模型都僅僅在3次迭代后就達到了最優(yōu)精度，以樣本3為驗證數據對柴油機進行狀態(tài)評估，結果如表3所示，在兩次評估結果中，模型都能以較高精度準確地評估柴油機當時的狀態(tài)。由此可以推斷，通過油液梯度數據對柴油機的狀態(tài)進行評估時，可以較全面地利用油液中的有效信息，反映柴油機當時的健康狀態(tài)。

圖8 模型訓練過程中誤差變化（基于梯度模型）

3.4 基于油液比例的柴油機狀態(tài)評估

根據柴油機的油液監(jiān)測數據，可以得到各元素間的比例值變化曲線。其中樣本1、2、3和4的Fe/Al、Fe/Pb及Al/Pb比例變化曲線如圖9所示?？梢钥闯?，比例分析模型在反映設備異常信息方面的效果較差，而且分布趨勢不平穩(wěn)，為了對這一主觀印象進行驗證，同樣運用BP神經網絡模型，以樣本1、2和4為訓練樣本，樣本3為驗證樣本對柴油機的健康狀態(tài)進行評估。

圖10為神經網絡的兩次訓練結果，圖10(a)表示經過20次迭代才達到訓練的最優(yōu)精度，圖10(b)表示經過14次迭代才達到訓練的最優(yōu)精度，所以通過油液比例信息進行訓練，為使評估模型達到最優(yōu)精度，相對于濃度和梯度模型需要更長的訓練時間。柴油機最終的狀態(tài)評估結果如表4所示，兩次狀態(tài)評估結果十分不理想，第1次評估中，只有急劇磨損階段的評估結果是正確的，而對于磨合階段的評估結果很難確定，對于穩(wěn)定磨損階段的評估結果是錯誤的。第2次的評估結果只有磨合階段是準確的，對于穩(wěn)定磨損階段和急劇磨損階段的評估結果同樣很難確定，由此可知，比例分析模型在反映設備異常信息方面的效果較差，而且分布趨勢不平穩(wěn)，僅依靠油液比例模型不能實現柴油機的健康狀態(tài)評估。

表3 狀態(tài)評估結果

圖9 某柴油機比例變化曲線

圖10 模型訓練過程中誤差變化（基于比例模型）

3.5 小 結

綜合以上試驗結果，可以看到基于油液梯度分析模型的評估效果最好?；谟鸵簼舛鹊哪Ｐ陀捎趽Q油的影響需要對數據通過線性回歸進行預處理，在處理過程中會帶來大量的誤差，同時由于簡單的線性回歸處理并不能準確刻畫油液的濃度變化，尤其是在設備發(fā)生故障時，油液濃度會在較短時間內發(fā)生劇烈變化，導致誤差增大。基于油液濃度的柴油機狀態(tài)評估試驗中，在急劇磨損階段不能對其狀態(tài)實現準確評估也證實了這一結論?；谟鸵罕壤Ｐ椭?，雖然不受換油的影響，但是僅僅通過兩種元素的變化監(jiān)測設備的工作狀態(tài)，在反映設備異常信息方面的效果較差，而且分布趨勢不平穩(wěn)。在基于油液比例模型的柴油機狀態(tài)評估中，對各個階段的狀態(tài)評估效果都不理想。而基于油液梯度的模型，因不受換油的影響，能有效地減少誤差，試驗結果也表明該方法能準確地實現柴油機的健康狀態(tài)評估，但是該模型數據預處理的計算量較大。為更準確、全面的評估設備的狀態(tài)，需要綜合運用3種油液信息模型，以達到最優(yōu)的評估效果。

表4 狀態(tài)評估結果

4 結束語

本文研究了設備健康狀態(tài)監(jiān)測中基于油液數據的故障特征提取方法，在研究油液濃度模型、比例模型和梯度模型原理的基礎上，基于柴油機的油液監(jiān)測數據對其進行健康狀態(tài)評估。通過對評估結果的對比分析，得到結論如下：1）通過油液監(jiān)測設備健康狀態(tài)信息，可以實現設備的狀態(tài)評估，有一定的應用價值；2）基于油液梯度模型的狀態(tài)評估效果最好，僅僅通過油液濃度和比例模型較難達到理想的評估效果；3）為達到最優(yōu)的評估效果，需要綜合利用3種油液分析模型。通過本文的研究，為工程實際中油液信息的處理和應用提供了一定的借鑒，具有一定的實用價值。

[1]WANG W, ZHANG W. A model to predict the residual life of aircraft engines based on oil analysis data [J]. Nav Res Log,2005, 52: 276–284.

[2]WANG W, HUSSIN B. Plant residual time modeling based on observed variables in oil samples[J]. J Oper Res Soc, 2009, 60:789–796.

[3]DAVID V, LIBOR Z, ONDǐEJ P. Contribution to system failure occurrence prediction and to system remaining useful life estimation based on oil field data [J]. Proc IMechE Part O:J Risk and Reliability, 2015, 229(1): 36–45.

[4]WANG W B, HUSSIN B, JEFFERIS T. A case study of condition based maintenance modelling based upon the oil analysis data of marine diesel engines using stochastic filtering [J]. Int. J. Production Economics, 2012(136): 84–92.

[5]孫磊, 賈云獻, 蔡麗影. 基于油液光譜分析和粒子濾波的發(fā)動機剩余壽命預測研究[J]. 光譜學與光譜分析, 2013, 33(9):2478–2482.

[6]劉學工. 基于油液監(jiān)測技術的重型車輛故障診斷研究[D].長春：長春理工大學, 2013.

[7]DAVID S, CANH L. Methodology and framework for predicting helicopter rolling element bearing failure[J].IEEE Transactions on Reliability, 2012(61): 846–857.

[8]任國全, 鄭海起, 張英堂,等. 基于油液分析的自行火炮發(fā)動機磨損狀態(tài)監(jiān)測研究[J]. 兵工學報, 2002, 23(1): 6–9.

[9]陳麗. 基于狀態(tài)的維修模型及應用研究[D]. 石家莊：軍械工程學院, 2008.

[10]FARZANEH A, JAN L. Remaining useful life prediction of grinding mill liners using an artificial neural network [J].Minerals Engineering, 2013(53): 1–8.

[11]付強. 基于鐵譜分析的船用齒輪箱磨損狀態(tài)評估方法研究[D]. 哈爾濱：哈爾濱工業(yè)大學, 2013.