机械设备智能化油液分析技术研究现状

庞新宇，闫宗庆

(1.太原理工大学机械与运载工程学院，山西太原 030024；2.煤矿综采装备山西省重点实验室，山西太原 030024)

引言

随着机械制造智能化的发展，对机械设备的要求也越来越高，如何延长机械设备的使用寿命，降低运维成本，提高生产效率受到越来越多的关注。据统计，在各类机械故障中，80%的设备失效是由润滑不良导致异常磨损引起的[1],因此润滑环境的优劣对设备的运行状态有着重要影响。润滑油作为设备润滑的关键介质，其所携带的信息充分反映了设备的运行情况[2]，对于判别机械设备的健康状态有着十分重要的作用。

20世纪40年代美国将光谱分析技术应用到设备的润滑油分析上[3]，在之后的发展中，又将铁谱分析技术、质谱分析技术等应用到润滑油分析中，并被广泛应用于航空、采矿、机床、风电、车辆、船舶等各个方面[4-12]。

油液的离线检测和在线监测技术[13-17]可实现设备早期磨损故障的诊断和预防[18]，有效减少设备的非正常磨损，为其提供良好的润滑环境，并提高其使用寿命和工作效率。人工智能的兴起，为油液分析技术的发展插上“智慧之翼”[19]。油液分析技术的智能化，摆脱了对专业人员的依赖,可完成对设备磨损情况及故障的智能分析，及时反映设备的运行状况，实现对设备的故障预警及润滑维护。智能化油液分析技术的研究已成为当下对设备进行故障诊断研究的热点之一。

因此，本研究在简述油液分析技术及检测方法的基础上，着重对国内外机械设备油液分析技术的智能化应用现状进行综述，主要包括专家系统、图像识别、神经网络、模糊逻辑、支持向量机、远程诊断在油液分析方面的技术特点、局限性和适用范围以及对现存问题的总结分析，并对油液分析技术智能化的发展进行展望。

1 油液分析技术及检测方法

油液分析技术利用相关的检测仪器对油液所携带的设备工况信息进行检测，对设备的当前工作状况以及未来工作状况作出判断，为设备的故障诊断和维护提供有效依据[20]。该方法尤其适用于对设备磨损类故障的诊断[21]，具有信息集成度高、能够预测早期故障等优点。油液分析技术主要包含：

(1) 油液理化指标分析技术[22-28]；

(2) 铁谱分析技术[29-30]；

(3) 光谱分析技术[31-32]；

(4) 颗粒度分析技术[33]；

(5) PQ值分析技术[34]。

如表1所示，列举了油液分析技术中常用的几种检测仪器原理及用途。

表1 常用油液检测仪器原理及用途

2 油液分析技术智能化研究现状

现代工业中，设备不断朝着系统化、自动化、信息化、智能化的方向发展，传统的油液分析技术因其检测结果的滞后性以及对检测人员的高要求性，难以得到推广应用。近年来，随着对人工智能与机械故障诊断技术结合的研究以及油液在线监测技术的发展，推动了油液分析技术智能化的研究与发展，使得分析结果不再过度依赖于检测人员的经验，逐步实现了设备由事后维修向预防维修的转变。另一方面实现了磨损严重的零件的及时更换，改善了设备的润滑环境，从而延长了设备的使用寿命。

随着人工智能技术和油液分析技术的不断结合，智能化油液分析技术的研究正在逐渐深入，并被广泛地应用到设备故障诊断中。目前，在油液分析技术的智能化研究方面所涉及到的方法主要有：专家系统、图像识别、神经网络、模糊逻辑、支持向量机以及远程诊断。

油液数据是油液分析技术的基础，油液的数据处理技术决定了油液分析智能化的水平，因此本研究首先对油液数据处理技术现状进行概述。

2.1 油液数据处理技术

油液数据处理技术是指将利用传感器监测的油液数据经过自动化装置处理，将大量、难以理解的数据转化成对油液分析技术人员有意义、有价值的信息，完成对油液和设备状态的分析。数据处理的流程可大致分为3个阶段，即数据的准备、处理、输出，其具体流程如图1所示。数据处理技术作为处理数据的手段，其方法有很多，包括列表法、数据预处理、作图法、逐差法、最小二乘法等。随着多种数据处理方法的提出和应用，研究人员开始将这些方法应用到油液分析方面，为了实现对油液中含水率的预测，TRIPATHI M M等[35]将主成分回归(PCR)、偏最小二乘法(PLS)两种重要的多元数据分析技术独立的应用于油液红外光谱信息，构建了油液含水率预测模型。饶冬飞等[36]利用性能退化可靠性模型对油液光谱信息中的Cu元素浓度进行评估分析，实现了对传动装置失效的可靠性评估。数据处理技术除了应用于对单项检测数据的处理外，在对多项检测数据的处理中，也有着较多的应用，为了更好的实现对煤机设备故障的诊断，都玉辉等[37]对煤机在用油的多项指标进行定期检测，寻找各检测指标间的相关性，利用偏最小二乘回归模型建立了润滑油中铁元素含量、黏度、酸值和水分的关系模型。YAN S F等[38]使用一种新的证据加权数据融合方法，通过对多个油液状态监测数据集的融合，更好的表征机械传动的退化程度。LOUTAS T H等[39]利用数据融合的方法将振动、声发射、润滑油磨粒监测3种测量技术中最具代表性的特征整合到1个数据矩阵中，并将其与变速箱的不同损伤模式联系起来，以此来评估齿轮的运行状态。

图1 数据处理流程

2.2 基于专家系统的智能分析方法

基于专家系统的智能分析方法是指油液分析领域的专家根据已有的油液分析知识和分析经验建立相应的知识库，利用推理机模拟专家思维对油液监测信息进行分析，使分析结果达到专家水平，实现对设备润滑环境和零部件磨损程度的准确判断[40]。实现完整的专家系统功能，需要包含人机交互界面、知识库、解释器、数据库、推理机和知识获取，其基本结构如图2所示。1965年，首个专家系统Dendral被开发出来，并在化学领域得到应用。经过多年的发展，专家系统广泛应用到各个领域当中，主要起到解释、预测、诊断、故障排除、设计、监视、修正和控制等作用[41]。为了便于初级油液分析人员或非专业人员根据油液光谱数据更好地了解设备的运行情况，高经纬等[42]特意开发了针对油液光谱数据分析的知识库。PELLIN Z等[43]为了实现发动机的自动故障诊断，开发了油液光谱分析诊断专家系统，对发动机的工况进行监测和诊断。考虑到专家系统比传统分析方法更加可靠，XU Wei等[44]利用油液分析技术对设备关键运动部件的失效过程进行了监测，设计了基于油液分析的综合监测专家系统。航空发动机作为重要的动力源装置，直接关系到飞机的运行状态，葛科宇等[45]考虑到航空发动机磨损故障专家系统知识难以获取的问题，提出了一种基于Weka平台的专家系统模型。专家系统的出现，同时为中小型企业解决了许多的问题，针对中小型煤矿企业缺乏润滑油分析的专业团队，马俊杰等[46]研究了一种基于多种油液分析技术融合诊断的专家系统，避免了设备的过度磨损和润滑油的污染，提高了工作效率。

图2 专家系统结构图

2.3 基于图像识别的智能分析方法

基于图像识别的智能分析方法是指通过计算机对机械设备在用油中的磨粒图像进行处理和分析，以便于识别设备不同磨损状态下的特征，完成对设备磨损状态及磨损程度的判断[47]。图像识别的流程大体可以分为4个步骤：图像的采集、图像的预处理、图像的特征提取和图像的识别，具体流程图如图3所示。其中图像的预处理以及图像的特征提取作为识别过程中的关键步骤，对最后的识别精度有着重要的影响，故而在对图像进行识别的研究中，着重对其预处理和特征识别的方法的进行研究。图像识别技术的研究主要经过了3个阶段，1950年关于文字识别的研究阶段，1965年数字图像处理和识别的研究阶段，以及现在关于物体识别的研究。随着图像识别技术的发展，其在油液分析方面的研究和应用也逐渐增多。在对铁谱图像进行预处理方法的对比研究当中，武通海等[48]发现通过YUV颜色空间可得到平滑的灰度图像，有利于对磨粒图像的辨识。樊红卫等[49]经过大量的实验发现，对获得的铁谱图像采取反向操作灰度图转化和三段式阈值分割的处理方法，有助于提高磨粒特征参数获取的准确率，进而提高齿轮箱磨损故障的识别率。在对油液中磨粒图像识别方法的研究中，除了图像预处理方法的研究外，还在图像特征提取的方法上展开了研究。陈桂明等[50]首先对铁谱图像中的颜色特征进行了研究，为后续铁谱图像的处理和识别奠定了基础。LIU Hong等[51]针对磨粒图像的分割，设计了一种关于局部纹理特性的颜色量化方法，实验表明该方法有着较高的精度，可代替灰度图像用于彩色图像。除了对图像预处理和特征提取方法的研究外，LAGHARI M S等[52]利用计算机视觉和图像处理技术对磨损机理产生的微观颗粒进行了分析，设计了一个交互式图像分析系统，用于处理和存储颗粒形状和边缘细节的定量信息，对磨损颗粒进行系统的形态分析。

图3 图像识别流程

2.4 基于神经网络的智能分析方法

基于神经网络的智能分析方法是指模仿人类大脑神经突触连接的结构对设备中油液的监测信息进行处理的数学模型，以油液实测样本作为基础，通过神经网络的并行处理过程，完成对设备故障的预测及诊断。1943年，W PITTS和W MCCULLOCH最先提出神经元的数学模型。20世纪80年代，HOPFIELD在美国科学院院刊发表的关于人工神经网络研究的论文，掀起了神经网络的研究热潮。随着对神经网络的不断研究，各类神经网络被应用于设备的故障预测和诊断当中，其中应用较广泛的主要有BP神经网络、RBF神经网络、感知神经网络、线性神经网络、自组织神经网络、反馈神经网络、卷积神经网络等。在对润滑油进行黏度分析和预测时，为了获得更好的预测性能，ESFE等[53]设计了一个具有2个隐层和6个神经元的人工神经网络预测模型，经过预测数据与试验数据的对比，表明利用神经网络可以有效提高对润滑油黏度的预测精度。ALTINTAS O[54]根据机械颗粒和润滑油样品介电特性之间的关系，采用人工神经网络方法，对机车润滑油样品的介电常数和损耗因子值进行了线性关系的观测和预测。在油液分析中研究较多的主要为RBF神经网络和BP神经网络，喻步贤等[55]针对船舶柴油机磨损故障难以诊断的问题，采用RBF神经网络对柴油机磨损故障进行模式识别，识别率高达90%以上，有效的降低了柴油机的磨损故障发生率。在对航空发动机进行故障诊断及故障预测中，石宏等[56]运用最优化RBF神经网络预测模型对油液中的金属含量进行预测，提高了对发动机潜在故障的发现概率，王琳等[57]以油液光谱数据为基础，运用BP神经网络对其磨损部位进行识别，取得了较高的识别率。

2.5 基于模糊逻辑的智能分析方法

基于模糊逻辑的智能分析方法是指借助模糊数学中的模糊隶属关系，根据设备中的油液监测数据对设备运行状态实行模糊的判断，以达到对设备故障诊断的目的。一个完整的模糊逻辑推理系统基本包括模糊产生器、模糊推理机、模糊规则库及反模糊化器四大部分，其系统结构图见图4。模糊逻辑的概念最早在1965年被美国数学家ZADEH L提出，意味着模糊数学的产生，主要用于描述和处理现实生活中模糊性的问题。由于设备工况的不确定性和复杂性使得模糊逻辑在设备故障诊断中的应用成为可能。李兵等[58-59]将模糊相对权重概念与模糊优选理论结合在一起，很好实现了发动机铁谱分析磨粒的智能识别,在此基础上，建立了加权模糊优选模型，可以快速、准确的识别发动机的磨损故障。MACIAN V等[60]提出了一种基于模糊逻辑的状态监测系统，主要用于对柴油机机油的分析诊断，以此来判定柴油机引擎故障的严重程度。陈劲松[61]介绍了模糊逻辑在煤矿机械故障诊断中的应用情况，表明模糊逻辑在煤矿机械故障诊断中可以起到很好的效果。MARKOVA L V[62]考虑到润滑油的状态信息存在的不确定性、不完整性和模糊性，提出一种基于Mamdani算法的润滑油状态智能决策方法和模糊逻辑方法的结构图，更为客观的评价润滑油的性能，实现对摩擦系统的及时维护。

图4 模糊逻辑系统结构图

2.6 基于支持向量机的智能分析方法

基于支持向量机(SVM)的智能分析方法是指利用SVM完成对油液监测数据的统计分类和回归分析，以达到对油液监测数据预测以及设备磨损故障识别的目的。SVM最早被提出的时间在1964年[63]，但对其研究相对较少，直到1995年，CORTES和VAPNIK将SVM应用于对字符识别的问题当中，才引起广泛的关注[64]，开始应用于各个领域。支持向量机对小样本数据集有着很好的训练和学习能力，这一点刚好契合油液监测数据的特点，因而被应用于油液分析的研究中。GUAN L等[65]结合支持向量机分类技术，利用介电谱对来自美孚、壳牌和Esso的20个发动机润滑油样品进行了黏度等级和来源的分类，表明该方法可以很好的获得润滑油的成分以及结构信息。李爱等[66]通过对航空发动机油液检测数据的研究，运用支持向量机对油样光谱中各金属元素进行界限值的制定，较传统界限值制定方法更加真实可靠。除了上述运用于油品及故障分类外，SVM还被应用于状态预测。在对设备进行换油和采样时很容易影响到设备中油液的各项指标，从而造成对油液数据的预测结果与实测值有较大偏差，范红波等[67]针对该类问题，利用SVM回归特性，对油液光谱数据进行分析，建立了针对油液光谱的预测模型。陈彬等[68]根据变压器油中Cu、Fe、SiO2颗粒物粒径和数量与油样介损因数之间的相关性，建立了相关的SVM数学预测模型，所得预测结果与实际结果相近。为了能够获得较高预测精度，RIVAS B L D等[69]根据润滑油的红外光谱数据，建立了偏最小二乘法，支持向量机和线性模型等多种分析方法结合的油液光谱预测模型。

2.7 基于远程诊断的智能分析方法

基于远程诊断的智能分析方法是指基于Internet技术实现诊断资源同诊断设备之间的远程通信[70]，即将设备润滑油的监测信息通过网络远程传输到诊断资源或诊断专家手中，通过诊断资源达到对设备故障及润滑油状态智能诊断的目的。一个完整的远程诊断系统需要包括数据采集系统、状态监控系统、本地故障诊断系统、数据远程传输系统，远程诊断系统和远程专家会诊中心，具体结构如图5所示。1997年1月，首届远程监控诊断工作会议的举办，推动了远程诊断技术的发展和研究。远程诊断技术作为当前国内外的研究热点，在油液分析方面最先展开了理论的研究，张培林等[71]讨论了远程诊断技术在油液分析中应用的必要性，并对其具体实现方法进行了理论研究和详细阐述。丁勇等[72]针对当时油液监控技术的应用现状，提出通过油液监控实现对军用装备进行远程故障诊断的想法。近年来，远程诊断技术除了理论研究之外，也开始出现较多的应用研究，ZHANG X S等[73]设计了一种基于GPRS的润滑油远程监测系统，可以随时对设备润滑油的状态进行监测，促进了油液监测智能化、信息化、高效化的发展。MAUNTZ M等[74]提出一种对工业齿轮箱润滑油进行连续监测的在线诊断系统，通过在线传感器将油液监测信息通过局域网传输到基于web的状态监测系统，对识别早期齿轮的磨损情况有着很好的效果。易楠[75]设计了风电机组集中润滑远程在线监测系统，用于对风电机组润滑状态的监测，及时改善设备的润滑环境，提高设备使用寿命。

图5 远程诊断系统结构

2.8 智能分析方法的优点、局限性及适用范围

为了更方便的理解智能分析方法，现对智能分析方法的特点、局限性及适用范围总结如表2所示。

表2 智能分析方法的特点、局限性及适用范围

3 油液分析技术智能化现存问题

油液分析技术智能化的出现和发展，明显推动了设备故障诊断的发展，降低了对专业分析人员的依赖性，提高了设备故障诊断效率和精度。但目前而言，智能分析方法在油液分析的应用中仍存在一些问题。

1) 可应用于实际工况的在线传感器较少

油液数据的采集是智能分析方法应用的基础，没有采集的数据，无法展开后续工作。离线检测虽能获得油液数据，但因其本身的滞后性，不能及时发现设备存在的隐患，而在线传感器的研究大多仍处于实验室试验阶段，应用于实际工况的在线传感器相对较少，其稳定性也有待验证。

2) 缺乏相关的准则和标准

在对油液进行监测时，没有健全油液监控的相关准则和标准，许多企业都是以自己的标准作为监测依据，不利于推动油液分析技术智能化的发展。

3) 油液智能分析的方法还不成熟

在很早之前便有人着手研究智能分析方法，但将智能分析方法应用于油液分析中的研究较晚，并且由表2可知智能分析方法本身具有一定的缺陷，所以当前的油液智能分析的方法还不成熟，许多的研究仍处于试验阶段。虽然已有成型的油液智能分析设备应用于实际的工作设备中，但仍有诸多的限制，仅适用于某类工况下，而在其他工况并不适用。

4 结论

本研究对油液分析技术及检测方法进行了概述，在此基础上，着重阐述了基于油液分析技术的专家系统、图像识别、神经网络、模糊逻辑、支持向量机、远程诊断等智能分析方法的研究现状，并对各智能分析方法的特点、局限性以及其结合油液分析技术的适用范围进行了总结，同时指出了当前油液分析技术智能化存在的问题。

通过对智能化油液分析技术的总结和分析，对其今后研究重点进行了展望。

1) 油液在线监测技术的研究

在今后油液分析技术智能化的研究过程中，在线监测技术仍是研究的热点问题，在线监测传感器不仅要在实际的工作环境中具备稳定的性能，同时能实现对在用油多个指标的监测，即将多项监测功能集成到一个传感器上。

2) 远程诊断技术的研究

远程诊断技术作为当前国内外研究的前沿课题，通过文献及调研可知，其在油液分析方面的应用相对较少，目前主要用于理论研究和状态监测中，因此未来基于油液分析的远程诊断技术的研究将是油液分析方面的研究热点和难点，其不仅要实现远程监测及智能诊断的功能，同时要克服自身的局限性，避免受天气、设备工作环境等影响数据的远程传输功能。

3) 智能油液分析方法的融合

当前智能油液分析方法的研究主要以单一的智能分析方法的研究及应用为主，通过对智能分析方法的总结可知，单一的智能分析方法有着一定的局限性，而多种智能分析方法的融合，能够很好的弥补单一智能分析方法的缺陷，因此今后将更侧重于对多种智能油液分析方法进行融合的研究。

4) 不同故障诊断技术的融合

随着各种故障诊断技术和智能分析方法的研究及应用，单独一种故障诊断技术和智能分析方法的结合已不能满足当前对设备进行诊断的需求，采用多个故障诊断技术的研究，如油液、振动、声信号等多种诊断技术同智能分析方法结合的研究，可以实现对设备故障更加准确的诊断及预测。

5) 大数据在油液分析技术中的应用

引起设备产生故障的因素各种各样，对整个企业而言，所要监控的设备数量多、分布广，采用传统的诊断方法不仅费时费力，且诊断效率低下。随着信息化、智能化的不断发展，利用大数据对设备故障进行诊断成为可能，不仅能实现设备诊断信息的不断更新和汇总，也能加快故障诊断效率。