基于油液监测技术的机器状态识别方法

摘要

本发明涉及基于油液监测技术的机器状态识别方法。现有方法多基于离线监测手段，不适于在线监测，态划分生硬，未与磨粒浓度的时变特性结合，达不到高效分类和状态识别的目的。本发明对试验数据进行分段预处理并提取相对磨损特征值；根据磨损特征值的变化趋势对恒定工况和时变工况进行初步识别；进一步提取OLVF监测曲线突变处的幅值特征量和斜率差信息熵，构建适用于OLVF的综合加权相似度模型；对时变工况下的试验数据进行二次聚类，实时判断当前工况类型及磨损程度。本发明实现了时变工况和恒定工况初步识别，构建了OLVF监测相似度评价模型CWSIM，能够准确度量不规则的OLVF监测数据之间的真实关系，工况分类准确率较高。

说明书

技术领域

本发明属于摩擦学及故障诊断交叉技术领域，具体涉及一种基于油液监测技术的机器状态识别方法。

背景技术

缸套/活塞环摩擦副是汽车发动机最关键的摩擦副之一，对其磨损问题的研究一直是各国学者关注的热点。

国内外许多学者利用实验室条件对缸套/活塞环磨损状态进行了大量研究。代表性的有：将理论与试验相结合，提出了基于Archard定律的磨损模型，用于分析缸套/活塞环系统的磨损问题。或者在实验室条件下研究了缸套/活塞环摩擦副在不同工况下的摩擦磨损行为，发现阶跃加载磨损试验的缸套/活塞环摩擦副的磨损率比实际发动机的磨损率高。此外还有利用销盘试验机模拟二冲程船用柴油发动机缸套/活塞环的磨损，其磨损形式为涂抹和胶合。

当然，销盘试验的局限性很大，只能部分模拟发动机的真实环境，但是完全相同的模拟还做不到。例如以往研究虽然研究使用了往复运动方式，但每一组试验只有一种工况。综上所述，以往研究与摩擦副实际工况之间的关联匹配的研究较少。

以往在试验室条件下进行加速磨损试验，只能等试验解体后检测试样的磨损状态，试验中间不易测定。运用油液监测技术可以在试验过程中监测摩擦副的磨损。在线油液监测由于其实时性、连续性、以及与被监测对象运行状态的同步性成为研究与开发的热点，得到迅速发展。目前国内外许多研究机构做了大量研究探索，开发了多种类型的在线磨粒监测系统。主要包括直接安装在主油路中的In-line在线监测系统和安装在附加旁路中的On-line在线监测系统。其中，西安交通大学在线可视铁谱仪是一个数字化的传感器，它集成CMOS图像传感器来获取油液流道中沉积磨粒的图像（专利号：90223714.4,01240347.4,200510041894,200610041773）。

为了准确实现机器健康状态识别，许多学者根据油液监测数据处理结果进行了磨损状态划分。包括三线值方法、针对磨粒统计学方面的“整体”信息建立磨损形式标准模型库、确定隶属函数和选取权重系数的方法和原则、利用神经网络和灰色理论等方法来表征和监测磨损状态。但是上述研究多基于离线监测手段，并不适于在线监测。同时没有考虑监测数据的“噪声”需要进行补偿处理，造成了对状态的划分较为生硬的缺点，没有与磨粒浓度的时变特性结合，达不到高效分类和状态识别的目的。

发明内容

本发明的目的是提供一种基于油液监测技术的机器状态识别方法，通过在销盘式磨损试验机上对缸套/活塞环进行重载的加速磨损试验,模拟发动机的载荷和速度不断变化的真实工况，OLVF被用来实时反映润滑油中磨粒浓度的变化，解决了以往方法手段无法准确实现磨损监测数据的聚类识别的技术难题。

本发明所采用的技术方案为：

基于油液监测技术的机器状态识别方法，其特征在于：

包括以下步骤：

步骤一：分段油液监测磨损系数提取：

（1）利用OLVF实时监测数据IPCA_sum提取用于油液监测的磨损系数K_OC值；

（2）根据K_OC值提取整组IPCA试验数据集X的符号函数S_gnk(X)反映其变化趋势；

步骤二：监测样本相似度特征提取：

利用OLVF监测曲线的聚类方法，提取特征，构建相似度模型：

（1）计算综合相对幅值系数K_yd；

（2）计算斜率差曲线的信息熵S_Rent，判断曲线几何形状相似性；

（3）利用综合相对幅值系数差D_yd和斜率差信息熵S_Rent>

步骤一(1)中，利用OLVF实时监测数据IPCA_sum提取用于油液监测的磨损系数K_OC值的具体步骤为：

对于单段试验时间t_n内的Z个采样周期，其油液监测值总和IPCA_sum与磨损量总和W_vsum正相关，利用OLVF实时监测数据IPCA_sum提取用于油液监测的磨损系数K_OC值，即为油液监测磨损系数，它能够反映OLVF值与磨粒产生量之间的关系；

式中：

S_L——累积滑动距离；

F_N——载荷；

——相对滑动速度；

${\stackrel{·}{S}}_L={\mathrm{dS}}_L/dt;$

T_c——采样周期。

步骤一（2）中，根据K_OC值提取整组IPCA试验数据集X的符号函数S_gnk(X)反映其变化趋势的具体步骤为：

对于不同工况的试验数据集X，其油液监测磨损系数K_OC的变化趋势不同，根据K_OC值提取整组IPCA试验数据集X的符号函数S_gnk(X)反映其变化趋势：

式中：

L——数据分段数；

S_gnk(X)的取值与IPCA试验数据集X的变化趋势有关，不同阶段的试验数据集X变化规律不同，这会影响上式右端的油液监测磨损系数K_OC的变化趋势。

步骤二(1)中，计算综合相对幅值系数K_yd的具体步骤为：

第一步：全组IPCA试验数据分段：

设全组试验数据集表示为X_1＝(X₁,X₂,…,X_n)，分成L段，分段方法与分段油液监测磨损系数提取分段处理方法相同，分段后的数据集表示为：

式中：

r——段内数据个数；

对每段OLVF监测读数剔除其段内均值后，可以得到新的OLVF监测数据集X^(no)；

X(^no)(f,j)＝X(f,j)-X(^av)(f)

式中：

X^(av)(f)——第f段内OLVF监测数据的均值；

第f段的相对幅值系数(K_ydf)计算如下：

第二步：计算全部试验的综合相对幅值系数K_yd:

为便于对比，恒定工况的综合相对幅值系数被定义为0；

第三步：计算不同组试验曲线X₁和X₂间的综合相对幅值系数差(D_yd(X₁,X₂))：

D_yd(X₁,X₂)＝|K_yd1-K_yd2|

对于时变工况下的磨损试验，D_yd(X₁,X₂)用来比较IPCA在工况变化转折点的幅值的相似性。

步骤二（2）中，计算斜率差曲线的信息熵S_Rent的具体步骤为：

第一步：计算曲线上任一点的相对斜率S_Ri：

设第i组磨损试验的IPCA数据集为X_i>>(1),>>(2),…,X_{>(n))，曲线各点的相对斜率值SRi(j)为：}

根据各点斜率值S_Ri(j)构造新的斜率曲线S_RCi=(S_Ri1>Ri2>Rin-1)；

第二步：计算两条斜率曲线的差曲线D_SRC：

将两条斜率曲线S_RC1和>RC2逐点求差值，得到一条新的斜率差值曲线D_SRC；当两条曲线形状相似时，斜率差曲线近似于一条斜率为0的直线；否则是一条存在明显起伏的曲线；

第三步：等分求概率P：

将斜率差曲线D_SRC的值域离散化为m个区间，从第一个区间到第m个区间，依次统计每一区间的点数后计算相应的概率(P_i；

第四步：计算斜率差曲线信息熵：

Shannon熵表示不确定测度，被用来表示两条曲线之间的差异。斜率差曲线信息熵S_Rent按下式计算，

S_Rent是一个大于零的值；熵值越大，说明相应曲线波形之间的差异越明显；如果两条曲线的形状完全一致，信息熵>Rent等于零。

步骤二（3）中，利用综合相对幅值系数差D_yd和斜率差信息熵S_Rent>

假设两条OLVF监测曲线分别表示为：X₁₌(X₁₁,>12,…,X_1n)和X₂₌(X₂₁,>22,…,X_2n)，用S_im(X₁,>2)表示OLVF监测曲线X₁和X₂的综合相似度：

式中：

δ₁、δ₂——权值系数，δ₁+δ₂=1；

该相似度模型前一部分由工况变化时的IPCA数据的跃变幅值决定，后一部分由IPCA曲线斜率的几何相似度决定，S_im(X₁,X₂)的值越接近于0，表示工况的变化类型越接近；

因为S_im(X₁,X₂)能够对IPCA监测曲线的关系进行定量分析，根据S_im(X₁,X₂)的取值，进一步对时变工况条件下的逐级加载和逐级加速的工况进行细分。

本发明具有以下优点：

利用传统相关系数方法计算获得的相关系数值并没有反应出OLVF试验数据的真实关系，与实际试验工况出入较大，故无法正确分类。说明传统的相似度分类方法不适用于OLVF磨损监测数据的聚类识别。

本发明阐明了缸套/活塞环磨损销盘试验时变工况以及恒定工况的磨损规律。通过数据分段提取适于OLVF监测的磨损系数和属性特征参数，实现了时变工况和恒定工况初步识别。构建了OLVF监测相似度评价模型CWSIM，能够准确度量不规则的OLVF监测数据之间的真实关系，工况分类准确率较高。

附图说明

图1是工况识别流程图；

图2是试验系统原理图；

图3是逐级加载试验的OLVF监测磨损系数曲线；

图4是逐级加速试验的OLVF监测磨损系数曲线；

图5是工况初步分类结果；

图6是试验工况详细分类结果。

图7是104小时发动机台架OLVF监测数据。

图8是当前数据集与之前历史数据集的改进综合相似度曲线。

具体实施方式

下面结合具体实施方式对本发明进行详细的说明。

本发明涉及的一种基于油液监测技术的机器状态识别方法，具体由以下步骤实现：

（一）分段油液监测磨损系数提取：

对于单段试验时间t_n内的Z个采样周期，其油液监测值总和（IPCA_sum）与磨损量总和（W_vsum）正相关，本发明仿效综合磨损系数K_m的含义，利用OLVF实时监测数据IPCA_sum提取用于油液监测的磨损系数K_OC值，即为油液监测磨损系数，它能够反映OLVF值与磨粒产生量之间的关系。

式中：S_L——累积滑动距离；F_N——载荷；——相对滑动速度，T_c——采样周期。

对于不同工况的试验数据集X，其油液监测磨损系数K_OC的变化趋势不同，本发明根据K_OC值提取整组IPCA试验数据集X的符号函数S_gnk(X)反映其变化趋势。

式中：L——数据分段数。

S_gnk(X)的取值与IPCA试验数据集X的变化趋势有关，不同阶段的试验数据集X变化规律不同，这会影响公式（2）右端的油液监测磨损系数K_OC的变化趋势。

根据以往试验结果，所有试验第一段的油液监测磨损系数都比较大，反映出该段试验经历了磨合期。在恒定载荷的情况下，后几段的油液监测磨损系数的变化趋势是呈递减的，反映出磨损速率开始逐渐下降并趋于稳定。而在逐级加载和逐级加速的情况下，由于载荷或速度的阶跃增加，后几段的油液监测磨损系数呈现了小幅递增的变化趋势，改变了原有的磨损速率的演化规律。

当L＝3时，在速度和载荷逐渐增加的时变工况条件下，磨损出现加剧，造成后两段的K_OC变化趋势改变，可计算出S_gnk(X)是负值。在速度、载荷不变的恒定工况下，经过磨合期，后两段的油液监测磨损系数K_OC的变化趋势一致，是呈递减的，可计算出S_gnk(X)是正值。故符号函数S_gnk(X)也可写成：

因为利用S_gnk(X)值能够对工况是否发生使磨损加剧的变化进行定性识别，所以称之为属性特征。

逐级加载和逐级加速不仅改变了摩擦副的磨损规律，而且可以利用上述符号函数对OLVF监测数据进行初步识别区分。

（二）监测样本相似度特征提取：

为了进一步根据磨损监测数据对时变工况进行细分，本发明提出OLVF监测曲线的聚类方法，提取特征，构建相似度模型。

1）综合相对幅值系数K_yd

综合相对幅值系数K_yd的计算步骤如下：

第一步：全组IPCA试验数据分段

设全组试验数据集表示为X₁₌(X₁,>2,…,X_n)，分成L段，分段方法与分段油液监测磨损系数提取分段处理方法相同，分段后的数据集表示为：

（4）

式中： r——段内数据个数。

对每段OLVF监测读数剔除其段内均值后，可以得到新的OLVF监测数据集X^(no)。

X^(no)(f,j)＝X(f,j)-X^(av)(f)>

式中：X^(av)(f)——第f段内OLVF监测数据的均值。

第f段的相对幅值系数(K_ydf)计算如下：

（6）

第二步：计算全部试验的综合相对幅值系数K_yd。

（7）

为便于对比，恒定工况的综合相对幅值系数被定义为0。

第三步：计算不同组试验曲线X₁和X₂间的综合相对幅值系数差(D_yd(X₁,>2))。

D_yd(X₁,X₂)＝|K_yd1-K_yd2|>

对于时变工况下的磨损试验，D_yd(X₁,X₂)可用来比较IPCA在工况变化转折点的幅值的相似性。

2）斜率差信息熵

因此本发明根据两曲线在对应各时段上的相对斜率值构造斜率差曲线，进而计算斜率差曲线的信息熵(S_Rent)，判断曲线几何形状相似性。计算步骤如下：

第一步：计算曲线上任一点的相对斜率S_Ri。

设第i组磨损试验的IPCA数据集为X_i>>(1),>>(2),…,X_{>(n))，曲线各点的相对斜率值SRi(j)为：}

（9）

根据各点斜率值S_Ri(j)构造新的斜率曲线S_RCi=(S_Ri1>Ri2>Rin-1)。

第二步：计算两条斜率曲线的差曲线D_SRC。

将两条斜率曲线S_RC1和>RC2逐点求差值，得到一条新的斜率差值曲线D_SRC。

第三步：等分求概率P。

将斜率差曲线D_SRC的值域离散化为m个区间，从第一个区间到第m个区间，依次统计每一区间的点数后计算相应的概率(P_i。

第四步：计算斜率差曲线信息熵。

Shannon熵表示不确定测度，可被用来表示两条曲线之间的差异。斜率差曲线信息熵S_Rent按公式（10）计算，

（10）

S_Rent是一个大于零的值。熵值越大，说明相应曲线波形之间的差异越明显。如果两条曲线的形状完全一致，信息熵>Rent等于零。

3）综合相似度评价模型CWSIM

利用综合相对幅值系数差D_yd和斜率差信息熵S_Rent>1=(X₁₁,>12,…,X_1n)和X₂₌(X₂₁,>22,…,X_2n)，用S_im(X₁,>2)表示OLVF监测曲线X₁和X₂的综合相似度，见式（11）。

S_im(X₁,X₂)＝δ₁D_yd(X₁,X₂)+δ₂S_Rent>

式中：δ₁、δ₂——权值系数，δ₁+δ₂＝1。

该相似度模型前一部分由工况变化时的IPCA数据的跃变幅值决定，后一部分由IPCA曲线斜率的几何相似度决定，S_im(X₁,X₂)的值越接近于0，表示工况的变化类型越接近。

因为S_im(X₁,X₂)能够对IPCA监测曲线的关系进行定量分析，根据S_im(X₁,X₂)的取值，可以进一步对时变工况条件下的逐级加载和逐级加速的工况进行细分，所以称之为数值特征。

本发明具有下列区别于传统方法的显著优势：

1）基于磨损机理，符合实际。

2）深入挖掘油液监测数据的变化率，与磨损状态变化以及磨粒浓度之间的对应关系，可以实时监测磨损状态。

3）研究OLVF监测曲线发生数据突变处的相对幅值等特征与摩擦副磨损剧烈程度及试验工况的相关性，可实现准确的工况识别。

为了与其他经典分类方法进行对比，进一步利用公式（12）所示的相关系数计算公式，来计算磨损监测试验数据集之间的相关系数K^ρ，计算结果见表1。

表1试验数据相关系数K_ρ

SL1SL2SV1SV2SV3SL110.0960.146-0.0760.186SL210.3120.0230.025SV110.192-0.077SV210.461SV31

从表1可以看出：利用传统相关系数公式(12)计算获得的相关系数值并没有反应出OLVF试验数据的真实关系，与实际试验工况出入较大，故无法正确分类。

实施例：

利用自制的销盘式磨损试验机进行磨损试验。使用蠕动泵为摩擦副供油，利用OLVF周期性采集磨损机油池中的润滑油样，以获取润滑油中的磨粒浓度信息。试验系统原理图如图2所示。试验所用的上试样是将某发动机的第一道气环切割成若干小段，其外圆面镀铬处理。活塞环上试样被装夹在夹具上，试验所采用的下试盘为直径60 mm，厚度5 mm的灰铸铁盘，其材料为HT250，硬度为HV210。试盘所用材料接近发动机的真实材料。

利用OLVF系统对润滑油中的铁磁性磨粒浓度进行在线监测，获得磨粒的百分覆盖面积IPCA值，实时反映润滑油中磨粒浓度的变化。监测过程中始终搅动油池，以防止磨粒沉积在油池底部。各组试验具体采用的润滑剂、载荷、速度以及灰铸铁盘表面粗糙度详见表2。

针对变工况试验，统一选择各组360 min 的IPCA试验数据进行分析。设段数L=3，分段时保证同一段内工况一致。利用每一段内的IPCA数据计算各段的OLVF监测磨损系数值K_OC。因为同一组试验是不间断完成的，因此有必要对同一组内不同段的试验数据进行比较研究。比较结果如图3和图4所示。图3为逐级加载试验的磨损系数曲线图，图4为逐级加速试验的磨损系数曲线图。

从图3和图4可以看出，所有试验第一段（0-120 min）的OLVF监测磨损系数都比较大，反映出该段试验经历了磨合期。观察磨损试验的第二段和第三段（240 min和360 min），在恒定工况的情况下，试验M的OLVF监测磨损系数K_OC的变化趋势是递减的，反映出磨损速率开始逐渐下降并趋于稳定。而在逐级变化的情况下，由于载荷或速度的阶跃增加导致磨损加剧，第二段和第三段的OLVF监测磨损系数K_OC呈现了小幅递增的变化趋势，改变了原有的磨损速率的演化规律。

利用各组360 min磨损试验的OLVF监测磨损系数K_OC计算属性特征值S_gnk(X)，计算结果见表3。根据S_gnk(X)的正负即可初步区分恒定工况和时变工况，分类结果见图5。通过图5可见识别结果与实际情况吻合，证明属性特征值对于真实磨损监测数据的初步识别具有较好的效果。

进一步计算各组试验数据的综合相对幅值系数K_yd，计算结果见表4。同一类时变工况下，不同组试验监测数据间的综合相对幅值系数差D_yd较小，而不同类型时变工况下的试验数据间的综合相对幅值系数差D_yd值较大，因此根据D_yd值可以判断试验对象在工况变化时幅值的相似程度。

计算各组试验的斜率差曲线信息熵S_Rent以及油液监测综合相似度S_im，计算结果如表5所示。从表中可以看出属于同一类型时变工况的试验对象的相似度S_im值小于1，而不同类型之间相似度S_im值大于1，因此S_im值越小表示工况类型越接近。

根据计算结果，对所有OLVF监测的试验数据进行二次聚类。图6为最终详细聚类结果。

可以看出本发明的聚类方法的识别结果与实际情况吻合，分类正确，证明本发明的聚类算法对于真实磨损监测数据的识别具有理想的效果。

实施例2：发动机整机摩擦学系统的工况识别

当发动机在变工况条件下工作时，典型摩擦副的工作条件也在不断变化，因此，将前述针对摩擦副的聚类分析方法用于发动机整机OLVF监测数据的工况聚类分析。

发动机台架试验及数据处理：

1）台架试验数据

选择某四缸汽油发动机进行试验，在磨合过程结束后进行冷热冲击试验，OLVF监测系统被用来监测发动机磨损状态。其中约104 h的发动机磨损监测数据进行分析(如图 7所示)。

2）动态滑移窗数据分段

在线监测过程中，采用周期性更新滑移窗口模型，将连续采集到的OLVF监测数据流进行分段。如图7所示。

滑移窗每次处理4小时的发动机台架的监测数据（约50个数据点）。

基于相似度的发动机OLVF监测数据聚类分析：

利用滑移窗方法，将每次进入滑移窗的数据集看作一个样本，整组发动机台架试验数据被划分为12个数据样本。将这12组窗口数据作为聚类中心，利用本发明的相似度模型来计算每个样本和其之前所有样本之间的相似度值。计算结果如表 6所示。

通过销盘试验数据处理结果可以发现：在相同工况下，缸套活塞环摩擦副的任意两组相同工况数据集之间的相似度均小于1；而在不同工况下，任意两组数据集之间的相似度均大于1。

根据这一结果，考虑到数据流的动态特性并且充分利用历史数据，本发明对相似度模型公式进行了改进，构建改进综合相似度计算模型来计算当前数据集X_n与之前历史数据集X_j的相关性。

式中：N_sim>n与之前历史数据集X_j的改进综合相似度；τ_{j>——历史样本j的权值，按照等比数列的规则递增。}

权值τ根据每个历史样本到当前样本的时间跨度动态计算得到，时间跨度越长，权值τ越大。

式中：q_n——等比数列的比值。

经过计算得到改进综合相似度值N_sim>

针对上述12个样本，计算报警阈值(W_scsim>scsim，如图8所示。

结论：

从图8可以看出，12个样本中任意两组样本之间的改进综合相似度均小于报警阈值(W_scsim)。因此，这12组样本数据属于同一大类，即属于同一变化规律的变工况。在工况变化规律基本相似的条件下，磨损率也应基本相似。故认为在这一过程中未发生磨损状态的剧烈改变，而这与该发动机的实际工况也是完全相符的。试验结果表明本聚类方法对发动机台架磨损监测数据的聚类和评估是正确有效的，可用于发动机整机磨损状态的在线监测与评估。

本发明的内容不限于实施例所列举，本领域普通技术人员通过阅读本发明说明书而对本发明技术方案采取的任何等效的变换，均为本发明的权利要求所涵盖。