柴油機潤滑油液狀態在線評估方法研究

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.中國北方發動機研究所，天津 300400；3.哈爾濱工業大學，山東 威海 264209)

潤滑油被稱為發動機的“血液”，具有密封、潤滑、減摩、減振和防腐等作用。在使用過程中，由于吸入雜質和本身氧化等原因，導致潤滑油變質、性能劣化并影響發動機的運行安全。因此需要對潤滑油進行監測，使其符合使用要求。目前大部分油液監測技術采用“離線”的方法，分析精度高，但耗時長，時效性較差。基于傳感器和數據傳輸的潤滑油在線監測與評價技術，可以實現數據端到服務端的無縫連接。在線油液監測技術能夠實現車輛運行數據的互聯和共享，將數據轉化成實際的裝備維修保養建議。對柴油機潤滑油狀態進行在線評估，可以避免因潤滑油狀態異常造成的發動機部件損壞，對提高柴油機工作的可靠性具有重要意義。

目前，針對柴油機潤滑油在線監測和評估方法，國內外學者進行了廣泛的研究。Dickert等開發了一種用于監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，根據電容的變化來確定鐵屑含量。Dobrinski等開發了一種創新的組合式傳感器，可在發動機正常運行期間連續測量6個獨立的潤滑油參數，建立智能潤滑油狀況算法模型對傳感器輸入信號進行分析，計算出當前油質。Katafuchi等提出了一種評估潤滑油狀態的方法，通過對不同頻率下復介電常數和靜介電常數的深入研究，使得對潤滑油狀態評估的準確性得到了進一步提升。Laskar等設計了一套測量潤滑油劣化程度的儀器系統，該系統采用訓練好的神經網絡算法來確定潤滑油樣品的劣化程度。曹凱經過研究認為介電常數與里程數、機油理化指標有很好的相關性，通過介電常數變化來評價機油當前狀態方案可行，通過潤滑油介電常數的變化能夠確定最佳的換油時機。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，結果表明：隨著潤滑油內燃油含量的不斷增加，潤滑油黏度、酸值會出現規律性的降低。王雋利用神經網絡設計了潤滑油狀態辨別模型，經驗證，該模型誤差小，可滿足潤滑油在線評價的要求。綜上可見，針對油品傳感器單一監測參數隨不同油品指標變化的研究已較多且相對成熟，而較少關注多個油品指標同時變化對油品傳感器監測參數的影響以及油品指標變化對不同油品監測參數的影響，更缺乏通過傳感器測量結果間接推算機油指標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測與離線分析相結合的方式，通過對多個油品參數進行同時監測，建立潤滑油狀態參數評估模型，并利用回歸分析和神經網絡方法，實現對潤滑油主要劣化指標的準確預測。

1 潤滑油狀態在線評估試驗

1.1 潤滑油狀態參數影響試驗

試驗傳感器采用JCQ-1624介電常數傳感器和YFVW-6多參數油品傳感器。根據換油指標閾值，本試驗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個樣本進行分析。試驗得到柴油、煙炱、氧化對劣化指標介電常數和黏度的影響，并確定其數學關系。燃油稀釋對介電常數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的影響

圖2 燃油稀釋對潤滑油黏度的影響

根據試驗結果可知介電常數隨柴油含量變化不明顯。因為潤滑油和柴油屬于同一類別化合物，加入少量柴油介電常數變化很小，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系。

煙炱對介電常數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有很強的相關性，當煙炱含量由0變化至4%時，介電常數的變化率為46.9%。當潤滑油中煙炱濃度較小時，潤滑油的黏度不會出現明顯變化。只有當濃度增加到一定程度時，煙炱顆粒發生聚集，形成具有較高黏度的網格狀結構，潤滑油的黏度才會增加。分析得出潤滑油油介電常數與潤滑油中煙炱含量成線性關系。潤滑油黏度與煙炱含量成一次或二次函數關系效果均較好，二次函數的值更高，擬合程度更好。

在實驗室條件下對潤滑油進行100 ℃氧化200 h試驗，氧化時間對介電常數的影響如圖5所示。由圖5可知，隨著氧化時間的增加，潤滑油介電常數略微下降后開始提高，在100 h時介電常數達到最高，為2.3，介電常數變化0.03；然后又開始下降，在150 h時開始趨于穩定，又回到新油時的2.27。在整個試驗過程中介電常數變化不明顯，認為在氧化過程中潤滑油介電常數變化可以基本忽略。

圖3 煙炱含量對潤滑油介電常數的影響

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

以某重型柴油機為研究對象進行了2次臺架試驗，該型柴油機換油周期為200 h。研究了潤滑油在發動機運行過程中各參數的變化情況，并分析了發動機運行過程中潤滑油狀態參數(介電常數、潤滑油黏度)變化規律。圖7示出介電常數隨運行時間的變化關系。

圖7 介電常數變化趨勢

從圖7中觀察到2次臺架試驗潤滑油介電常數變化差異明顯。第一次臺架試驗過程中潤滑油介電常數升高明顯。在新潤滑油加入發動機時，介電常數迅速增加，然后在2.46～2.49范圍波動；隨后再次增加后趨于穩定；最后介電常數在2.52～2.53范圍波動。第二次臺架試驗中，在整個潤滑油循環周期內潤滑油介電常數在2.27±0.05波動，幾乎未發生變化。

潤滑油黏度變化趨勢如圖8和圖9所示，其中40 ℃，60 ℃時的數據為實際測量值，100 ℃時的數據為擬合值。從圖8和圖9可以看出，兩次臺架試驗潤滑油黏度變化差別明顯。分析40 ℃時的試驗結果可知，第一次臺架試驗初期潤滑油黏度由60.331 mPa·s降至57.90 mPa·s，這是由于新潤滑油的加入導致潤滑油分子發生變化，潤滑油黏度下降；然后由于潤滑油內雜質的增加，潤滑油黏度又增加；最后潤滑油黏度在一定范圍內波動。第二次試驗中，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 第一次臺架試驗潤滑油黏度變化趨勢

圖9 第二次臺架試驗潤滑油黏度變化趨勢

2 算法

2.1 BP神經網絡算法

BP神經網絡采用梯度下降法，網絡訓練實質就是連接權值和閾值不斷更新修正的過程。BP神經網絡預測流程(見圖10)如下：1)輸入參數選擇、初始化：訓練前需要對數據進行分析處理，選取特征參數作為網絡輸入。同時進行初始化，包括輸入層節點、隱層節點、輸出層節點、連接權值和閾值、學習速率、訓練次數以及最小精度。2)前向訓練：將訓練樣本輸入神經網絡，算法自行運行。如果輸出結果小于最小精度，則訓練結束。3)反向訓練：如果輸出結果大于最小精度，進行誤差反饋，自動調整各層的連接權值和閾值，然后再次進行正向訓練。4)結束：精度達到要求后，訓練結束，固定權重、閾值。

圖10 神經網絡預測流程

2.2 Levenberg-Marquardt算法

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

+1=+Δ。

(1)

式中：和+1表示第及第+1次迭代權值和閾值向量。Δ表達式如下：

Δ=-[()()+δ]()()。

(2)

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

(3)

誤差函數()的計算公式為

(4)

LM算法主要步驟如下：1)初始化權值和閾值向量，網絡訓練誤差許可值、阻尼因子、調整系數，并令=0，=；2)計算第次迭代時誤差函數()的值；3)計算雅克比矩陣()；4)根據式(1)、式(2)計算+1；5)如果()<，則達到設定目標，算法結束，否則繼續計算第+1次迭代的(+1)值；6)如果(+1)<()，則令=+1，=跳轉至第二步重新計算，否則不更新網絡權值和閾值，令+1=，=；7)結束。

3 建模與評估

3.1 基于回歸模型的潤滑油劣化指標評估

通過兩次發動機臺架試驗，可知臺架試驗中各個劣化指標變化程度不大，因此利用狀態參數影響試驗、第一次臺架試驗部分數據進行回歸分析，得到具有更大范圍適應能力的狀態參數回歸模型。在潤滑油狀態參數單因素200 h氧化模擬試驗中，潤滑油未發生明顯氧化，但由于發動機的狀態相比實驗室環境更為復雜，第一次臺架試驗中潤滑油發生明顯氧化，因此在模型搭建中潤滑油氧化對狀態參數的影響關系主要由相關系數確定。根據潤滑油狀態參數試驗得到的結果，對介電常數回歸分析提出以下數學模型：

=++++。

(5)

式中：，，，，為常數；為柴油質量分數；為煙炱質量分數；為氧化度。

求得各參數結果，如表1所示。

表1 介電常數模型參數求解

對潤滑油黏度進行回歸分析，根據單因素試驗得到的結果提出以下數學模型：

(6)

式中：，，，，，為常數；，，的含義同式(5)。

求得各參數結果，如表2所示。

表2 黏度模型參數求解

對建立的潤滑油狀態參數回歸模型進一步分析，通過引入合理假設獲得柴油含量、煙炱含量以及氧化度的回歸預測模型；模型中已知量為潤滑油介電常數、潤滑油黏度，未知量為柴油含量、煙炱含量和氧化度。對2次臺架試驗結果進行分析，第一次臺架試驗中煙炱含量變化顯著，潤滑油氧化程度也逐漸加深。第二次臺架試驗中煙炱含量與潤滑油氧化變化均不明顯，且兩次試驗潤滑油中柴油含量變化范圍相同，因此引入如下假設：

=。

(7)

式中：為煙炱質量分數；為氧化度；為常數。

當柴油含量達到最大5%時，介電常數僅變化0.03，而在氧化度閾值內介電常數最大變化為0.07，相比于煙炱對介電常數的影響，柴油含量、氧化度的影響很小，因此提出以下介電常數簡化模型：

=+。

(8)

式中：為介電常數；，為常數；為煙炱質量分數。

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測模型：

=+++。

(9)

式中：為柴油質量分數；為動力黏度；為介電常數；，，，為常數。

對模型參數求解，結果如表3所示。

表3 預測模型參數求解

由于模型存在測量誤差以及擬合誤差，當潤滑油中各組分含量極少時，預測模型會出現求解為負數情況，此時按0考慮。

3.2 基于BP神經網絡的潤滑油劣化指標評估

以某柴油機為研究對象，進行了2次臺架試驗，將試驗得到的數據作為BP神經網絡的建模數據。選擇潤滑油介電常數、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。

3.3 潤滑油劣化指標評估結果對比分析

利用搭建的預測模型對建模剩余數據以及第二次臺架試驗數據進行預測驗證，其中柴油含量預測結果對比見圖11。回歸模型對柴油含量預測的平均絕對誤差為0.266，最大預測誤差為柴油含量閾值的12.3%；BP神經網絡對柴油含量預測的平均絕對誤差為0.20，最大預測誤差為柴油含量閾值的8.3%，并且從圖中可以觀察到BP神經網絡對柴油含量的預測與真實值變化更一致。因此BP神經網絡對潤滑油劣化指標柴油含量具有更高的預測精度。

圖11 柴油含量預測對比

煙炱含量預測結果對比見圖12。回歸模型對煙炱含量預測的平均絕對誤差為0.155，最大預測誤差為煙炱含量閾值的7.5%。BP神經網絡對煙炱含量預測的平均絕對誤差為0.266，最大預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油內煙炱含量的預測存在較多低于真實值的情況，對煙炱含量預警而言，BP神經網絡優于回歸模型。

圖12 煙炱含量預測對比

對氧化度的預測對比結果見圖13。回歸模型對氧化度預測的平均絕對誤差為0.05 A/mm，最大預測誤差為氧化度閾值的5%。BP神經網絡對氧化度的預測平均絕對誤差為0.06 A/mm，最大預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測效果十分接近，差距不明顯。回歸模型與BP神經網絡均對氧化度有很好的預測效果。

圖13 氧化度預測對比

通過對兩種預測模型進行驗證對比分析，綜合考慮柴油、煙炱含量與氧化度指標，認為BP神經網絡對潤滑油劣化指標具有更好的預測精度，評估能力優于經過化簡的回歸模型。

4 結論

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

b)搭建了BP神經網絡潤滑油劣化指標評估模型，BP神經網絡對柴油含量預測的最大預測誤差為其閾值的8.3%，對煙炱含量預測的最大預測誤差為其閾值的9.7%，對氧化度預測的最大預測誤差為其閾值的6%，相比于回歸模型，BP神經網絡對潤滑油主要劣化指標的評估準確性更高；

c)通過在線監測與離線檢測相結合的方式，實現了對潤滑油狀態的準確評估，對減少車輛發動機零部件磨損，提升發動機壽命和可靠性具有重要意義。