蘭天，智海峰，王敏，劉峰春，王彥巖，陰晉冠，沈義濤

(1.海軍裝備部，山西 太原 030027；2.中國北方發(fā)動機(jī)研究所，天津 300400；3.哈爾濱工業(yè)大學(xué)，山東 威海 264209)

潤滑油被稱為發(fā)動機(jī)的“血液”，具有密封、潤滑、減摩、減振和防腐等作用。在使用過程中，由于吸入雜質(zhì)和本身氧化等原因，導(dǎo)致潤滑油變質(zhì)、性能劣化并影響發(fā)動機(jī)的運(yùn)行安全。因此需要對潤滑油進(jìn)行監(jiān)測，使其符合使用要求。目前大部分油液監(jiān)測技術(shù)采用“離線”的方法，分析精度高，但耗時長，時效性較差。基于傳感器和數(shù)據(jù)傳輸?shù)臐櫥驮诰€監(jiān)測與評價(jià)技術(shù)，可以實(shí)現(xiàn)數(shù)據(jù)端到服務(wù)端的無縫連接。在線油液監(jiān)測技術(shù)能夠?qū)崿F(xiàn)車輛運(yùn)行數(shù)據(jù)的互聯(lián)和共享，將數(shù)據(jù)轉(zhuǎn)化成實(shí)際的裝備維修保養(yǎng)建議。對柴油機(jī)潤滑油狀態(tài)進(jìn)行在線評估，可以避免因潤滑油狀態(tài)異常造成的發(fā)動機(jī)部件損壞，對提高柴油機(jī)工作的可靠性具有重要意義。

目前，針對柴油機(jī)潤滑油在線監(jiān)測和評估方法，國內(nèi)外學(xué)者進(jìn)行了廣泛的研究。Dickert等開發(fā)了一種用于監(jiān)測潤滑油劣化的傳感器，通過對潤滑油施加磁場，將鐵屑吸引到傳感器附近，根據(jù)電容的變化來確定鐵屑含量。Dobrinski等開發(fā)了一種創(chuàng)新的組合式傳感器，可在發(fā)動機(jī)正常運(yùn)行期間連續(xù)測量6個獨(dú)立的潤滑油參數(shù)，建立智能潤滑油狀況算法模型對傳感器輸入信號進(jìn)行分析，計(jì)算出當(dāng)前油質(zhì)。Katafuchi等提出了一種評估潤滑油狀態(tài)的方法，通過對不同頻率下復(fù)介電常數(shù)和靜介電常數(shù)的深入研究，使得對潤滑油狀態(tài)評估的準(zhǔn)確性得到了進(jìn)一步提升。Laskar等設(shè)計(jì)了一套測量潤滑油劣化程度的儀器系統(tǒng)，該系統(tǒng)采用訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)算法來確定潤滑油樣品的劣化程度。曹凱經(jīng)過研究認(rèn)為介電常數(shù)與里程數(shù)、機(jī)油理化指標(biāo)有很好的相關(guān)性，通過介電常數(shù)變化來評價(jià)機(jī)油當(dāng)前狀態(tài)方案可行，通過潤滑油介電常數(shù)的變化能夠確定最佳的換油時機(jī)。王永安定量分析了潤滑油中燃油含量對潤滑油黏度和酸值的影響，結(jié)果表明：隨著潤滑油內(nèi)燃油含量的不斷增加，潤滑油黏度、酸值會出現(xiàn)規(guī)律性的降低。王雋利用神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)了潤滑油狀態(tài)辨別模型，經(jīng)驗(yàn)證，該模型誤差小，可滿足潤滑油在線評價(jià)的要求。綜上可見，針對油品傳感器單一監(jiān)測參數(shù)隨不同油品指標(biāo)變化的研究已較多且相對成熟，而較少關(guān)注多個油品指標(biāo)同時變化對油品傳感器監(jiān)測參數(shù)的影響以及油品指標(biāo)變化對不同油品監(jiān)測參數(shù)的影響，更缺乏通過傳感器測量結(jié)果間接推算機(jī)油指標(biāo)如燃油稀釋和煙炱含量等的研究。

針對上述問題，本研究采用潤滑油在線監(jiān)測與離線分析相結(jié)合的方式，通過對多個油品參數(shù)進(jìn)行同時監(jiān)測，建立潤滑油狀態(tài)參數(shù)評估模型，并利用回歸分析和神經(jīng)網(wǎng)絡(luò)方法，實(shí)現(xiàn)對潤滑油主要劣化指標(biāo)的準(zhǔn)確預(yù)測。

1 潤滑油狀態(tài)在線評估試驗(yàn)

1.1 潤滑油狀態(tài)參數(shù)影響試驗(yàn)

試驗(yàn)傳感器采用JCQ-1624介電常數(shù)傳感器和YFVW-6多參數(shù)油品傳感器。根據(jù)換油指標(biāo)閾值，本試驗(yàn)測試柴油含量范圍為0～5%，煙炱含量范圍為0～4%，潤滑油氧化則選取氧化時間為50 h，100 h，124 h，152 h，176 h，200 h共6個樣本進(jìn)行分析。試驗(yàn)得到柴油、煙炱、氧化對劣化指標(biāo)介電常數(shù)和黏度的影響，并確定其數(shù)學(xué)關(guān)系。燃油稀釋對介電常數(shù)和潤滑油黏度的影響如圖1和圖2所示。

圖1 燃油稀釋對潤滑油介電常數(shù)的影響

圖2 燃油稀釋對潤滑油黏度的影響

根據(jù)試驗(yàn)結(jié)果可知介電常數(shù)隨柴油含量變化不明顯。因?yàn)闈櫥秃筒裼蛯儆谕活悇e化合物，加入少量柴油介電常數(shù)變化很小，甚至基本不變。而隨著柴油含量增加，潤滑油黏度明顯降低，且潤滑油黏度與潤滑油中的柴油含量成線性關(guān)系。

煙炱對介電常數(shù)以及潤滑油黏度的影響如圖3和圖4所示。由圖3可知，煙炱含量與潤滑油介電常數(shù)有很強(qiáng)的相關(guān)性，當(dāng)煙炱含量由0變化至4%時，介電常數(shù)的變化率為46.9%。當(dāng)潤滑油中煙炱濃度較小時，潤滑油的黏度不會出現(xiàn)明顯變化。只有當(dāng)濃度增加到一定程度時，煙炱顆粒發(fā)生聚集，形成具有較高黏度的網(wǎng)格狀結(jié)構(gòu)，潤滑油的黏度才會增加。分析得出潤滑油油介電常數(shù)與潤滑油中煙炱含量成線性關(guān)系。潤滑油黏度與煙炱含量成一次或二次函數(shù)關(guān)系效果均較好，二次函數(shù)的值更高，擬合程度更好。

在實(shí)驗(yàn)室條件下對潤滑油進(jìn)行100 ℃氧化200 h試驗(yàn)，氧化時間對介電常數(shù)的影響如圖5所示。由圖5可知，隨著氧化時間的增加，潤滑油介電常數(shù)略微下降后開始提高，在100 h時介電常數(shù)達(dá)到最高，為2.3，介電常數(shù)變化0.03；然后又開始下降，在150 h時開始趨于穩(wěn)定，又回到新油時的2.27。在整個試驗(yàn)過程中介電常數(shù)變化不明顯，認(rèn)為在氧化過程中潤滑油介電常數(shù)變化可以基本忽略。

圖3 煙炱含量對潤滑油介電常數(shù)的影響

圖4 煙炱含量對潤滑油黏度的影響

圖5 氧化時長對介電常數(shù)的影響

在40 ℃，60 ℃溫度下氧化時間對潤滑油氧化樣本黏度的影響如圖6所示。由圖6可知，潤滑油黏度變化也可忽略。

圖6 氧化時長對黏度的影響

1.2 臺架試驗(yàn)

以某重型柴油機(jī)為研究對象進(jìn)行了2次臺架試驗(yàn)，該型柴油機(jī)換油周期為200 h。研究了潤滑油在發(fā)動機(jī)運(yùn)行過程中各參數(shù)的變化情況，并分析了發(fā)動機(jī)運(yùn)行過程中潤滑油狀態(tài)參數(shù)(介電常數(shù)、潤滑油黏度)變化規(guī)律。圖7示出介電常數(shù)隨運(yùn)行時間的變化關(guān)系。

圖7 介電常數(shù)變化趨勢

從圖7中觀察到2次臺架試驗(yàn)潤滑油介電常數(shù)變化差異明顯。第一次臺架試驗(yàn)過程中潤滑油介電常數(shù)升高明顯。在新潤滑油加入發(fā)動機(jī)時，介電常數(shù)迅速增加，然后在2.46～2.49范圍波動；隨后再次增加后趨于穩(wěn)定；最后介電常數(shù)在2.52～2.53范圍波動。第二次臺架試驗(yàn)中，在整個潤滑油循環(huán)周期內(nèi)潤滑油介電常數(shù)在2.27±0.05波動，幾乎未發(fā)生變化。

潤滑油黏度變化趨勢如圖8和圖9所示，其中40 ℃，60 ℃時的數(shù)據(jù)為實(shí)際測量值，100 ℃時的數(shù)據(jù)為擬合值。從圖8和圖9可以看出，兩次臺架試驗(yàn)潤滑油黏度變化差別明顯。分析40 ℃時的試驗(yàn)結(jié)果可知，第一次臺架試驗(yàn)初期潤滑油黏度由60.331 mPa·s降至57.90 mPa·s，這是由于新潤滑油的加入導(dǎo)致潤滑油分子發(fā)生變化，潤滑油黏度下降；然后由于潤滑油內(nèi)雜質(zhì)的增加，潤滑油黏度又增加；最后潤滑油黏度在一定范圍內(nèi)波動。第二次試驗(yàn)中，潤滑油黏度由60.331 mPa·s降至57.304 mPa·s，變化率為0.5%，并且直至達(dá)到換油周期潤滑油黏度仍然小于新油。

圖8 第一次臺架試驗(yàn)潤滑油黏度變化趨勢

圖9 第二次臺架試驗(yàn)潤滑油黏度變化趨勢

2 算法

2.1 BP神經(jīng)網(wǎng)絡(luò)算法

BP神經(jīng)網(wǎng)絡(luò)采用梯度下降法，網(wǎng)絡(luò)訓(xùn)練實(shí)質(zhì)就是連接權(quán)值和閾值不斷更新修正的過程。BP神經(jīng)網(wǎng)絡(luò)預(yù)測流程(見圖10)如下：1)輸入?yún)?shù)選擇、初始化：訓(xùn)練前需要對數(shù)據(jù)進(jìn)行分析處理，選取特征參數(shù)作為網(wǎng)絡(luò)輸入。同時進(jìn)行初始化，包括輸入層節(jié)點(diǎn)、隱層節(jié)點(diǎn)、輸出層節(jié)點(diǎn)、連接權(quán)值和閾值、學(xué)習(xí)速率、訓(xùn)練次數(shù)以及最小精度。2)前向訓(xùn)練：將訓(xùn)練樣本輸入神經(jīng)網(wǎng)絡(luò)，算法自行運(yùn)行。如果輸出結(jié)果小于最小精度，則訓(xùn)練結(jié)束。3)反向訓(xùn)練：如果輸出結(jié)果大于最小精度，進(jìn)行誤差反饋，自動調(diào)整各層的連接權(quán)值和閾值，然后再次進(jìn)行正向訓(xùn)練。4)結(jié)束：精度達(dá)到要求后，訓(xùn)練結(jié)束，固定權(quán)重、閾值。

圖10 神經(jīng)網(wǎng)絡(luò)預(yù)測流程

2.2 Levenberg-Marquardt算法

訓(xùn)練功能采用Levenberg-Marquardt算法，它結(jié)合了梯度下降法與高斯牛頓法。該算法與高斯牛頓法的區(qū)別為增加了變量因子。當(dāng)因子較大時，算法類似于最速下降法。當(dāng)因子很小時，算法類似高斯牛頓法。該算法非常有效地解決了傳統(tǒng)算法易陷入局部最優(yōu)、收斂速度慢等缺點(diǎn)。其權(quán)值向量的迭代遵循以下規(guī)則：

+1=+Δ。

(1)

式中：和+1表示第及第+1次迭代權(quán)值和閾值向量。Δ表達(dá)式如下：

Δ=-[()()+δ]()()。

(2)

式中：為單位矩陣；為常數(shù)，且滿足>0；()為輸出與實(shí)際的誤差；()為雅克比矩陣，其表達(dá)式如下：

(3)

誤差函數(shù)()的計(jì)算公式為

(4)

LM算法主要步驟如下：1)初始化權(quán)值和閾值向量，網(wǎng)絡(luò)訓(xùn)練誤差許可值、阻尼因子、調(diào)整系數(shù)，并令=0，=；2)計(jì)算第次迭代時誤差函數(shù)()的值；3)計(jì)算雅克比矩陣()；4)根據(jù)式(1)、式(2)計(jì)算+1；5)如果()<，則達(dá)到設(shè)定目標(biāo)，算法結(jié)束，否則繼續(xù)計(jì)算第+1次迭代的(+1)值；6)如果(+1)<()，則令=+1，=跳轉(zhuǎn)至第二步重新計(jì)算，否則不更新網(wǎng)絡(luò)權(quán)值和閾值，令+1=，=；7)結(jié)束。

3 建模與評估

3.1 基于回歸模型的潤滑油劣化指標(biāo)評估

通過兩次發(fā)動機(jī)臺架試驗(yàn)，可知臺架試驗(yàn)中各個劣化指標(biāo)變化程度不大，因此利用狀態(tài)參數(shù)影響試驗(yàn)、第一次臺架試驗(yàn)部分?jǐn)?shù)據(jù)進(jìn)行回歸分析，得到具有更大范圍適應(yīng)能力的狀態(tài)參數(shù)回歸模型。在潤滑油狀態(tài)參數(shù)單因素200 h氧化模擬試驗(yàn)中，潤滑油未發(fā)生明顯氧化，但由于發(fā)動機(jī)的狀態(tài)相比實(shí)驗(yàn)室環(huán)境更為復(fù)雜，第一次臺架試驗(yàn)中潤滑油發(fā)生明顯氧化，因此在模型搭建中潤滑油氧化對狀態(tài)參數(shù)的影響關(guān)系主要由相關(guān)系數(shù)確定。根據(jù)潤滑油狀態(tài)參數(shù)試驗(yàn)得到的結(jié)果，對介電常數(shù)回歸分析提出以下數(shù)學(xué)模型：

=++++。

(5)

式中：，，，，為常數(shù)；為柴油質(zhì)量分?jǐn)?shù)；為煙炱質(zhì)量分?jǐn)?shù)；為氧化度。

求得各參數(shù)結(jié)果，如表1所示。

表1 介電常數(shù)模型參數(shù)求解

對潤滑油黏度進(jìn)行回歸分析，根據(jù)單因素試驗(yàn)得到的結(jié)果提出以下數(shù)學(xué)模型：

(6)

式中：，，，，，為常數(shù)；，，的含義同式(5)。

求得各參數(shù)結(jié)果，如表2所示。

表2 黏度模型參數(shù)求解

對建立的潤滑油狀態(tài)參數(shù)回歸模型進(jìn)一步分析，通過引入合理假設(shè)獲得柴油含量、煙炱含量以及氧化度的回歸預(yù)測模型；模型中已知量為潤滑油介電常數(shù)、潤滑油黏度，未知量為柴油含量、煙炱含量和氧化度。對2次臺架試驗(yàn)結(jié)果進(jìn)行分析，第一次臺架試驗(yàn)中煙炱含量變化顯著，潤滑油氧化程度也逐漸加深。第二次臺架試驗(yàn)中煙炱含量與潤滑油氧化變化均不明顯，且兩次試驗(yàn)潤滑油中柴油含量變化范圍相同，因此引入如下假設(shè)：

=。

(7)

式中：為煙炱質(zhì)量分?jǐn)?shù)；為氧化度；為常數(shù)。

當(dāng)柴油含量達(dá)到最大5%時，介電常數(shù)僅變化0.03，而在氧化度閾值內(nèi)介電常數(shù)最大變化為0.07，相比于煙炱對介電常數(shù)的影響，柴油含量、氧化度的影響很小，因此提出以下介電常數(shù)簡化模型：

=+。

(8)

式中：為介電常數(shù)；，為常數(shù)；為煙炱質(zhì)量分?jǐn)?shù)。

將式(7)、式(8)代入式(5)和式(6)，整理后得到潤滑油中柴油含量的預(yù)測模型：

=+++。

(9)

式中：為柴油質(zhì)量分?jǐn)?shù)；為動力黏度；為介電常數(shù)；，，，為常數(shù)。

對模型參數(shù)求解，結(jié)果如表3所示。

表3 預(yù)測模型參數(shù)求解

由于模型存在測量誤差以及擬合誤差，當(dāng)潤滑油中各組分含量極少時，預(yù)測模型會出現(xiàn)求解為負(fù)數(shù)情況，此時按0考慮。

3.2 基于BP神經(jīng)網(wǎng)絡(luò)的潤滑油劣化指標(biāo)評估

以某柴油機(jī)為研究對象，進(jìn)行了2次臺架試驗(yàn)，將試驗(yàn)得到的數(shù)據(jù)作為BP神經(jīng)網(wǎng)絡(luò)的建模數(shù)據(jù)。選擇潤滑油介電常數(shù)、潤滑油黏度為輸入變量，將柴油含量、煙炱含量、氧化度作為輸出參數(shù)。

3.3 潤滑油劣化指標(biāo)評估結(jié)果對比分析

利用搭建的預(yù)測模型對建模剩余數(shù)據(jù)以及第二次臺架試驗(yàn)數(shù)據(jù)進(jìn)行預(yù)測驗(yàn)證，其中柴油含量預(yù)測結(jié)果對比見圖11?；貧w模型對柴油含量預(yù)測的平均絕對誤差為0.266，最大預(yù)測誤差為柴油含量閾值的12.3%；BP神經(jīng)網(wǎng)絡(luò)對柴油含量預(yù)測的平均絕對誤差為0.20，最大預(yù)測誤差為柴油含量閾值的8.3%，并且從圖中可以觀察到BP神經(jīng)網(wǎng)絡(luò)對柴油含量的預(yù)測與真實(shí)值變化更一致。因此BP神經(jīng)網(wǎng)絡(luò)對潤滑油劣化指標(biāo)柴油含量具有更高的預(yù)測精度。

圖11 柴油含量預(yù)測對比

煙炱含量預(yù)測結(jié)果對比見圖12?；貧w模型對煙炱含量預(yù)測的平均絕對誤差為0.155，最大預(yù)測誤差為煙炱含量閾值的7.5%。BP神經(jīng)網(wǎng)絡(luò)對煙炱含量預(yù)測的平均絕對誤差為0.266，最大預(yù)測誤差為煙炱含量閾值的9.7%。從圖中可以觀察到回歸模型對機(jī)油內(nèi)煙炱含量的預(yù)測存在較多低于真實(shí)值的情況，對煙炱含量預(yù)警而言，BP神經(jīng)網(wǎng)絡(luò)優(yōu)于回歸模型。

圖12 煙炱含量預(yù)測對比

對氧化度的預(yù)測對比結(jié)果見圖13。回歸模型對氧化度預(yù)測的平均絕對誤差為0.05 A/mm，最大預(yù)測誤差為氧化度閾值的5%。BP神經(jīng)網(wǎng)絡(luò)對氧化度的預(yù)測平均絕對誤差為0.06 A/mm，最大預(yù)測誤差為氧化度閾值的6%。從圖中可以看出，兩個模型對氧化度的預(yù)測效果十分接近，差距不明顯?；貧w模型與BP神經(jīng)網(wǎng)絡(luò)均對氧化度有很好的預(yù)測效果。

圖13 氧化度預(yù)測對比

通過對兩種預(yù)測模型進(jìn)行驗(yàn)證對比分析，綜合考慮柴油、煙炱含量與氧化度指標(biāo)，認(rèn)為BP神經(jīng)網(wǎng)絡(luò)對潤滑油劣化指標(biāo)具有更好的預(yù)測精度，評估能力優(yōu)于經(jīng)過化簡的回歸模型。

4 結(jié)論

a)研究得到了潤滑油介電常數(shù)、黏度隨主要劣化指標(biāo)(柴油含量、煙炱含量、氧化度)的變化規(guī)律：柴油含量對介電常數(shù)的影響較小，與黏度呈較明顯負(fù)相關(guān)性；煙炱含量與介電常數(shù)呈正相關(guān)性，與黏度呈二次關(guān)系；氧化度對二者的影響很小，可以忽略；

b)搭建了BP神經(jīng)網(wǎng)絡(luò)潤滑油劣化指標(biāo)評估模型，BP神經(jīng)網(wǎng)絡(luò)對柴油含量預(yù)測的最大預(yù)測誤差為其閾值的8.3%，對煙炱含量預(yù)測的最大預(yù)測誤差為其閾值的9.7%，對氧化度預(yù)測的最大預(yù)測誤差為其閾值的6%，相比于回歸模型，BP神經(jīng)網(wǎng)絡(luò)對潤滑油主要劣化指標(biāo)的評估準(zhǔn)確性更高；

c)通過在線監(jiān)測與離線檢測相結(jié)合的方式，實(shí)現(xiàn)了對潤滑油狀態(tài)的準(zhǔn)確評估，對減少車輛發(fā)動機(jī)零部件磨損，提升發(fā)動機(jī)壽命和可靠性具有重要意義。