基于紅外光譜的在用潤滑油衰變信息的快速確定和關聯(lián)性分析

王菊香 李 偉 瞿 軍

(海軍航空工程學院飛行器工程系，煙臺 264001)

基于紅外光譜的在用潤滑油衰變信息的快速確定和關聯(lián)性分析

王菊香 李 偉 瞿 軍

(海軍航空工程學院飛行器工程系，煙臺 264001)

分析了某合成的在用航空潤滑油的組成和需檢測的指標項目，研究了潤滑油紅外光譜信息與檢測項目之間的關系。采用偏最小二乘法、人工神經網絡法等建立紅外光譜和運動粘度、閃點、酸值和水分等理化指標的多元校正分析模型。根據朗伯-比爾定律，建立紅外光譜峰面積或峰高與被測組分的工作曲線，實現(xiàn)了燃油、抗氧劑、抗磨劑的定量分析。針對基礎油酯基降解程度無法定量檢測的特點，將酯基降解與酸值、粘度值進行關聯(lián)性研究，酸值與酯基降解紅外譜峰相關性很好，可通過酸值變化確定酯基降解程度。

在用航空潤滑油 紅外光譜 偏最小二乘 神經網絡 快速分析

1 引言

潤滑油是發(fā)動機和機械傳動系統(tǒng)的“血液”，一旦受到污染或發(fā)生衰變，將嚴重影響潤滑性能，加劇機械磨損，機械性能顯著下降甚至造成重大事故。據統(tǒng)計，在機械裝備故障中，有超過半數(shù)以上的故障是機械故障，在機械故障的磨損、斷裂和腐蝕3種主要模式中，磨損故障約占80%，且磨損故障主要是由于潤滑不良引起的。因此，油液的性能與機械裝備的可靠和有效運用有著密切的關系，油液監(jiān)控已成為狀態(tài)監(jiān)控維修的重要組成部分[1,2]。

目前對在用潤滑油的監(jiān)測主要是磨粒檢測，即通過定期取樣，原子發(fā)射光譜法進行元素檢測，判斷發(fā)動機和恒速裝置的磨損情況，從而評價裝備的工況和預測故障。但是裝備出現(xiàn)磨損故障時在用潤滑油的性能也往往已經發(fā)生顯著變化。對在用潤滑油進行物理化學性質表征，不僅能夠獲得油液的潤滑和衰變的信息，判斷其是否可以繼續(xù)使用，還能間接獲得裝備磨損狀態(tài)的信息和工作狀況，能有效降低事故發(fā)生率、減少維修工時、延長裝備及使用油液的壽命?；谟鸵悍治龅脑谟脻櫥捅O(jiān)測在美國成功應用，其理化指標主要是通過專用儀器檢測，而污染和衰變信息主要通過紅外光譜峰面積進行半定量趨勢分析。課題組在某航空在用合成潤滑油定量檢測技術研究方面做了大量的工作，通過近紅外光譜和中紅外光譜實現(xiàn)對在用潤滑油理化指標和衰變性能的快速定量分析。

2 合成潤滑油的組成及檢測項目分析

航空發(fā)動機用合成潤滑油主要是采用粘溫特性、高低溫性能以及潤滑性能優(yōu)異的雙酯、多元醇酯做基礎油，再加入一定量的抗氧抗腐劑N-苯基-α-萘胺(PANA)、對，對′-二異辛基二苯胺(DODPA)和極壓抗磨劑磷酸三甲酚酯(TCP)等混合而成。但合成酯類油在使用過程中、高溫條件下由于氧化、水解、凝聚、混入雜質等也會發(fā)生變質，影響潤滑性能。主要表現(xiàn)在以下幾個方面：

(1)物理性能指標—酸值、閃點、運動粘度

出廠合格的潤滑油具有一定的粘度、閃點和酸值等理化性質要求。在用潤滑油由于氧化、添加劑降解等會產生有機羧酸、醇、酚等酸性物質，酯類基礎油具有一定極性，水解會產生酸和醇類物質，這些都會導致油液酸值升高，對發(fā)動機部件的腐蝕性增強。而燃油侵入會稀釋機油，酯基破解分子量降低都會使其閃點降低、粘度下降，造成油膜不易保持乃至燒結，影響潤滑性能。

(2)污染指標——水分、燃油污染

潤滑油污染也是在用油劣化的原因之一。機油的污染主要起因于侵入機油中燃油、水分、灰塵以及金屬粉末和機油劣化后生成的雜質，它們使?jié)櫥偷那鍧嵍茸儾疃苯邮蛊錆櫥?、冷卻等功能惡化。作為航空發(fā)動機的潤滑油污染主要表現(xiàn)在侵入燃油和水分造成的污染。燃油侵入會稀釋潤滑油，造成油膜不易保持乃至燒結，水分侵入會減弱潤滑效果，加速有機酸對金屬設備腐蝕等。

(3)衰變指標—酯基破解、抗氧劑、抗磨劑

在用潤滑油衰變的直接表現(xiàn)就是基礎油的酯基破解、抗氧劑和抗磨劑的損耗。酯基破解表現(xiàn)在酸值升高、運動粘度下降，腐蝕性增加，潤滑性能變差?？寡鮿┖涂鼓┑募尤胧菫榱藘?yōu)化潤滑油的性能?？寡鮿┦峭ㄟ^終止鏈的繼續(xù)發(fā)展或終止游離基的發(fā)展來阻止?jié)櫥偷难趸腫3]，其含量降低會導致潤滑油容易氧化變質。極壓抗摩劑是在金屬表面承受負荷的條件下，起到防止滑動的金屬表面的磨損、擦傷甚至燒結的作用，含量降低潤滑效果變差。

通過對以上理化指標、污染指標和衰變指標的檢測分析可確定在用潤滑油的狀態(tài)。

3 多波長光譜定量模型建立

3.1 紅外光譜建模分析原理和過程

潤滑油主要是由C、O、N等元素組成的有機化合物的混合物，不僅包含復雜的基礎油，而且還含有多種添加劑。潤滑油的紅外光譜由其化學組成決定，同時潤滑油的各種理化指標也由化學組成決定，因此，紅外光譜和潤滑油理化指標和組成之間可通過化學計量學中的多元校正方法建立某種關系，這是紅外光譜定量分析潤滑油組成和性質的理論基礎[4]。紅外光譜定量分析建模包括試樣采集、基礎數(shù)據測定、光譜采集、數(shù)據處理、建立校正模型和模型驗證等過程。建好的預測模型可用于未知樣品的快速定量檢測。采用多波長光譜建模方法可實現(xiàn)酸值、運動粘度、閃點、水分的快速定量分析。

3.2 試樣采集

試樣是建立適應性強、穩(wěn)定性好的分析模型的基礎，采集試樣的被測指標的數(shù)值應存在均勻的梯度分布，且包含以后要預測的指標范圍?？蓮牟煌ぷ鲿r段的發(fā)動機采集在用潤滑油試樣，并通過混合、組合、添加等方式形成樣品集。采用k/s方法形成校正集(36個樣品用于建立校正模型)和預測集(10個樣品用于模型準確度分析)[5]。

3.3 基礎數(shù)據測定

采用常規(guī)的標準方法測定樣品各理化指標的基礎數(shù)據，多次測定結果取平均值，以保證測定結果的準確性。各項指標測定標準見表1。

表1 航空潤滑油分析項目和測定方法

3.4 光譜采集

對收集的樣品進行光譜掃描，獲得樣品的紅外光譜。盡量在不同時段且不按結果的升序或降序掃描，使采集的光譜包含今后分析過程中可能出現(xiàn)的信息。

3.5 光譜預處理

對紅外光譜進行預處理可消除電噪音、樣品背景和雜散光等無關信息，提高分析結果的準確度。常用的光譜預處理方法有平滑、求導、均值中心化、小波變換等，可根據校正集標準偏差(SEC)和預測集標準偏差(SEP)選擇合適的預處理方法和條件[6]。

3.6 光譜區(qū)間選擇

雖然多元校正方法可在全譜范圍內一定程度上提取有用信息，剔除干擾信息。但在全譜波長范圍中，通過篩選特征波長或波長區(qū)間一方面可以簡化模型，更主要的是由于不相關或非線性變量的剔除，可以得到預測能力強、穩(wěn)健性好的校正模型。光譜區(qū)間的選擇可根據測定項目基團的貢獻和光譜位置確定。如酸值反映的酸性物質含量的多少，主要表現(xiàn)在C=O、C-O、O-H基團在紅外區(qū)域吸收，在酸值相關基團分析基礎上對比在用油和新油紅外光譜，可以確定在3597～3202cm-1、2600～2250cm-1、920～800cm-1區(qū)域內吸光度值有明顯差異，稱之為酸值特征區(qū)間[7]。水分的H-O-H基團在紅外吸收中產生3652cm-1對稱伸縮振動、3756cm-1反對稱伸縮振動、1596cm-1剪式振動共3個吸收峰，另外在2070cm-1處存在水分子獨特的1640cm-1(H2O變角振動)與550cm-1(H2O擺角

振動)產生的合頻峰吸收。對于閃點、運動粘度等物理性質指標可根據相關系數(shù)或測定結果標準偏差進行選擇，例如運動粘度的測定可采用iPLS對光譜信息進行區(qū)間分割和選擇[8]，見圖1。

圖1 區(qū)間數(shù)為12時不同區(qū)間的SEC值圖

3.7 多元校正模型建立

多元校正是有效提取信息，建立光譜和樣品指標之間相關關系(即模型)的關鍵，包括多元線性回歸、主成分分析、偏最小二乘(PLS)、神經網絡(ANN)等方法。線性關系常用是PLS法，非線性關系常用神經網絡法。所建模型通過SEC、SEP以及t檢驗合格后即可用于未知樣品的預測。

3.7.1 偏最小二乘法

對酸值、閃點、運動粘度分別采用PLS法建立校正模型，校正模型的最佳參數(shù)見表2，圖2分別為酸值和40℃運動粘度兩種模型的相關圖，所建模型基本滿足準確度要求。

表2 PLS法校正模型參數(shù)報告

圖2 預測值與標準測定值的關系

3.7.2 神經網絡法

在用潤滑油水分采用神經網絡法并結合遺傳算法選擇波長可取得較好的效果，圖3為水分模型的相關圖，表3是校正模型的最佳參數(shù)。

表3 水分模型參數(shù)

圖3 遺傳算法處理后BP-ANN模型相關圖

4 工作曲線繪制

在用潤滑油中，有些分析項目如燃油污染、抗氧劑和抗磨劑的含量不易采用常規(guī)方法測量，但在紅外光譜中具有不同于其他成分的吸收峰，可采用基礎油定量添加，通過測定峰高或峰面積繪制標準工作曲線，建立紅外光譜和組分含量的定量關系。

4.1 燃油污染工作曲線

航空發(fā)動機一般采用3號噴氣燃料(RP-3)做燃料油，3號噴氣燃料主要由烷烴、環(huán)烷烴、芳烴等物質組成。由于在用航空潤滑油中RP-3污染含量較低，基礎油多元醇酯在紅外光譜大部分區(qū)域掩蓋了RP-3的吸收峰。仔細分析光譜圖可發(fā)現(xiàn)不同燃油污染度樣品在780cm-1處吸收峰有明顯差別，見圖4。由于噴氣燃料粘度較低，對潤滑油有稀釋作用。隨著污染程度增加，潤滑油吸收峰高度降低，該區(qū)域可以表征航空潤滑油燃油污染量。由圖5可見，燃油污染含量與804～759cm-1譜區(qū)峰面積值成線性關系，說明實驗室配制的燃油污染樣品準確度較高，可以用于燃油污染的定量分析和建立紅外光譜定量分析模型。

圖4 燃油污染特征光譜區(qū)域

圖5 燃油含量與紅外峰面積值對應關系圖

4.2 抗氧劑工作曲線

將配制的抗氧劑不同含量樣品進行紅外光譜掃描，濃度為0.0698mol/L、0.0856mol/L、0.0866mol/L，3種試樣的吸收峰如圖6所示。在3316cm-1和3420cm-1兩點間作基線，特征峰的兩點基線校正峰高值隨抗氧劑含量增加而增加，符合朗伯-比爾定律。繪制的工作曲線見圖7，具有良好的線性相關性?？梢园礃藴是€法進行定量分析。

圖6 不同抗氧劑含量樣品的紅外譜圖

圖7 抗氧劑工作曲線

4.3 抗磨劑工作曲線

將配制的不同含量抗磨劑TCP試樣進行紅外光譜分析，基礎油、基礎油加入TCP和在用油的紅外譜圖如圖8所示。TCP在650cm-1左右存在弱吸收峰，670～630cm-1之間的吸收強度隨抗磨劑含量增加而增強。采用未經基線校正的峰面積法計算該區(qū)域面積，得到9個基礎油中TCP含量與相應

的譜峰面積的對應值，結果符合朗伯-比爾定律。工作曲線見圖9，抗磨劑質量百分數(shù)在1.05%～2.5%范圍內含量和紅外讀數(shù)之間呈良好的線性相關性，可以按工作曲線法進行定量分析。

圖8 TCP含量紅外譜圖計算區(qū)域

圖9 TCP含量與紅外數(shù)值的相關性

5 酯基組分降解程度關聯(lián)分析

航空潤滑油基礎油的氧化和降解稱為酯基組分降解，研究在用油酯基降解程度也可以反映潤滑油基礎油質量狀況。

5.1 酯基降解紅外譜圖分析

根據ASTM E2412規(guī)定的分析參數(shù)[9]，酯基組分降解產物在3595～3500cm-1產生特征吸收峰1，并且在3330～3150cm-1產生特征吸收峰2。分析所研究的在用潤滑油紅外光譜，發(fā)現(xiàn)不同工作時間的在用油只在3595～3500cm-1區(qū)域光譜吸收程度有明顯差別(見圖10)，可通過計算該區(qū)域的紅外吸收峰面積作為表征酯基降解的參數(shù)。

圖10 在用油酯基降解的紅外光譜分析

5.2 酯基降解程度與酸值、粘度值關聯(lián)性

基礎油酯基降解是一個復雜的過程，無法根據其某類降解產物來評價降解程度。但酯基降解的生成物主要是有機酸、醇和一些短鏈的有機物等，會導致在用油酸值增大、粘度降低。而酸值和粘度指標的檢測技術成熟，可以通過酯基降解程度與酸值、粘度值的關聯(lián)性分析來判斷是否可以用酸值或粘度值來推斷酯基的降解程度[10]。圖11是20個在用航空潤滑油樣品酯基降解紅外讀數(shù)和理化指標測定值的相關圖。

圖11 在用油酯基降解程度與酸值、粘度值關聯(lián)性

由圖11可見，酯基降解程度和酸值之間是強相關的，理論上在用潤滑油酯基降解的程度可以通過酸值來表征。粘度值的相關較低是因為：

(1)在用航空潤滑油在使用過程中會混入航空燃油，航空燃油的粘度值很小。

(2)T. E. Karris等通過凝膠滲透色譜(GPC)和激光解析質譜(LDMS)分析時認為帶羥基或羧基的氧化產物通過分子間氫鍵締合使酯類油在氧化過程中表現(xiàn)分子量變大。隨著氧化程度加深，帶羥基的氧化產物增多而使粘度變大。分析認為在用航空潤滑油使用過程中粘度值的變化表現(xiàn)為先降低后升高。所以不能使用粘度值來表征酯基降解的程度。

6 小結

利用紅外光譜建立校正模型或標準曲線等快速定量檢測在用潤滑油各種性能指標，可實現(xiàn)在用潤滑油衰變信息的實時監(jiān)控，能有效預防裝備故障的發(fā)生。在用潤滑油狀態(tài)信息監(jiān)控是一個長期摸索的過程，針對裝備通過大量數(shù)據信息確定在用潤滑油衰變信息的閾限值，可變定期維護為視情維護，變事后維修為主動維修。

[1] 宋蘭琪，陳立波，張占綱. 油液監(jiān)測技術在空軍的應用[C], 2010軍用油料快速分析測試技術論壇論文集. 2010軍用油料快速分析測試技術論壇論, 北京: 總后勤部油料研究所, 2010.8: 376-381.

[2]楊俊杰. 油液監(jiān)測技術[M]. 北京: 石油工業(yè)出版社, 2009: 40-44; 66-73; 206-209.

[3]謝鳳，王冬. 抗氧劑在航空潤滑油中的應用[J]. 合成潤滑材料. 2004.31(3): 22-25.

[4]王德發(fā)，蘇亞琴. 傅里葉變換紅外光譜技術在分析化學領域的應用[J]. 化學分析計量. 2009.18(4): 82-86.

[5]Jeongah Yoon, Byungwoo Lee, Chonghun Han. Chemometrics and Intelligent Laboratory Systems. 2002, 64:1.

[6]王菊香，邢志娜，申剛. 紅外光譜結合化學計量學方法快速測定在用航空潤滑油的酸值[J]. 石油與天然氣化工. 2014.43(5): 553-557.

[7]Rawson P, Morris G. Fourier Transform Infrared (FTIR) Based Oil Condition Monitoring for Synthetic Turbine Oils[C]. Air Vehicles Division Technical Report DSTO-TR-1467. 2003:7.

[8]朱向榮，李娜，史新元. 近紅外光譜與組合間隔偏最小二乘法測定清開靈四混液中總氮和梔子苷的含量[J]. 高等學校化學學報. 2008. 29(5): 905-911.

[9]ASTM E2412-04 Standard Practice for Condition Monitoring of Used Lubricants by Trend Analysis Using Fourier Transform Infrared (FT-IR) Spectrometry[S]. United States: ASTM Committee, 2004.

[10]Jalbert Panl A, Markham James R. Fourier Transform Infrared for Turbine Engine Health Monitoring[J]. Applied spectroccopy, 2004. 58(12): 1506-1509.

Quantitative analysis and relation of quality degradation in used lubricants by infrared spectrum.

Wang Juxiang,Li Wei,Qu Jun

(Department of Airborne Vehicle Engineering，Naval Aeronautical and Astronautical University， Yantai 264001, China)

Component and test items in a certain type of used lubricants were analysed, and the relation between infrared spectrum and test item was studied. Multivariate calibration methods of partial least squares(PLS) and artificial neural network(ANN) were used in infrared spectrum to set analytical model about kinematic viscosity, flash point, acid number and water content. Working curves of peak area or peak height were drawn based on Beer-Lambert law, then the contens of fuel oil, antioxidant and antiwear additive in aviation lubricants were determined. The ester base-stock can not be measured directly. There is a relevance between ester base-stock breakdown and kinematic viscosity or acid number, and acid number can be used to estimate the degree of ester base-stock breakdown because of a good correlation.

used aviation lubricating oil; infrared spectrum; partial least squares; artificial neural network; quick analysis

王菊香，1971年生，教授，主要從事液體推進劑分析的教學和科研工作，E-mail:juxiangw@163.com，juxiangw@sina.com。

10.3936/j.issn.1001-232x.2017.02.012

2016-11-15