СИСТЕМА И СПОСОБ ОПРЕДЕЛЕНИЯ ИНТЕРВАЛА МЕЖДУ ЗАМЕНАМИ СМАЗОЧНОГО МАТЕРИАЛА Российский патент 2016 года по МПК F01M11/10 G01J3/00 G01N21/25 

Область техники, к которой относится изобретение

Настоящее изобретение относится к системе, способу и компьютерной программе для определения пригодности к применению смазочных материалов и времени, когда необходимо заменять смазочные материалы, например, в двигателе, устройстве силовой передачи, турбине, генераторе, моторе или тому подобных.

Уровень техники

Двигатели (или моторы) предназначены для преобразования одной формы энергии (например, такой как от сгорания топлива, электрической, ядерных реакций и тому подобных) в механическую энергию, например, такую как механическое движение. Например, двигатели внутреннего сгорания преобразуют энергию сгорания топлива в энергию движения. Эти двигатели обычно включают в себя одну или более камер сгорания, которые содержат топливо (например, ископаемое топливо) и ограничивают его сгорание, позволяя образующимся газам с высокой температурой и высоким давлением расширяться и приводить в движение механические компоненты, например, такие как поршни, лопатки турбины или тому подобные.

Двигатели внутреннего сгорания обычно применяются в транспортных средствах, включая, например, мотоциклы, мотороллеры, автомобили, лодки, грузовики, локомотивы, суда, самолеты, корабли, газовые турбины, генераторы, высоконагруженное машинное оборудование, и тому подобные. Во время работы, например, двигателя внутреннего сгорания, который содержит один или более поршней, поршень может перемещаться расширяющимися газами, образованными в результате сгорания топлива в камере, заставляющими поршень перемещаться вдоль заданного пути на предварительно заданное расстояние вдоль длины камеры. Поршень может быть соединен с коленчатым валом через шатун для преобразования движения поршня во вращение коленчатого вала. Двигатель может дополнительно включать в себя впускной клапан или канал и выпускной клапан или канал. Двигатель может содержать любое число узлов из поршней, шатунов и камер. Разнообразные движущиеся детали двигателя создают трение, которое приводит к износу движущихся деталей и снижает выходную мощность двигателя.

Большинство движущихся деталей в двигателе изготовлено из металла. Во время работы контакт металла с металлом движущихся деталей вызывает износ на движущихся деталях. Для сведения к минимуму износа движущихся деталей и, поэтому, для максимизации надежности и долговечности двигателя, используют смазочный материал (например, моторное масло) для смазки движущихся деталей в двигателе. Смазочный материал также может действовать для очистки, подавления коррозии, повышения герметичности и охлаждения двигателя путем отведения тепла от движущихся деталей. Смазочный материал снижает трение, например, созданием разделительной пленки между поверхностями сопряженных движущихся деталей, чтобы свести к минимуму непосредственный контакт между поверхностями, сокращает выделение тепла, обусловленное трением, и уменьшает износ.

Большинство смазочных материалов изготовлено из нефтяных углеводородов, полученных из сырой нефти. Альтернативно (или дополнительно), смазочные материалы могут быть выполнены из синтетических материалов, например, таких как синтетические сложные эфиры, поли-альфа-олефины и тому подобные. В смазочный материал вносят добавки для улучшения определенных свойств. Добавки могут включать в себя, например, моющие присадки, диспергаторы, ингибиторы коррозии, щелочные добавки и тому подобные. Одной из наиболее важных характеристик смазочных материалов является сохранение смазочной пленки между движущимися деталями двигателя. Еще одним важным свойством смазочных материалов является их способность нейтрализовать кислоты.

В двигателях смазочные материалы подвергаются воздействию побочных продуктов внутреннего сгорания, включая, например, углеродсодержащие частицы, металлические частицы, и тому подобные. Во время работы двигателя смазочные материалы подвергаются как термическому, так и механическому разложению, и загрязнению, которое ухудшает их функционирование. В конечном итоге утрата работоспособности может стать достаточно значительной для необходимости удаления использованного смазочного материала и замены свежим смазочным материалом. Таким образом, для определения, когда смазочные материалы в двигателе подлежат замене, обычно используют интервалы между заменами смазочного материала (LDI) на основе времени (например, через 92 дня, 184 дня, 276 дней, каждые 6 месяцев, или тому подобные) и/или на основе пробега (например, каждые три тысячи миль, каждые пять тысяч миль, или тому подобные).

В железнодорожной отрасли образцы моторного масла обычно отбирают из двигателей локомотивов примерно каждые 2-3 недели. Затем эти образцы анализируют для выявления проблем, например, таких как утечки охлаждающей жидкости, разбавление топливом, износ металла, ухудшение качества масла, применение ненадлежащего масла, и тому подобные. Железнодорожные расписания интервалов между заменами масла основаны, например, на рекомендациях изготовителя оригинального оборудования (OEM), истории эксплуатации, и тому подобном. В настоящее время общепринятой производственной практикой для интервалов между заменами масла является период примерно каждые 184 дня. Однако этот интервал между заменами масла может быть слишком длительным для некоторых двигателей, например, таких как двигатели, которые работают в жестких условиях, или двигатели, которые испытывают проблемы с производительностью, или новые двигатели, которые пока еще не были введены в эксплуатацию и чувствительны к приработочному износу. Кроме того, продолжительность интервалов между заменами масла может быть более короткой, чем оптимальная для некоторых двигателей, например, таких как двигатели, которые работают в идеальных оптимальных условиях.

В области автомобильных грузоперевозок, например, автотранспортные фирмы часто использовали анализ масла, чтобы установить интервалы между заменами масла для парков грузовых автомобилей. Однако интервалы между заменами масла основываются скорее на общих показателях для парка, нежели на индивидуальных двигателях. Опять же, установленные интервалы между заменами масла могут быть слишком продолжительными для некоторых двигателей, в то же время более короткими, чем это необходимо для других.

В то время как интервалы между заменами смазочного материала обычно устанавливают на основе времени в эксплуатации или расстоянии пробега транспортного средства, фактические условия эксплуатации и время наработки двигателя в часах могут резко различаться для данной продолжительности эксплуатации или дистанции пробега транспортного средства. Так, фиксированные по времени/пробегу интервалы между заменами (или сливами) смазочного материала могут привести к непрерывному использованию истощенного моторного смазочного материала, где двигатель работает в жестких условиях, или когда двигатель работает ненадлежащим образом, что может приводить к низкой эффективности использования топлива, дорогостоящему техническому обслуживанию, преждевременному выходу двигателя из строя, и тому подобному. Фиксированные по времени/пробегу интервалы между заменами смазочного материала также могут иметь результатом преждевременное и поэтому неэффективное сливание моторного смазочного материала, который остается неистощенным за интервал между заменами, тем самым увеличивая количество отходов побочных продуктов, которые должны быть утилизированы, а также затраты, связанные с заменой моторного смазочного материала (включающие в себя, например, расходы на смазочный материал, стоимость работ по замене смазочного материала, затраты на утилизацию, издержки на время простоя двигателя, и тому подобные).

Моторный смазочный материал может рассматриваться как истощенный, когда, например, свойства моторного смазочного материала ухудшились настолько, что моторный смазочный материал перестал надлежащим образом смазывать детали двигателя, подавлять коррозию, или тому подобное.

Хотя представлялось бы идеальным анализировать состояние использованного масла из каждой единицы оборудования, и заменять его, только когда анализ показывает близость конца его эксплуатационного ресурса, существуют и другие издержки, которые необходимо учитывать в определении наиболее экономически целесообразного времени для замены масла. Двигатели, когда их используют, вносят вклад в производство для получения дохода, делая его более дорогостоящим, если их снимают с эксплуатации. Как следствие, многие задачи технического обслуживания оборудования предварительно планируют и группируют между собой, чтобы обеспечить возможность выполнения этих задач во время планового отключения оборудования, или когда многие из задач могут быть выполнены одновременно, чтобы свести к минимуму время простоя. Операторы оборудования обычно составляют графики технического обслуживания для оптимизации общих расходов. Это значит, что для максимизации производства отдельные задачи технического обслуживания могут быть выполнены раньше, чем оно фактически потребуется.

Некоторые задачи технического обслуживания должны выполняться более часто, чем другие. Предварительно запланированное техническое обслуживание часто основывается на серии графиков. Например, автотранспортная фирма может иметь график А на каждые 30 дней, график В на каждые 60 дней, и график С на каждые 120 дней. Грузовик, поступающий на свое первое техническое обслуживание через 30 дней, должен бы иметь все сервисы, выполняемые, как это требуется в Графике А. Спустя 30 дней он имел бы сервисы, проведенные согласно А и В. Еще через 30 дней (90 дней в совокупности) потребовалось бы обслуживание согласно только графику А. На 120-ый день понадобилось бы обслуживание по всем процедурам, предусмотренным графиками А, В и С. Затем цикл повторялся бы.

Если интервал между заменами масла в автопарке был запланирован на 30 дней, и было определено, что 45-дневный интервал между заменами масла был бы надежным, весьма маловероятно, что выведение этих грузовиков из эксплуатации на 45-ый день только для замены масла было бы экономически целесообразным делом. Переход автопарка на 60-дневную периодичность замены масла был бы практичным предприятием, если бы это было определено как надежный интервал между заменами масла, поскольку это переводило бы замену масла из графика А в рамки графика В, наполовину сокращало бы расходы на замену масла, и не приводило бы к любым новым издержкам на простои. Если бы график А технического обслуживания составляла только замена масла, то это приводило бы к повышению производительности, поскольку оборудование снимали бы с эксплуатации менее часто.

Поскольку часто трудно прогнозировать, сколько срока службы осталось для использованного масла, интервалы между заменами масла зачастую стандартизируют для сходных деталей оборудования в хозяйственной единице. Выбор интервала между заменами масла может основываться на многих различных факторах, включающих в себя историю технического обслуживания конкретного оборудования в хозяйственной единице, суровость условий эксплуатации, рекомендации производителя оборудования, анализ использованного масла, и т.д. Интервал между заменами масла обычно выбирают так, чтобы, как считают в хозяйственной единице, были наименьшие общие затраты в компромиссе между стоимостью технического обслуживания, затратами на ремонт и издержками на простой. Поскольку нет двух идентичных единиц оборудования, или использования в идентичных условиях эксплуатации, интервал между заменами масла обычно выбирают для приспособления к наиболее серьезной ситуации. Это значит, что в серии сходных двигателей имеются некоторые двигатели, которые находятся в лучшем состоянии или эксплуатируются в более мягких условиях, и могут быть способными работать вполне эффективно при более длительных интервалах между заменами масла.

Хорошим примером являются железнодорожные локомотивы. Эти двигатели требуют проведения инспекций надежности каждые 92 дня. Замены масла должны выполняться каждые 92 дня для совпадения с ними вне станции обслуживания. Во многих локомотивных депо было найдено, что условия стали такими, что теперь они могут заменять масло каждые 184 дня. Следующим логичным увеличением интервала между заменами масла были бы 276 дней для совпадения с инспекцией надежности. Некоторые локомотивы, в частности, некоторые двигатели фирмы «General Electric» (GE) типа FDL, при некоторых условиях эксплуатации не могут работать надежно в течение 276 дней без замены масла. Таким образом, существует неудовлетворенная потребность в системе и способе тестирования использованного масла и прогнозировании, например, на 150 день эксплуатации, основываясь на анализе использованного масла, в каких единицах оборудования замена должна быть произведена, например, через 184 дня, и какие единицы оборудования могут продолжать надежно работать, например, до 276 дней без замены масла.

В заявке на патент США №US 2007225881 A1 (McAndrew и др.), опубликованной 27 сентября 2007 г., раскрыты система и способ обслуживания транспортного средства. Известный способ включает в себя, в частности, формирование набора данных, включающего в себя данные, соответствующие по меньшей мере одной характеристике. Затем набор данных сравнивают с заданными параметрическими данными и формируют данные тенденций для множества наборов данных. Далее упомянутые данные тенденций анализируют для определения того, следует ли предпринимать какие-либо корректирующие действия по отношению к обслуживанию транспортного средства. При этом данные в известном решении ассоциированы с двигателем транспортного средства и формируются на основании анализа по меньшей мере одного из компонентов двигателя. В частности, данные о состоянии двигателя формируются с использованием образцов текучих сред из двигателя, в частности образцов моторного масла. Однако в данном известном аналоге не используется моделирование для прогнозирования будущее значение аналитического параметра для определения интервала между заменами смазочного материала, основанное на множестве значений аналитических параметров и на множестве статистических значений аналитических параметров, как в предлагаемом изобретении. Вместо этого в известном решении формируются данные тенденций на основании анализа нескольких наборов данных, полученных в различные моменты времени, для определения того, следует ли предпринимать какие-либо действия по коррекции состояния транспортного средства.

Настоящее изобретение представляет систему, способ и компьютерную программу для испытания использованного масла, и, с использованием описываемой здесь методологии, прогнозирования (или обеспечения пользователю возможности прогнозировать), например, на 150 день эксплуатации, на основе анализа использованного масла, в каких единицах оборудования, например, в железнодорожном локомотивном депо, следует провести замену, например, через 184 дня, и какие могут продолжать надежно работать, например, до 276 дней без замены масла.

Раскрытие изобретения

Изобретение представляет систему, способ и компьютерную программу для определения пригодности к применению смазочного материала, например, такого как моторное масло, и срока, когда заменять смазочный материал в конкретном двигателе. Система, способ и компьютерная программа дополнительно выполнены с возможностью формирования интервала между заменами смазочного материала для каждого двигателя, например, в парке транспортных средств компании. Интервал между заменами смазочного материала устанавливают на основе одного или более значений моделированных

чтобы определить будущее значение аналитического параметра. Моделирование может включать в себя: линейную регрессию; нелинейную регрессию; логистическую регрессию; нейронную сеть; дискриминантный анализ; логику «если…, то…», регрессию частных наименьших квадратов; и тому подобные. Модуль определения может сравнивать будущее значение аналитического параметра с пороговым значением аналитического параметра. Модуль определения может формировать интервал между заменами смазочного материала для двигателя на основе сравнения будущего значения аналитического параметра с пороговым значением аналитического параметра.

Первый вход может принимать значение дополнительного аналитического параметра, и модуль определения может выполнять линейную регрессию на упомянутом значении аналитического параметра, или нелинейную регрессию на значении дополнительного аналитического параметра. Значение аналитического параметра может включать в себя, например, концентрацию железа в образце моторного смазочного материала, и значение дополнительного аналитического параметра может включать в себя, например, концентрацию свинца в образце моторного смазочного материала. Значение аналитического параметра и значение дополнительного аналитического параметра могут быть выбраны, например, из железа, свинца, олова, меди, алюминия, бора, степени окисления, степени нитрования, калия, кремния, натрия, сажи, TBN (общего щелочного числа), воды, топлива, шлама, и нерастворимых компонентов в образце моторного смазочного материала.

Аналитический параметр «т» выбирают, например, из группы аналитических параметров, состоящей из железа, свинца, олова, меди, алюминия, бора, степени окисления, степени нитрования, калия, кремния, натрия, сажи, воды, топлива, шлама, нерастворимых компонентов и т.д.

Согласно дополнительному аспекту изобретения, представлен способ выбора множества двигателей для расширенного интервала между заменами смазочного материала, причем способ включает в себя этапы, на которых: получают данные об интервалах между заменами смазочного материала для множества двигателей; выполняют категоризацию данных о замене смазочного материала по меньшей мере на две категории, включающих в себя категорию расширенного интервала между заменами смазочного материала и категорию нормального интервала между заменами смазочного материала; и формируют расписание интервалов между заменами смазочного материала для множества двигателей. Категория расширенного интервала между заменами смазочного материала может, например, включать в себя 276 дней, и категория нормального интервала между заменами смазочного материала может включать в себя 184 дня.

Согласно еще одному дополнительному аспекту изобретения, представлен способ прогнозирования интервала между заменами смазочного материала в двигателе на основе значения аналитического параметра, которое измеряют в образце моторного смазочного материала, отобранного из двигателя, причем способ включает в себя этапы, на которых: на первом входе получают значение аналитического параметра; на втором входе получают пороговое значение аналитического параметра и прогнозируют будущее значение аналитического параметра на основе значения аналитического параметра и порогового значение аналитического параметра.

Способ может дополнительно включать в себя этап, на котором прогнозируют вероятность, когда будущее значение аналитического параметра превысит пороговое значение аналитического параметра.

Согласно еще одному дополнительному аспекту изобретения, может быть представлен машиночитаемый носитель информации, который содержит компьютерную программу, как описываемую здесь ниже, для исполнения описываемого здесь процесса.

Дополнительные признаки, преимущества и варианты осуществления изобретения могут быть изложены или же очевидны из рассмотрения подробного описания и чертежей. Более того, следует отметить, что вышеизложенная сущность изобретения и нижеследующие подробное описание и чертежи представляют неограничивающие примеры изобретения, которые предназначены для приведения разъяснений, без ограничения области изобретения, как заявленной.

Краткое описание фигур чертежей

Сопровождающие чертежи, которые приведены, чтобы обеспечить дополнительное понимание изобретения, включены в настоящее описание и составляют его часть, иллюстрируют варианты осуществления изобретения и совместно с подробным описанием служат для разъяснения принципов изобретения. Не предпринималось никаких попыток более подробно показать конструктивные подробности изобретения сверх того, что может быть необходимым для фундаментального понимания изобретения и разнообразных путей, которыми оно может быть реализовано на практике. На чертежах:

Фиг. 1А показывает пример системы, которая определяет пригодность к применению смазочного материала и срок, когда заменять смазочный материал;

Фиг. 1В показывает изображение модуля определения, который может быть включен в систему из Фиг. 1А;

Фиг. 2 показывает пример процесса анализа смазочного материала для проведения анализа образца моторного смазочного материала;

Фиг. 3 показывает пример процесса определения интервала между заменами моторного смазочного материала для определения пригодности к применению моторного смазочного материала и установления интервала между заменами моторного смазочного материала для конкретного двигателя;

Фиг. 4 показывает пример статистических данных, которые могут быть извлечены из памяти для конкретного двигателя;

Фиг. 5 показывает диаграмму разброса данных для еще одного примера статистических данных для еще одного двигателя, с данными, приведенными по оси абсцисс, и аналитическим параметром (Fe, железо), приведенным по оси ординат;

Фиг. 6 показывает пример рекомендаций компании General Electric (GE) как изготовителя оригинального оборудования (OEM) для двигателя локомотива компании GE;

Фиг. 7 показывает пример рекомендаций компании Electro-Motive Diesel (EMD) как OEM для двигателя локомотива компании EMD;

Фиг. 8 показывает пример исполнения системы из Фиг. 1;

Фиг. 9 показывает пример восьми диаграмм разброса данных для взаимосвязи между железом (Fe) и сроком активной работы масла в машине для локомотивной секции;

Фиг. 10 показывает пример восьми диаграмм разброса данных для взаимосвязи между сажей и сроком активной работы масла в машине для локомотивной секции;

Фиг. 11 показывает пример восьми диаграмм разброса данных для взаимосвязи между TBN и сроком активной работы масла в машине для локомотивной секции;

Фиг. 12 показывает пример диаграммы разброса данных для взаимосвязи между сажей и сроком активной работы масла в машине для локомотивной секции;

Фиг. 13 показывает пример восьми диаграмм разброса данных для взаимосвязи между железом (Fe) и сроком активной работы масла в машине для локомотивной секции;

Фиг. 14 показывает пример восьми диаграмм разброса данных для взаимосвязи между сажей и сроком активной работы масла в машине для локомотивной секции;

Фиг. 15 показывает пример матрицы диаграмм разброса данных для еще одной локомотивной секции;

Фиг. 16 показывает пример процесса для составления расписания технического обслуживания для одного или более двигателей.

Далее настоящее изобретение описано в нижеследующем подробном описании.

Осуществление изобретения

Изобретение и разнообразные признаки и преимущественные подробности его более полно разъясняются со ссылкой на неограничивающие варианты осуществления и примеры, которые описаны и/или иллюстрированы на сопровождающих чертежах и детализированы в нижеследующем описании. Следует отметить, что признаки, иллюстрированные в чертежах и приложении, не обязательно вычерчены в масштабе, и признаки одного варианта исполнения могут быть применены с другими вариантами исполнения, как было бы понятно квалифицированному специалисту, даже если это здесь однозначно не оговорено. Описания общеизвестных компонентов и способов обработки могут быть опущены, чтобы без необходимости не загромождать варианты осуществления изобретения. Использованные здесь примеры предназначены только для упрощения понимания путей, которыми изобретение может быть реализовано на практике, и для дополнительной возможности квалифицированным специалистам в этой области технологии практически использовать варианты осуществления изобретения. Соответственно этому, приведенные здесь примеры и варианты исполнения не должны трактоваться как ограничивающие область изобретения. Кроме того, следует отметить, что сходные кодовые номера позиций представляют подобные детали на всем протяжении нескольких изображений в чертежах.

«Компьютер», используемый в настоящем изобретении, означает любую машину, устройство, электрическую схему, компонент или модуль, или любую систему машин, устройств, электрических схем, компонентов, модулей, или тому подобных, которые способны обрабатывать данные согласно одной или более машинным командам, например, без ограничения, такие как процессор, микропроцессор, центральный процессор, компьютер общего назначения, суперкомпьютер, персональный компьютер, портативный компьютер, карманный компьютер, ноутбук, облачный компьютер, настольный компьютер, компьютерная рабочая станция, сервер, или тому подобный, или массив процессоров, микропроцессоров, центральных процессоров, компьютеров общего назначения, суперкомпьютеров, персональных компьютеров, портативных компьютеров, карманных компьютеров, ноутбуков, настольных компьютеров, компьютерных рабочих станций, серверов, или тому подобных.

«Сервер», применяемый в настоящем изобретении, означает любую комбинацию программного обеспечения и/или аппаратуры, включающую в себя по меньшей мере одну прикладную программу и/или по меньшей мере один компьютер для выполнения сервисных действий для соединенных с ним клиентов как часть архитектуры «клиент-сервер». По меньшей мере одна прикладная программа сервера может включать в себя, не ограничиваясь, например, прикладную программу, которая может принимать запросы на соединения для обслуживания запросов от клиентов, посылая обратно клиенту ответные сигналы. Сервер может быть выполнен с возможностью исполнения по меньшей мере одной прикладной программы, часто при высоких рабочих нагрузках, действуя автоматически без обслуживания, в течение длительных периодов времени с минимальным участием человека. Сервер может включать в себя множество компьютеров, конфигурированные по меньшей мере с одной прикладной программой, распределенной среди компьютеров, в зависимости от рабочей нагрузки. Например, при небольшой нагрузке по меньшей мере одна прикладная программа может исполняться одиночным компьютером. Однако при высокой нагрузке может потребоваться множество компьютеров для исполнения по меньшей мере одной прикладной программы. Сервер, или любой из его компьютеров, может быть использован в качестве рабочей станции.

«Линейная регрессия», используемая в настоящем изобретении, означает любую известную методологию линейной регрессии, известную квалифицированным специалистам в этой области технологии, в том числе общие линейные модели (GLM), например, такие как полиномиальные выражения, которые могут быть ограничены до одного класса задач, которые удовлетворяют набору условий. Эти условия имеют отношение к погрешности модели. Погрешность модели представляет собой разность между наблюдаемым значением и прогнозированным значением. Исследование погрешности модели является ключевым фактором для оценки адекватности модели. Необходимые допущения для общих линейных моделей включают в себя: погрешности имеют нулевое значение; погрешности являются некоррелированными; погрешности являются распределенными по нормальному закону; и погрешности имеют постоянную дисперсию. Если любые из вышеуказанных допущений нарушаются, то, как правило, требуется применение некоторого рода преобразования, добавление большего числа переменных величин для приспособления системных источников дисперсии, или привлечение метода моделирования еще одного типа, такого как подход с нелинейным типом моделирования.

«Линейная регрессия», применяемая в настоящем изобретении, может включать в себя «обобщенную линейную модель» (GLZ). Подход GLZ имеет два ключевых признака, которые отличают его от метода GLM (общая линейная модель). Он включает в себя функцию связи и функцию распределения. Функция связи представляет собой функцию преобразования, такого как тождество, степень или логарифм. Функция распределения имеет отношение к компоненту погрешности. В GLM погрешности имеют нормальное распределение. При GLZ погрешности могут быть заданы как нормальные, или из одного из экспоненциальных семейств распределений. Некоторые примеры включают в себя распределение Пуассона, биномиальное, гамма, или обратное распределение Гаусса. Благодаря функции связи и функции распределения, этот тип подхода в моделировании может быть назван как «нелинейный» тип моделирования.

«Логистическая регрессия» представляет собой уникальный подход в моделировании для переменных отклика бинарного, или дихотомического, типа. Логистическая регрессия может быть применена к задачам, которые имеют решение типа «прошел/не прошел» {вероятности 0, 1}. Два уникальных признака для модели логистической регрессии включают в себя: условное среднее уравнения регрессии должно быть сформулировано ограниченным между 0 и 1; и биномиальное распределение описывает распределение погрешностей. Прогнозируемое значение для логистической модели может быть выражено как логарифмы отношения вероятностей наступления и ненаступления события, или вероятности в режиме «прошел/не прошел» для специфичного набора условий независимых (х) переменных.

В случае анализа использованного смазочного материала (или масла), модели логистической регрессии могут быть применены для прогнозирования вероятности того, что будет превышен критический порог для параметра использованного смазочного материала. Если высока прогнозированная вероятность того, что будет превышен критический параметр срока службы смазочного материала, то будет сделан вывод, что интервал между заменами смазочного материала расширять не следует.

Другие способы моделирования, такие как методы Частных Наименьших Квадратов и Регрессия Основных Компонентов, также могут быть привлечены для прогнозирования/предсказания значения для параметра или комплекта критических параметров использованного смазочного материала. В альтернативном варианте, также может быть использован дискриминантный анализ для идентификации переменных/атрибутов, которые разделяют характеристики использованного смазочного материала на две различных группы. Первая и вторая группы в дискриминантном анализе соответствуют таким условиям, которые могут или не могут вести к расширению интервала между заменами смазочного материала.

«Нейронная сеть» может представлять собой эффективный нелинейный и свободный от допущений тип подхода к моделированию. Две общих архитектуры нейронных сетей включают в себя, например, многослойный персептрон (MLP) и радиальную базисную функцию (RBF). Выходной слой RBF-сети представляет собой функцию весов сети, радиальных расстояний и сигма-параметра ширины. Выходной нейрон MPL основан на взвешенной сумме входов и функции

активации. Общим типом формы функции активации является сигмоида.

Нейронная сеть (NN) «Радиальная Базисная Функция»; Нейронная сеть (NN) «Многослойный Персептрон»

Переменные х₁....x_d представляют предикторные переменные, W₁...W_d (или dM) и W₁₁...W_M1 представляют взвешенные значения, и «y» представляет выходное значение.

Данные параметра (y) отклика могут быть линейными или нелинейными относительно предикторных (х) переменных. Как показано в графике TBN (общего щелочного числа) в Фиг. 11 для машины «локомотивная секция 2248», взаимосвязь между предиктором (х), сроком активной работы масла в машине и параметром (у) отклика TBN соответствует тенденции нелинейного снижения. В этом примере может быть преимущественным использование полиномиального выражения более высокого порядка, нейронной сети (NN), натурально-логарифмического преобразования дней активной работы масла в машине для лучшего охарактеризования основополагающей взаимосвязи между TBN и сроком активной работы масла в машине.

На Фиг. 9 взаимосвязь между параметром (у) отклика и сроком активной работы масла в машине может быть линейной. Как показано в графике для Fe (железа) для машины «Локомотивная Секция 2248», взаимосвязь между предиктором (х), сроком активной работы масла в машине и параметром (у) отклика Fe (железа) склонна проявлять тенденцию линейного возрастания. По существу, эта характеристика может быть выражена линейной полиномиальной функцией.

«База данных», применяемая в настоящем изобретении, означает сочетание программного обеспечения и/или аппаратуры, включающее в себя по меньшей мере одну прикладную программу и/или по меньшей мере один компьютер. База данных может включать в себя структурированную совокупность записей или данных, систематизированных согласно модели базы данных, например, такой, но не ограничивающейся таковыми, как по меньшей мере одна из реляционной модели, иерархической модели, сетевой модели, или тому подобной. База данных может включать в себя прикладную программу системы управления базами данных (DBMS), как это известно в технологии. По меньшей мере одна прикладная программа может включать в себя, не ограничиваясь, например, прикладную программу, которая может принимать запросы на соединения для обслуживания запросов от клиентов, посылая обратно клиентам ответные сигналы. База данных может быть выполнена с возможностью исполнения по меньшей мере одной прикладной программы, часто при высоких рабочих нагрузках, действуя автоматически без обслуживания, в течение длительных периодов времени с минимальным вмешательством человека.

«Канал связи», применяемый в настоящем изобретении, означает проводную и/или беспроводную среду, которая передает данные или информацию между по меньшей мере двумя пунктами. Проводная или беспроводная среда может включать в себя, например, линию связи из металлического проводника, радиочастотный (RF) канал связи, инфракрасный (IR) канал связи, оптический канал связи, или тому подобный, без ограничения. Радиочастотный (RF) канал связи может включать в себя, например, стандарты сотовой связи WiFi, WiMAX, IEEE 802.11, DECT, 0G, 1G, 2G, 3G или 4G, Bluetooth, и тому подобные.

«Сеть», используемая в настоящем изобретении, означает, но не ограничиваются таковыми, например, по меньшей мере одно из локальной сети (LAN), региональной сети (WAN), муниципальной сети (MAN), персональной сети (PAN), кампусной сети, корпоративной сети, глобальной сети (GAN), широкополосной сети (BAN), сети сотовой связи, Интернета, или тому подобных, или любого сочетания из вышеуказанного, любая из которых может быть выполнена с возможностью обмена данными через беспроводную и/или проводную коммуникационную среду. В этих сетях могут использоваться разнообразные протоколы, не ограниченные такими, как TCP/IP, IRC или HTTP.

Термины «включающий в себя», «содержащий» и их вариации, используемые в настоящем изобретении, означают «включающий в себя, но не ограничивающийся таковым», если явным образом не указано иное.

Неопределенные и определенные артикли, применяемые в настоящем изобретении, означают «один или более», если явным образом не указано иное.

Устройства, связанные друг с другом, не нуждаются в непрерывном сообщении между собой, если явным образом не указано иное. В дополнение, устройства, которые находятся в сообщении друг с другом, могут сообщаться непосредственно или косвенно через один или более посредников.

Хотя технологические этапы, методические этапы, алгоритмы или тому подобные, могут быть описаны в последовательном порядке, такие процессы, методы и алгоритмы могут быть выполнены с возможностью работы в чередующихся режимах. Другими словами, любая последовательность или порядок этапов, которые могут быть описаны, не обязательно означают требование, что этапы должны быть выполнены в этом порядке. Описанные здесь этапы процессов, методов и алгоритмов могут быть выполнены практически в любом порядке. Кроме того, некоторые этапы могут быть выполнены одновременно.

Когда здесь описано единичное устройство или изделие, будет без труда понятно, что вместо единичного устройства или изделия может быть использовано более чем одно устройство или изделие. Подобным образом, где здесь описано более чем одно устройство или изделие, будет легко понятно, что вместо более чем одного устройства или изделия может быть применено единичное устройство или изделие. Функциональное назначение или признаки устройства могут быть альтернативно исполнены одним или более другими устройствами, которые не описаны явно как имеющие такие функциональное назначение или признаки.

«Машиночитаемый носитель информации», используемый в настоящем изобретении, означает любой носитель, который участвует в представлении данных (например, команд), которые могут быть считаны компьютером. Такой носитель может принимать многие формы, в том числе энергонезависимые запоминающие среды, энергозависимые запоминающие среды, и передающие среды. Энергонезависимые запоминающие среды могут включать в себя, например, оптические или магнитные диски и другие постоянные устройства памяти. Энергозависимые запоминающие среды могут включать в себя динамическое запоминающее устройство с произвольной выборкой (DRAM). Передающие среды могут включать в себя коаксиальные кабели, медные провода, и оптоволоконные кабели, в том числе провода, которые включают в себя системную шину, связанную с процессором. Передающие среды могут включать в себя или проводить акустические волны, световые волны и электромагнитные излучения, такие как формируемые при радиочастотных (RF) и инфракрасных (IR) обменах данными. Общеупотребительные формы машиночитаемых носителей информации включают в себя, например, гибкий диск, гибкую дискету, жесткий диск, магнитную ленту, любой другой магнитный носитель, CD-ROM, DVD, любой другой оптический носитель, перфокарты, бумажную ленту, любой другой физический носитель с комбинациями перфораций, RAM (оперативное запоминающее устройство), PROM (программируемое постоянное запоминающее устройство), EPROM (стираемое программируемое постоянное запоминающее устройство, СППЗУ), FLASH-EEPROM (флэш-СППЗУ), любую другую микросхему памяти или картридж, несущую волну, как описываемую ниже, или любой другой носитель, с которого компьютер может считывать информацию. Машиночитаемый носитель информации может включать в себя «облако», которое включает в себя распределение файлов среди множества (например, тысяч) устройств кэш-памяти на множестве (например, тысячах) компьютеров.

В передачу последовательностей команд на компьютер могут быть вовлечены разнообразные формы машиночитаемых носителей информации. Например, последовательности команд (i) могут быть переданы на процессор с RAM, (ii) могут быть переданы по беспроводной передающей среде, и/или (iii) могут быть форматированы согласно многообразным форматам, стандартам или протоколам, включающим в себя, например, стандарты сотовой связи WiFi, WiMAX, IEEE 802.11, DECT, 0G, 1G, 2G, 3G или 4G, Bluetooth, или тому подобные.

Фиг. 1А показывает пример системы 100, которая определяет пригодность к применению смазочного материала и срок, когда заменять смазочный материал, например, в двигателе. Система 100 включает в себя анализатор 110, компьютер 120, сервер 130 и базу 140 данных, все из которых могут быть связаны через сеть 150 каналами 160 связи или непосредственно по каналам 160 связи. Анализатор 110 может быть размещен на (или в) двигателе, в двигательном отсеке транспортного средства, в здании, или тому подобном. Компьютер 120 может быть размещен, например, в местоположении клиента, например, таком как цех клиента, здание клиента, или тому подобном. Сервер 130 и/или база 140 данных могут быть размещены в местоположении поставщика продукта, например, такого как оптовый продавец или поставщик моторного смазочного материала, розничный продавец моторного смазочного материала, или тому подобного.

Анализатор 110 может включать в себя, например, спектральный анализатор, анализатор вязкости, анализатор кислоты, анализатор твердых компонентов, анализатор температуры вспышки, анализатор степени окисления, анализатор степени нитрования, и тому подобные. Анализатор 110 выполнен с возможностью принятия образца моторного смазочного материала, который был отобран из конкретного двигателя, и проведения анализа образца для идентификации и измерения одного или более аналитических параметров. Например, спектральный анализатор 110 может выполнять спектральный анализ образца смазочного материала для определения уровней (например, в частях на миллион (млн^-1)) аналитических параметров. Аналитические параметры (AP) могут включать в себя, например, металлические частицы износа, загрязняющие примеси, добавки и тому подобные, которые могут присутствовать в смазочном материале. Аналитические параметры также могут включать индикацию и концентрацию охлаждающей жидкости двигателя в смазочном материале. Спектральный анализатор может включать, например, эмиссионный спектрометр по технологии Rotrode (с вращающимся дисковым электродом), спектрометр с индуктивно-связанной плазмой, или тому подобный. Металлические частицы износа, которые могут быть идентифицированы и измерены, включают в себя, например, алюминий, сурьму, хром, медь, железо, свинец, никель, серебро, олово, титан, цинк, и тому подобные. Добавки, которые могут быть идентифицированы и измерены, включают в себя, например, сурьму, бор, кальций, медь, магний, молибден, фосфор, калий, кремний, натрий, цинк, и тому подобные. Загрязняющие примеси, которые могут быть идентифицированы и измерены, включают в себя, например, цинк, бор, калий, кремний, натрий, сажу, воду, топливо, шлам, нерастворимые компоненты, и тому подобные. Анализаторы степени окисления и нитрования могут давать информацию относительно разложения смазочного материала по измерениям окисления и нитрования, соответственно.

Анализатор вязкости может включать в себя, например, вискозиметр, который выполняет анализ вязкости для определения степени эффективной вязкости смазочного материала. Анализатор вязкости может измерять смазочный материал при температуре, например, -35°С, -20°С, 0°С, 40°С, 100°С, или любой другой температуре, как это известно в технологии. Анализатор вязкости может измерять эффективную вязкость смазочного материала, например, измерением времени, которое смазочный материал расходует на протекание между двумя датчиками, которые размещены на трубопроводе (например, стеклянной трубке, или тому подобной), которую поддерживают при постоянной температуре. Альтернативно (или дополнительно), анализатор вязкости может измерять, например, вязкость при высокой температуре, при высокой сдвиговой нагрузке, динамическую вязкость, кинематическую вязкость, и тому подобные.

Анализатор кислоты может измерять Общее Щелочное Число (TBN) смазочного материала, например, смешением смазочного материала с разбавителем и титрованием смеси, например, раствором соляной кислоты (HCl) в спирте до нейтрализации всех щелочных компонентов, которые присутствуют в смазочном материале. Анализатор кислоты дополнительно (или альтернативно) может измерять Общее Кислотное Число (TAN) смазочного материала. В этом отношении анализатор кислоты может, например, смешивать моторный смазочный материал с разбавителем, и затем титровать смесь, например, раствором гидроксида калия (КОН) в спирте, пока все кислоты, присутствующие в моторном смазочном материале, не будут нейтрализованы. Результаты измерения TAN или TBN могут быть выражены в миллиграммах, например, KOH или HCl, на грамм моторного смазочного материала.

Анализатор твердых компонентов может выполнять анализ твердых веществ в смазочном материале для идентификации дисперсных твердых компонентов и концентрации твердых компонентов в смазочном материале. Анализатор твердых компонентов может включать в себя, например, лазерный счетчик частиц, инфракрасный анализатор, или тому подобный, который обнаруживает и измеряет концентрацию частиц в образце смазочного материала.

Анализатор температуры вспышки может анализировать смазочный материал для определения температуры, при которой воспламеняются пары из смазочного материала. Например, анализатор температуры вспышки может медленно нагревать образец смазочного материала, проводя точные измерения температуры образца. Когда испаренные газы воспламеняются или становятся способными воспламениться, температура образца может быть зарегистрирована как температура точки вспышки образца конкретного смазочного материала.

Анализатор 110 может включать в себя приемопередатчик (не показан), который выполнен с возможностью передачи и приема данных и команд по каналу 160 связи. Например, анализатор 110 может быть выполнен с возможностью передачи данных от двигателя или из двигательного отсека транспортного средства на компьютер 120 клиента и/или сервер 130, или в базу 140 данных. Анализатор 110 может быть выполнен с возможностью непосредственного отбора образца моторного смазочного материала в двигателе и представления аналитических данных по существу в режиме реального времени, которые может посылать на компьютер 120 клиента и/или сервер 130 (или в базу 140 данных).

В альтернативном варианте, анализатор 110 может быть размещен в отдаленной лаборатории, где образцы (например, 4oz, 8oz, или подобные) моторного смазочного материала могут быть получены лабораторией для испытания через курьера, по почте, или подобным путем. Результаты анализа могут быть посланы анализатором 110 на компьютер 120 клиента и/или сервер 130 по каналу 160 связи. Например, после того, как образец моторного смазочного материала был проанализирован анализатором 110, результаты анализа моторного смазочного материала могут быть направлены в базу 140 данных, где результаты могут быть присоединены и сохранены, например, в записи (или файле) базы данных, которая связана с конкретным двигателем, конкретным типом двигателя, конкретным транспортным средством, конкретным изготовителем двигателя, конкретным изготовителем транспортного средства, конкретным субъектом (например, лицом, компанией, организацией, или тому подобным), и так далее. Запись в базе данных может включать в себя статистическую информацию, включающую в себя результаты прошлых анализов смазочного материала для связанного с этим двигателя и/или транспортного средства. Следует отметить, что база 140 данных может быть размещена внутри сервера 130.

Фиг. 1В показывает изображение модуля 170 определения, который может быть включен в сервер 130 для исполнения одного аспекта изобретения. Модуль 170 определения может включать в себя программное обеспечение и/или аппаратуру. Модуль 170 определения может включать в себя центральный процессор (CPU) и блок памяти. Модуль 170 определения выполнен с возможностью приема измеренного значения аналитического параметра AP и сравнения его с пороговым значением AP_TH аналитического параметра. Модуль 170 определения определяет интервал (LDI) между заменами (или сливами) смазочного материала, основанный на сравнении измеренного значения аналитического параметра AP с пороговым значением AP_TH аналитического параметра. Модуль 170 определения может выдавать выходной результат, который показывает, может ли быть продлен интервал LDI или нет, или же он должен быть сокращен.

Согласно одному варианту осуществления изобретения, модуль 170 определения выполнен с возможностью приема каждого из множества измеренных значений AP₁,..., AP_n аналитического параметра, и сравнения его с пороговым значением AP_TH аналитического параметра для конкретного аналитического параметра конкретного двигателя, где значения AP₁,..., AP_n аналитического параметра включают в себя измеренные уровни содержания или концентрации конкретного аналитического параметра AP в «n» образцах моторного смазочного материала, которые были отобраны на протяжении «n» отдельных дат, где «n» представляет положительное целое число, которое является большим или равным 1. Модуль 170 определения может включать в себя искусственный интеллект, например, такой как нейронная сеть, нечеткая логика, или тому подобное, который выполняет линейную регрессию, нелинейную регрессию, логистическую регрессию, или тому подобное, на множестве значений AP₁,..., AP_n аналитического параметра для каждого аналитического параметра. Модуль 170 определения может выполнять, например, методологии типа «если..., то...» для прогнозирования будущих значений AP. Например, модуль 170 определения может определять интервал LDI для данного двигателя путем определения, если значение AP(сажа) >45 на 150-ый день, то модуль 170 определения может прогнозировать, что критическое значение сажи будет превышено на 276-ой день; или, если AP(VIS100C) >16,5, и AP(TAN) >3,8 на 150-ый день, то критические значения для TAN или VIS100C будут превышены, тем самым делая необходимым установление интервала LDI на момент раньше, чем 276 дней, например, такой, как 184 дня. Модуль 170 определения выполнен с возможностью отслеживания и прогнозирования, когда значение AP (например, уровень содержания, концентрация, или тому подобное) аналитического параметра с высокой вероятностью превысит соотнесенное пороговое значение AP_TH, с использованием линейной регрессии, нелинейной регрессии, логистической регрессии, или тому подобного.

Модуль 170 определения выполнен с возможностью повторения процесса для «m» различных аналитических параметров, где «m» является равным или большим 1 и где «m» соответствует числу различных аналитических параметров, которые идентифицированы и измерены в «n» образцах моторного смазочного материала, которые отобраны из конкретного двигателя и проанализированы для него. То есть модуль 170 определения выполняет, например, линейную регрессию для каждого из значений AP(1)₁,..., AP(1)_n,..., AP(m)₁,..., AP(m)_n, в то же время сравнивая каждое из значений AP(1)₁,..., AP(1)_n,..., AP(m)₁,..., AP(m)_n с соответствующими пороговыми значениями AP(1)_TH... AP(m)_TH. Как отмечено ранее, значение AP аналитического параметра может включать в себя, например, уровень содержания, количество, концентрацию, или тому подобное, металлических частиц износа, добавки, загрязняющей примеси, или тому подобного, в образце моторного смазочного материала. Модуль 170 определения прогнозирует возникновение (например, момент времени, день, дату, или тому подобное), когда будущее значение AP_n+1 аналитического параметра предположительно превысит (или снизится ниже) соотнесенное пороговое значение AP_TH для соотнесенного аналитического параметра. Модуль 170 определения затем может установить интервал LDI на основе прогнозированного наступления события. Например, модуль 170 определения может установить интервал LDI на дату, которая является значительно более ранней, или непосредственно предшествует той, когда ожидается, что будущее значение AP_n+1 превысит (или снизится ниже) соотнесенное пороговое значение AP_TH.

Модуль 170 определения может быть выполнен с возможностью выполнения различных методологий прогнозирования для различных аналитических параметров. Например, модуль 170 определения может выполнять линейную экстраполяцию для прогнозирования будущих значений для железа или сажи, но исполнять логарифмическую экстраполяцию (нелинейное прогнозирование) для предсказания будущих значений для свинца.

Фиг. 2 показывает пример процесса 200 анализа смазочного материала для выполнения анализа образца моторного смазочного материала. Со ссылкой на Фиг. 1 и 2, процесс 200 начинают, когда образец моторного смазочного материала поступает в анализатор 110 от источника (этап 210). Источник может включать в себя, например, двигатель, конкретного человека, компанию (например, железнодорожную компанию, автотранспортную компанию, судоходную компанию, фирму по прокату автомобилей или тому подобное), организацию (например, школу, больницу или тому подобное), ведомство (например, правительственное ведомство или тому подобное) или тому подобные. В ситуации, где анализатор 110 (показанный в Фиг. 1А) размещен на (или в) двигателе, или в двигательном отсеке вблизи двигателя, источник может представлять собой сам двигатель, и анализатор 110 может быть размещен, например, в проточном канале системы смазки, между двигателем и наружным фильтром для смазочного материала (например, масляным фильтром двигателя), или наружным устройством для охлаждения смазочного материала (например, масляным радиатором двигателя).

После того, как образец моторного смазочного материала получен (этап 210) от конкретного двигателя, образец смазочного материала может быть проанализирован анализатором 110 для идентификации и измерения типов и концентраций металлических частиц износа, добавок, загрязняющих примесей, и тому подобных, которые присутствуют в смазочном материале. Анализатор 110 может дополнительно измерять значения TBN, TAN, вязкости, температуры вспышки, и тому подобные, смазочного материала.

Результаты анализа могут быть компилированы и преобразованы в аналитический отчет для анализированного образца моторного смазочного материала (этап 230). Аналитический отчет затем может быть направлен на компьютер 120 клиента и/или сервер 130 (этап 240). Отчет может быть послан в базу 140 данных, где отчет может быть включен в запись для конкретного двигателя и сохранен в ней. В альтернативном варианте, аналитический отчет может быть выведен на дисплей, например, на дисплей бортового компьютера (не показан) транспортного средства (этап 240). Отчет об анализе смазочного материала может включать в себя, например, необработанные данные, сведенные в таблицу данные, или тому подобные, для идентифицированных и измеренных аналитических параметров, включающих в себя, например, металлические частицы износа, добавки, загрязняющие примеси, TBN, TAN, вязкость, температуру вспышки, и тому подобные. Отчет об анализе смазочного материала может быть сформирован и представлен в форме, удобочитаемой для человека (например, распечатки, изображения на мониторе, аудиофайла, видеофайла, мультимедийного файла, или тому подобного), чтобы его мог считать человек, или отчет может быть представлен в машиночитаемом формате, чтобы отчет мог быть принят и обработан компьютером 120 клиента, сервером 130 и/или базой 140 данных, без вмешательства человека.

Согласно одному аспекту изобретения, представлен машиночитаемый носитель информации, который содержит компьютерную программу, которая, будучи исполненной, например, анализатором 110, который может содержать компьютер (не показан), обеспечивает выполнение процесса 200 в Фиг. 2. Компьютерная программа может быть материально размещена на машиночитаемом носителе информации, который может содержать кодовый сегмент или секцию кода для каждого из этапов 210-240.

Фиг. 3 показывает пример процесса 300 определения интервала между заменами моторного смазочного материала, для определения пригодности к применению моторного смазочного материала и установления интервала между заменами моторного смазочного материала для конкретного двигателя.

Согласно одному варианту осуществления изобретения, процесс 300 может быть проведен на компьютере 120 клиента или на сервере 130. Результаты процесса 300 могут быть сохранены в базе 140 данных. В альтернативном варианте, согласно еще одному варианту осуществления изобретения, процесс 300 может быть проведен во всей своей полноте анализатором 110.

Со ссылкой на Фиг. 3, сначала характеристики двигателя и отчет об анализе смазочного материала поступают, например, на сервер 130 (или компьютер 120 клиента) для конкретного двигателя или конкретного транспортного средства (этап 310). Характеристики двигателя могут включать в себя, например, год, в котором двигатель был изготовлен, тип двигателя, изготовителя двигателя, рабочий объем двигателя, место производства двигателя, серийный номер двигателя, регистрационный номер транспортного средства, в котором установлен двигатель, и тому подобные. Отчет об анализе смазочного материала может быть получен, например, от анализатора 110 (этап 240 на Фиг. 2), и отчет может включать в себя значения аналитического параметра AP(1)_n,..., AP(m)_n.

Сервер 130 может запросить свое собственное внутреннее хранилище 135 данных (показанное на Фиг. 8) или базу 140 данных для определения, существует ли запись для конкретного двигателя, идентифицированного полученными характеристиками двигателя (этап 320). Если определено, что запись для конкретного двигателя существует («ДА» в стадии 320), то тогда идентифицированная запись извлекается из хранилища 135 (или 140) (этап 340). Извлеченная запись может включать в себя множество статистических значений для каждого из измеренных аналитических параметров, например, значения AP(1)₁,..., AP(1)_n-1,..., AP(m)₁,..., AP(m)_n-1.

Если определено, что запись для конкретного двигателя не существует («НЕТ» на этапе 320), то запись создается в локальном хранилище 135 данных (Фиг. 8) и/или в базе 140 данных (Фиг. 1А) (этап 330). Созданная запись может включать в себя множество полей для конкретного двигателя, включающих в себя, например, наименование клиента (например, железнодорожную компанию, автотранспортную компанию, судоходную компанию, или тому подобную), адрес клиента (например, электронный адрес, географический адрес, номер телефона, название места встречи, или тому подобные), год, в котором двигатель был изготовлен, тип двигателя, изготовителя двигателя, рабочий объем двигателя, место производства двигателя, серийный номер двигателя, дату последнего обслуживания двигателя, подробности последнего обслуживания, дату, когда двигатель был введен в эксплуатацию, число часов работы двигателя, число миль для двигателя, регистрационный номер транспортного средства, в котором установлен двигатель, и тому подобные. Поля записи могут быть заполнены данными, полученными в характеристиках двигателя (этап 310). Созданная запись может дополнительно включать в себя рекомендации изготовителя OEM (например, рекомендации 600, 700, показанные на Фиг. 6, 7, соответственно), производственные рекомендации, рекомендации торговой группы, рекомендации комитета стандартов, индивидуальные рекомендации, или тому подобные, которые могут включать в себя пороговые значения для одного или более аналитических параметров, AP_TH(1),..., AP_TH(m).

Полученные данные об образце смазочного материала могут быть обработаны сервером 130 (например, модуль 170 определения, показанным в Фиг. 1В), и значения аналитических параметров для конкретного двигателя, AP(1)_n,..., AP(m)_n, вместе с статистическими значениями, AP(1)₁,..., AP(1)_n-1,..., AP(m)₁,..., AP(m)_n-1, могут быть сравнены с соотнесенными пороговыми значениями AP_TH(1),..., AP_TH(m) аналитических параметров (этап 350). Далее, может быть определен интервал LDI между заменами смазочного материала выполнением регрессионного анализа на значениях AP(1)₁,..., AP(1)_n,..., AP(m)₁,..., AP(m)_n, для прогнозирования, когда величина будущих значений аналитического параметра AP(1)_n+1,..., AP(m)_n+1, превысит (или упадет ниже) соотнесенное пороговое значение AP_TH(1)... AP_TH(m) (этап 360). Интервал LDI может включать в себя, например, момент времени, день, число дней, дату, число часов эксплуатации двигателя, или тому подобное. Запись для конкретного двигателя может быть обновлена для включения информации об LDI и полученных значений AP(1)_n,..., AP(m)_n аналитических параметров, а также прогнозированных значений AP(1)_n+1,..., AP(m)_n+1 (этап 370). Сформированные данные LDI могут быть посланы на компьютер 120 клиента (или сервер 130), и/или в базу 140 данных (этап 380).

Согласно одному аспекту изобретения, представлен машиночитаемый носитель информации, который содержит компьютерную программу, которая, будучи исполняемой, например, сервером 130 (или компьютером 120), обеспечивает проведение процесса 300 в Фиг. 3. Компьютерная программа может быть материально размещена на машиночитаемом носителе информации, который может содержать кодовый сегмент или секцию кода для каждого из этапов 310-380.

Фиг. 4 показывает пример статистических данных 400, которые могут быть извлечены из базы 140 данных для конкретного двигателя (например, локомотивной секции 2248), где n=25, и m=1. В этом примере статистические данные могут включать в себя четыре колонки данных, включающих в себя: колонку «ОТОБРАНО», которая включает в себя даты, в которые образец смазочного материала был отобран из секции 2248; колонку «ТЕСТИРОВАНО», которая включает в себя соответствующие даты, в которые отобранные образцы смазочного материала были испытаны; колонку «СЕКЦИЯ», которая идентифицирует двигатель (например, секция 2248); и колонку аналитического параметра, которая идентифицирует конкретный аналитический параметр (Fe), частицы металлического железа от износа, и включает в себя «n» значений аналитического параметра, от самого раннего записанного значения, AP(1)₁=2 (млн^-1), до последнего записанного значения, AP(1)₂₅=4 (млн^-1). Как видно, значения в диапазоне AP(1)₁... AP(1)₂₅ варьируют от низкого 2 (млн^-1) до высокого 18 (млн^-1).

Фиг. 5 показывает диаграмму разброса данных для еще одного примера статистических данных, которые могут быть извлечены из базы 140 данных для еще одного двигателя, с данными, приведенными по оси абсцисс, и аналитическим параметром (Fe, железо), приведенным по оси ординат.

Фиг. 6 показывает пример рекомендаций 600 компании General Electric (GE) как изготовителя оригинального оборудования (OEM) для двигателя локомотива компании GE, которые могут быть извлечены из базы 140 данных. Как видно, рекомендации 600 включают в себя список аналитических параметров AP, варьирующих от меди (Cu) до TBN. В этом примере m=24. Каждый из аналитических параметров AP имеет соотнесенное «Критическое» пороговое значение AP_TH-C, соотнесенное «Аномальное» пороговое значение AP_TH-А, и соотнесенное «Пограничное» пороговое значение AP_TH-М. Рекомендации 600 также включают в себя колонку «Проблема», которая представляет предполагаемую причину, если конкретный аналитический параметр превышает любое из трех идентифицированных пороговых значений.

Фиг. 7 показывает пример рекомендаций 700 компании Electro-Motive Diesel (EMD) как OEM для двигателя локомотива компании EMD, которые могут быть извлечены из базы 140 данных. Как видно, рекомендации 700 включают в себя список аналитических параметров AP, подобных таковым в Фиг. 6, варьирующих от серебра (Ag) до TBN. В этом примере m=25. Как обсуждалось ранее в отношении рекомендаций 600, каждый из аналитических параметров AP в рекомендациях 700 имеет соотнесенное «Критическое» пороговое значение AP_TH-C, соотнесенное «Аномальное» пороговое значение AP_TH-А, и соотнесенное «Пограничное» пороговое значение AP_TH-М. Подобно рекомендациям 600, рекомендации 700 также включают в себя колонку «Проблема», которая представляет предполагаемую причину, если конкретный аналитический параметр выходит за пределы любого из трех идентифицированных пороговых значений.

В рекомендациях 600 (или 700), если конкретный аналитический параметр выходит за пределы (превышает или является меньшим, чем) рекомендуемого «Пограничного» порогового значения, но имеет значение, менее экстремальное, чем «Аномальное» пороговое значение, тогда рекомендации рекомендуют, чтобы секцию (или двигатель) «направили в цех» во время следующей инспекции и исследовали указанную проблему (в колонке «Проблема»). Если конкретный аналитический параметр находится за пределами (превышает или является меньшим, чем) рекомендуемого «Аномального» порогового значения, но не выходит за пределы (не превышает или не является меньшим, чем) «Критического» порогового значения, то рекомендации рекомендуют, чтобы секция (или двигатель) была направлена в цех немедленно для обслуживания, и для исследования проблемы, указанной в колонке «Проблема». Если же конкретный аналитический параметр выходит за пределы (превышает или является меньшим, чем) рекомендуемого «Критического» порогового значения, то рекомендации рекомендуют, чтобы конкретная секция (или двигатель) были немедленно выведены из эксплуатации, и проведено обслуживание секции, начиная с исследования связанной проблемы, идентифицированной в колонке «Проблема».

Фиг. 8 показывает пример исполнения системы 100 (показанной в Фиг. 1). В этом примере локомотивная секция 2248 может быть в цехе для запланированного на 184-ый день обслуживания. Проводящий обслуживание техник, с использованием компьютера 120, может запросить интервал LDI для секции 2248, чтобы определить, необходимо ли заменять моторный смазочный материал на момент 184-ого дня или же секция 2248 может продолжать работать в течение следующих 92 дней без замены моторного смазочного материала. В этом отношении сервер 130 может запросить свое внутреннее хранилище 135 данных (или базу 140 данных, если она размещена внутри сервера 130) для получения статистических данных о секции 2248. Если статистические данные хранятся в отдаленной базе 140 данных, то база 140 данных может периодически запрашиваться для получения большей части имеющейся до сих пор информации, связанной с секцией 2248. Модуль 170 определения затем может обработать извлеченные статистические данные для секции 2248, чтобы формировать значения AP(1), AP(2), AP(3), AP(4) и AP(5) аналитических параметров для всех пяти серий аналитических параметров на 276-ой день, включающих в себя (1) сажу, (2) свинец (Pb), (3) вязкость 100С, (4) TAN, и (5) TBN. Следует отметить, что другие (альтернативные или дополнительные) аналитические параметры могут быть установлены, как будет понятно специалисту с обычной квалификацией в этой области технологии, без выхода за пределы области или смысла изобретения. Как видно на Фиг. 8, прогнозированное значение аналитического параметра AP(3)_n+1 для вязкости 100С может быть на допустимом уровне на 276-ой день, но прогнозированное значение для AP(3)_n+1 TAN находится на неприемлемом уровне, тем самым делая необходимой замену смазочного материала ранее 276-ого дня, предпочтительно, например, на 184-ый день, когда секция 2248 находится в цеху.

Фиг. 9 показывает пример восьми диаграмм разброса данных, которые могут быть сформированы сервером 130 для взаимосвязи между железом (Fe) и сроком активной работы масла в машине для локомотивной секции 2248. Более конкретно, диаграммы разброса данных включают в себя семь графиков (от 1 до 7), которые показывают концентрации железа в моторном масле, измеренные в различные моменты времени для семи последних интервалов (LDI) между заменами смазочного материала, и один график (8), который включает в себя значения AP(Fe) для железа в текущем интервале LDI. Как видно в графиках, уровни содержания железа Fe относительно срока активной работы масла в машине проявляют тенденцию к линейному изменению. Таким образом, когда были идентифицированы замены масла, то может быть рассчитан срок активной работы масла в машине.

Фиг. 10 показывает пример восьми диаграмм разброса данных для взаимосвязи между сажей и сроком активной работы масла в машине для локомотивной секции 2248. Более конкретно, диаграммы разброса данных включают в себя семь графиков (от 1 до 7), которые показывают концентрации сажи в моторном масле, измеренные в различные моменты времени для семи последних интервалов (LDI) между заменами смазочного материала, и один график (8), который включает в себя значения для сажи в текущем интервале LDI. Как видно в графиках, уровни содержания сажи также оказываются показателем срока активной работы масла в машине. Данные показывают линейную взаимосвязь между сроком активной работы масла в машине и содержанием сажи.

Фиг. 11 показывает пример восьми диаграмм разброса данных для взаимосвязи между TBN и сроком активной работы масла в машине для локомотивной секции 2248. Более конкретно, диаграммы разброса данных включают в себя шесть графиков (от 2 до 7), которые показывают уровни TBN в моторном масле, измеренные в различные моменты времени для шести последних интервалов (LDI) между заменами смазочного материала, один график (1), для которого статистические данные отсутствуют, и один график (8), который включает в себя уровни TBN для текущего периода. Как видно в графиках, взаимосвязь между сроком активной работы масла в машине и уровнями TBN может быть линейной и/или нелинейной.

Фиг. 12 показывает пример диаграммы разброса данных для взаимосвязи между сажей и сроком активной работы масла в машине для локомотивной секции, причем данные для семи (от 1 до 7) интервалов между заменами масла совмещены вместе с данными для уровней сажи во время текущего интервала (8) между заменами масла. Как видно из графика, появляется измерительная точка 1110, которая резко отличается или является необычным результатом. Согласно принципам изобретения, система 100 (показанная в Фиг. 1) выполнена с возможностью обнаружения и отфильтровывания резко отличных данных, например, таких как измерительная точка 1110.

Фиг. 13 показывает пример восьми диаграмм разброса данных для взаимосвязи между железом (Fe) и сроком активной работы масла в машине для локомотивной секции 2248. Фиг. 13 подобна Фиг. 9, за исключением того, что Фиг. 13 дополнительно включает в себя предикторную линию 1210, которая прогнозирует уровни содержания Fe в моторном масле во время периода от около 140 дней до около 276 дней, где предикторная линия 1210 может быть формирована модулем 170 определения.

Фиг. 14 показывает пример восьми диаграмм разброса данных для взаимосвязи между сажей и сроком активной работы масла в машине для локомотивной секции 2248. Фиг. 14 подобна Фиг. 10, за исключением того, что Фиг. 14 дополнительно включает в себя предикторную линию 1310, которая прогнозирует уровни содержания сажи в моторном масле во время периода от около 140 дней до около 276 дней, где предикторная линия 1310 может быть сформирована модулем 170 определения.

Фиг. 15 показывает пример матрицы диаграмм разброса данных для еще одной локомотивной секции 8866. Как видно из графика, десять аналитических параметров, включающих в себя Fe, Pb, Cu, V100C, OXI, NIT, SOOT, TAN, TBN, PI, измерены и нанесены на график для шести отдельных замен масла, n=6.

Фиг. 16 показывает пример процесса 500 для составления расписания технического обслуживания для одного или более двигателей. Со ссылкой на Фиг. 1А, база 140 данных может быть запрошена для извлечения данных по LDI для всех (или менее, чем всех) двигателей, которые принадлежат конкретному клиенту (этап 510). Двигатели, идентифицированные по извлеченным данным, затем могут быть расклассифицированы на основе данных LDI на одну или более LDI-категорий, например: двигатели, которые требуют технического обслуживания каждые 92 дня, двигатели, которые требуют технического обслуживания каждые 184 дня, двигатели, которые требуют технического обслуживания каждые 276 дней, и тому подобные (этап 520). Для каждого из идентифицированных двигателей может быть составлено (или обновлено) расписание технического обслуживания (этап 530). Расписание технического обслуживания может включать в себя перечень двигателей, которые выбраны для расширенных интервалов между заменами смазочного материала (например, LDI=276 дней). Расписание технического обслуживания может включать в себя перечень двигателей, которые выбраны для укороченных интервалов между заменами смазочного материала (например, LDI=92 дня). Расписание технического обслуживания может включать в себя календарный план, который указывает дату запланированного LDI для каждого из идентифицированных двигателей. Затем составленное расписание технического обслуживания может быть послано, например, на компьютер 120 клиента (этап 540).

Согласно одному аспекту изобретения, представлен машиночитаемый носитель информации, который содержит компьютерную программу, которая, будучи исполненной, например, сервером 130 (или компьютером 120), обеспечивает выполнение процесса 500 на Фиг. 16. Компьютерная программа может быть материально размещена на машиночитаемом носителе информации, который может содержать кодовый сегмент или секцию кода для каждого из этапов 510-540.

Согласно дополнительному аспекту изобретения, к смазочному материалу может быть добавлен маркер. Маркер может подвергаться измеримому изменению, когда смазочный материал истощается. Маркер может быть измерен, например, с помощью спектрального анализа в видимой области спектра, инфракрасным анализом, по изменению цвета, или тому подобным образом.

В то время как изобретение было описано в плане примерных вариантов осуществления, специалистам в данной области техники будет понятно, что изобретение может быть реализовано на практике с изменениями в пределах сущности и объема пунктов прилагаемой формулы изобретения. Эти примеры являются исключительно иллюстративными и не подразумевают исчерпывающего списка всех возможных конструкций, вариантов исполнения, вариантов применения или модификаций изобретения.

Предлагаемое изобретение относится к машиностроению, в частности к системе и способу для определения пригодности к применению смазочных материалов и времени, когда необходимо заменять смазочные материалы. Система на основе процессора для прогнозирования интервала между заменами смазочного материала в двигателе на основании множества значений аналитического параметра, измеряемых во множестве образцов использованного моторного смазочного материала, отобранного из двигателя в течение периода времени, содержит первый вход, который принимает множество значений аналитических параметров и множество статистических значений аналитических параметров для двигателя. Эти параметры указывают на одну или более характеристик использованного смазочного материала. Также через первый вход происходит сохранение значений аналитических параметров и статистических значений аналитических параметров в памяти процессора. Второй вход принимает пороговое значение аналитического параметра для использованного смазочного материала в конце интервала обслуживания и сохраняет пороговое значение аналитического параметра в памяти процессора. Модуль определения определяет будущее значение аналитического параметра для определения интервала между заменами смазочного материала путем выполнения моделирования на множестве значений аналитических параметров и множестве статистических значений аналитических параметров. Затем сравнивается будущее значение аналитического параметра с пороговым значением аналитического параметра для определения того, превышает ли будущее значение аналитического параметра пороговое значение аналитического параметра в конце интервала обслуживания, чтобы обеспечить выходной сигнал, указывающий на интервал между заменами смазочного материала в двигателе. Моделирование, выполняемое модулем определения, выбрано из модели регрессии частных наименьших квадратов и модели нейронной сети. Упомянутые значения аналитических и статистических параметров содержат три или более аналитических параметра использованного смазочного материала. Также раскрыт способ прогнозирования интервала между заменами смазочного материала в двигателе. Технический результат заключается в повышении надежности работы двигателя за счет прогнозирования, на основе анализа масла, необходимости замены. 2 н. и 6 з.п. ф-лы, 17 ил.

1. Система на основе процессора для прогнозирования интервала между заменами смазочного материала в двигателе на основании множества значений аналитического параметра, измеряемых во множестве образцов использованного моторного смазочного материала, отобранного из двигателя, в течение периода времени, причем система содержит:
первый вход, который принимает множество значений аналитических параметров и множество статистических значений аналитических параметров для двигателя, которые указывают на одну или более характеристик использованного смазочного материала, и сохраняет значения аналитических параметров и статистические значения аналитических параметров в памяти процессора;
второй вход, который принимает пороговое значение аналитического параметра для использованного смазочного материала в конце интервала обслуживания и сохраняет пороговое значение аналитического параметра в памяти процессора; и
модуль определения, который определяет будущее значение аналитического параметра для определения интервала между заменами смазочного материала путем выполнения моделирования на множестве значений аналитических параметров и множестве статистических значений аналитических параметров и сравнения будущего значения аналитического параметра с пороговым значением аналитического параметра для определения того, превышает ли будущее значение аналитического параметра пороговое значение аналитического параметра в конце интервала обслуживания, чтобы обеспечить выходной сигнал, указывающий на интервал между заменами смазочного материала (LDI) в двигателе, причем моделирование, выполняемое модулем определения, выбрано из модели регрессии частных наименьших квадратов и модели нейронной сети, и при этом упомянутые значения аналитических параметров и упомянутые статистические значения аналитических параметров содержат три или более аналитических параметра использованного смазочного материала.

2. Система по п. 1, в которой моторный смазочный материал содержит картерное моторное масло.

3. Система по п. 1, в которой компьютер содержит модуль определения.

4. Система по п. 1, в которой двигатель содержит двигатель трактора, грузовика, локомотива, автобуса, автомобиля, мотоцикла, мотороллера, судна или летательного аппарата.

5. Система по п. 1, в которой упомянутые используемые аналитические параметры содержат три или более параметра, выбранных из группы, состоящей из железа, свинца, олова, меди, алюминия, бора, степени окисления, степени нитрования, калия, кремния, натрия, сажи, общего щелочного числа (TBN), воды, топлива, шлама, и нерастворимых компонентов в образце моторного смазочного материала.

6. Система по п. 1, в которой используемые аналитические параметры содержат три или более параметра, выбранных из группы аналитических параметров, состоящей из цинка, бора, степени окисления, степени нитрования, калия, кремния, натрия, сажи, воды, загрязняющих примесей в топливе, побочных продуктов в топливе, ила, свинца и нерастворимых компонентов.

7. Система по п. 1, в которой осуществляется выбор множества двигателей для расширенного интервала между заменами смазочного материала, причем данные об интервалах между заменами смазочного материала для множества двигателей сохраняются в памяти; данные о замене смазочного материала категоризируются по меньшей мере на две категории, включающие в себя категорию расширенного интервала между заменами смазочного материала и категорию нормального интервала между заменами смазочного материала; и формируется расписание интервалов между заменами смазочного материала с использованием процессора для множества двигателей.

8. Основанный на процессоре способ прогнозирования интервала между заменами смазочного материала в двигателе на основании множества значений аналитических параметров, измеряемых в образце использованного моторного смазочного материала, отобранного из двигателя, причем способ содержит этапы, на которых:
принимают на первом входе процессора множество значений аналитических параметров и множество статистических значений аналитических параметров для двигателя, которые указывают на одну или более характеристик использованного смазочного материала, и сохраняют множество значений аналитических параметров и статистических значений аналитических параметров в памяти процессора;
принимают на втором входе процессора пороговое значение аналитического параметра для использованного смазочного материала в конце интервала обслуживания и сохраняют пороговое значение аналитического параметра в памяти процессора; и
используют процессор для (а) определения будущего значения аналитического параметра для использованного смазочного материала путем выполнения моделирования на множестве значений аналитических параметров и множестве статистических значений аналитических параметров; (b) сравнения будущего значения аналитического параметра с пороговым значением аналитического параметра для определения того, превышает ли будущее значение аналитического параметра пороговое значение аналитического параметра в конце интервала обслуживания; и (с) обеспечения выходного сигнала, указывающего на интервал между заменами смазочного материала (LDI) в двигателе, причем моделирование, выполняемое процессором, выбрано из модели регрессии частных наименьших квадратов и модели нейронной сети, и при этом упомянутые значения аналитических параметров и упомянутые статистические значения аналитических параметров содержат три или более аналитических параметра использованного смазочного материала.