对船舶柴油机而言, 润滑油常受到冷却液的污染, 引起润滑油劣化变质, 从而导致其功能失效。 冷却液的主要成分是水、 乙二醇及少量的防腐蚀、 抗穴蚀、 消泡沫等添加剂。 将拉曼光谱用于检测润滑油被冷却液污染的浓度, 是一种针对复杂混合物的拉曼光谱检测问题, 单个拉曼峰强度的定量分析方法无法满足浓度的定量检测。 为此, 将拉曼光谱分析和LSTM神经网络数据挖掘方法应用于检测润滑油冷却液污染的浓度。 在实验室条件下, 配制了冷却液污染浓度为2%, 1.5%, 1%, 0.5%, 0.25%和0%的柴油机润滑油油样, 对每个油样取样50次, 并进行拉曼光谱分析, 共获得300个拉曼光谱数据, 随机抽取其中80%的数据作为神经网络训练样本, 剩余20%的数据作为测试样本, 拉曼光谱样本数据的光谱范围为300～2 000 cm-1; 对数据进行预处理, 包括采样、 拟合、 离散点平均梯度估计等; 构建训练样本集, 将LSTM神经网络和多层全连接层(FC)结合, 建立4种不同的神经网络模型结构; 得到其在训练集和测试集上的平均误差曲线、 测试集上的检测准确率曲线。 分析结果表明, FCs, LSTM-FCs-1, LSTM-FCs-2和LSTM-FCs-3等4种神经网络模型, 检测准确率分别为96.7%, 93.3%, 98.3%和83.3%。 选取任意1%的波数点, 加入幅值随机正负变化1%的噪声之后, 4种神经网络模型的检测准确率分别为88.3%, 90.0%, 96.7%和78.3%。 可见, 相比于其他3种神经网络结构模型, LSTM-FCs-2模型更适用于进行润滑油冷却液污染的定量估计, 加噪后最高准确率仍可以达到96.7%, 鲁棒性优于其他三种模型。 拉曼光谱结合LSTM网络中的LSTM-FCs-2模型, 应用于冷却液污染浓度分别为0.2%和0.4%的实际油样检测, 相对误差分别为5.0%和7.5%, 结果表明该方法可用于在用润滑油冷却液污染浓度的检测。

柴油机润滑油在使用过程中, 会受到水份、 柴油或冷却液等的污染, 受高温或燃烧室气体的作用还会产生氧化、 硝化、 磺化等产物, 严重时, 这些污染和产物可导致装备的失效。 在用润滑油分析能可靠地反映其工作状态, 从而确定最佳换油时机和故障源, 以避免柴油机在使用过程中产生异常磨损及腐蚀等问题。 目前的传统方法, 是用卡尔菲休法测定石油产品中水份, 气相色谱法测定柴油机油中的柴油稀释剂, 因分析时间长和费用高等因素影响其普及应用。 傅里叶红外(FTIR)光谱法从分子水平分析润滑油, 从而能更有效地监测在用油, 由于光谱的复杂性, 目前尚不普及。 通过在实验室条件下配置多种污染程度的油液样, 分别为润滑油含水份百分比浓度为0.11%, 0.22%, 0.44%和0.88%的油样; 润滑油在230 ℃下的氧化时间为299, 323, 371和395 h的油样; 润滑油被柴油稀释的质量百分比浓度为1.5%, 3%, 6%和12%的油样; 润滑油含乙二醇质量百分比浓度为0.1%, 0.2%, 0.4%和0.8%的油样, 包括配置的润滑油油样共计20个。 实验采用安捷伦Agilent Cary 630红外光谱仪, 使用100 μm厚的液体池, 防潮ZeSe型配置的光谱范围为4 000～650 cm-1。 分析了所有油样, 获得了FTIR光谱图, 确定了水、 氧化产物、 柴油、 乙二醇污染所对应的特征波段范围分别为3 150~3 500, 1 670~1 800, 745~755和1 030~1 100 cm-1; 监测参数包括特征波段的实测中心点、 左边界、 右边界、 左基线、 右基线等。 建立了一种在用润滑油污染物定量分析模型, 通过水份、 柴油、 乙二醇的污染比例和峰面积, 在230 ℃下的氧化时间与峰面积分别建立拟合方程, 水、 柴油、 乙二醇含量百分比与对应峰面积的相关系数分别为0.977 9, 1.000 0和0.989 5, 氧化时间与对应峰面积的相关系数为0.999 6。 分析计算预测值与实际值的相对误差可知: 水份和乙二醇在含量大于0.2%时, 预测的最大相对误差为10%; 氧化时间和柴油预测值的最大相对误差为1%。 通过按比例稀释, 可对在用油进行监测, 对3个日常工作的实际油样进行FTIR光谱分析。 结果表明: 一个油样的水份含量为0.38%, 已经超过标准; 一个油样的燃油稀释为19%, 已经超标; 另外一个油样正常。 水份超过标准门阈值的油样经卡尔菲休法测量, 其相对误差为4.6%。 燃油稀释超过标准的油样经黏度测量, 其相对值变化同样超过了标准要求, 即在判断润滑油是否需要换油方面是一致的。 利用FTIR光谱法分析在用润滑油, 选定适当的吸收峰, 并计算吸收峰的面积, 借助于已经建立的拟合公式, 可快速可靠地监测在用油的污染种类及程度, 该方法可在一定程度上满足工程需要。

针对柴油机润滑油被燃油稀释的状态监测的问题, 研究了基于紫外荧光技术的柴油机润滑油被燃油稀释的检测方法, 设计搭建了检测实验装置。 利用峰值发射波长为365 nm的紫外LED作为发射光源, 发射的紫外光通过400 nm低通滤光片过滤后进入石英比色皿中的油样, 并激发油样产生荧光, 产生的荧光通过400 nm高通滤光片过滤后, 利用探测波长范围为400～800 nm的光电传感器采集油样的荧光信号, 利用万用表读取油样的荧光强度。 设计开发了信号的放大和测量系统。 高、 低通滤光片的组合使用, 减少了紫外光源所发射的紫外光对油样的荧光强度测量的干扰。 利用该实验装置, 测量了润滑油中柴油含量分别为20.3 Wt.%, 10.0 Wt.%, 5.0 Wt.%, 2.5 Wt.%, 1.5 Wt.%和0.7 Wt.%以及不含柴油的空白油样的荧光强度, 经拟合得到柴油含量与荧光强度的方程。 最后, 为了检验该方法测量润滑油中柴油含量的准确性, 采用柴油含量为7.5 Wt.%油样进行验证, 利用该实验装置, 测量了验证油样的荧光强度, 代入拟合方程, 计算得到油样中的柴油含量, 结果表明通过该方法测量的油样中柴油含量与油样的实际柴油含量的相对误差为0.5%, 实现了实验室条件下润滑油被燃油稀释的精确测量。

针对船舶机械润滑油中水分含量的测量问题, 研究了基于中红外LED的油液水分含量测量方法。 利用峰值发射波长为2 840 nm, 半高宽为400 nm的中红外LED作为发射光源, 发射的红外光进入油样, 一部分被吸收, 剩下的透过油样被红外探测器接收, 根据油样对光能的吸光度确定油液中水分含量。 实验设计了红外光发射、 吸收和探测的装置, 采用氟化钙晶片作为窗片, 选择截面为圆形的硬质金属线圈作为垫圈以保证精确的油膜厚度, 采用探测波长范围为2 500～4 800 nm, 响应时间为10～20 ns的光电二极管作为光强探测器。 开发了信号的前置放大和基于单片机的数据采集、 储存和通讯系统。 通过实验, 获得了含水质量分数为0, 0.062 5%, 0.125%, 0.25%, 0.375%和0.5%六个油样的吸光度数据, 利用最小二乘法对数据进行拟合, 得到吸光度和含水量的线性回归方程。 对误差进行量化分析, 回归方程和数据点的决定系数为0.996。 最后, 为了检验该测量方法的精确性, 用含水量为0.317 5%的油样进行验证, 利用实验装置测量吸光度, 代入回归方程计算含水量, 结果显示通过该方法测得的含水量和实际含水量的相对误差为2.7%, 满足工程实际需求, 说明该方法能够准确测量油液中的含水量。

通过改变气缸套和活塞间隙, 设计了6种工作状态, 获得了某型6缸柴油机在每种工作状态下不同负荷时的润滑油样本共计69个, 采用超谱M型原子发射光谱仪分析21种元素浓度。 应用主成分分析法, 分别以分析元素和润滑油样本为研究对象, 基于权系数和主成分得分, 对光谱数据进行了元素分类和样本分类。 发现应用主成分分析法分析油液光谱数据能比较理想地对元素进行分类, 该分类的3种主成分反映了5种类型的元素组合即磨损元素Fe, Cr,Cu, Al和Pb, 含量较高的添加剂元素Na, Zn, P, Ca和Mg, 含量较低的添加剂元素Ba和B, 润滑油主成分元素C和H和干扰元素Ni, Ti, Mo, V和Ag等。 不仅如此, 主成分分析法对样本的分类较好地区分了来自柴油机不同的气缸套—活塞设计间隙的油样。 研究表明应用主成分分析法分析润滑油光谱分析数据可揭示不同元素的来源、 监测工况和诊断磨损故障。