综合传动装置磨损产生的金属颗粒在润滑油液中均匀混合, 导致装置工作环境的恶化并最终导致装置磨损失效事故的发生。 因此, 实现综合传动装置磨损劣化状态的准确监测和视情维护策略的合理制定对提高装置的可靠性与可维护性具有重要意义。 携带着磨损部位与磨损状态信息的油液光谱与综合传动装置寿命的相互关系反映了装置磨损劣化的分布特征, 使实现基于油液光谱数据的装置劣化建模和维护决策成为可能。 现有综合传动装置视情维护研究是通过油液光谱数据趋势分析结合经验阈值实现的, 没有考虑维护成本、 装备可用度等因素的影响。 鉴于此, 提出基于油液光谱数据的综合传动装置视情维护决策方法。 首先, 针对综合传动装置的历史故障油液光谱数据, 考虑装备寿命与各劣化变量间的相互关系及各劣化变量对装备劣化的贡献程度, 采用Weibull比例风险回归建立了装置的工作寿命模型。 然后, 针对综合传动装置训练演习和执行任务两种使用工况, 分别以最少维护成本、 最大可用度为目标建立了装置的维护决策模型。 与传统的综合传动装置维护决策方法相比, 该方法考虑了维护成本因素和装备可用度因素的影响, 能够根据维护目标有效的制定装置最优维护时间, 为装置的视情维护决策提供了一个客观的量化方法。 最后, 通过对Ch系列综合传动装置历史故障油液光谱数据的实例分析证明了该方法的有效性, 它能够实现综合传动装置视情维护策略的合理制定, 也为其他装备的视情维护决策提供了有益的参考。

原子发射光谱分析得到的磨损微粒元素浓度是综合传动装置性能劣化评估和剩余寿命预测的重要监测指标。 由于系统随机劣化过程和光谱测量误差的影响, 油液光谱数据中不可避免包含系统劣化随机性和光谱测量不确定性。 然而, 现有基于油液光谱数据的剩余寿命预测研究中, 没有考虑劣化过程的随机性和测量的不确定性对剩余寿命预测的影响。 因此, 针对综合传动装置劣化随机性和油液光谱数据测量不确定性对寿命预测的影响, 提出一种考虑系统随机劣化和数据不确定测量的综合传动装置劣化过程建模方法。 基于随机过程首中时间的概念, 定义了综合传动装置的剩余寿命; 基于Wiener随机过程, 建立了考虑系统随机劣化和不确定测量数据的综合传动装置劣化模型, 利用极大似然估计方法, 估计了劣化过程模型的参数; 利用卡尔曼滤波技术, 实现了综合传动装置劣化状态的实时估计与更新, 进一步得到了考虑系统劣化随机性和光谱数据测量不确定性的剩余寿命分布。 研究结果表明, 提出的劣化建模方法能够准确估计装置的运行状态, 避免了采用条件维护时间对装置进行维护与保养的局限性; 综合传动装置的维护时间预测值比条件维护时间延长了193 Mh(113.5%) ; 考虑光谱数据测量不确定性的剩余寿命预测方法优于不考虑测量不确定性的方法。

原子发射光谱是分析油液中微小磨损颗粒元素浓度的重要方法。 作为一种非直接测量方法, 油液光谱数据是车辆综合传动装置可靠性评估中的系统性能劣化的重要监测指标, 可用于系统失效评估与剩余寿命预测。 针对油液光谱数据这类型的一元劣化失效, 随机过程尤其是Wiener过程模型具有良好的计算分析性质, 在基于性能劣化的可靠性分析中应用日趋广泛。 通过对车辆综合传动装置运行中的实时采样, 共取得50个油液光谱样本。 采用其中三种指示元素的线性回归方程来计算综合传动装置运行中每个瞬时的特征值与均值。 基于正漂移Wiener过程, 建立了综合传动装置的劣化失效预测模型, 并基于R语言环境进行了随机微分方程的仿真与求解。 得到了油液光谱中的Fe, Cu和Mo元素含量增长趋势的预测结果以及三种指示元素各自的首中时间。 经比较, 劣化失效周期的预测值较之条件维护时间延长了27 Mh(15.9%)。 维护时间的延长, 能够有效的减少全寿命周期内的维护次数, 并最终降低维护成本。 研究结果表明, 该方法适用于综合传动装置的磨损与失效预测、 全寿命周期费用与维护计划的优化。 同时, 也可推广至其他复杂机械系统的失效预测与评价等相关领域。

原子发射光谱是分析油液中微小磨损颗粒元素浓度的重要方法.以综合传动全寿命磨损试验不同阶段采集的多个油液样本为研究对象,分别运用基于模糊隶属度的稳健核主成分分析(RKPCA)与传统主成分分析(PCA)对光谱数据进行主成分提取与对比.在剔除光谱数据中的干扰元素后,计算与比较两种方法的主成分数量与贡献率,并利用RKPCA主成分进行综合传动多摩擦副的分类识别;对光谱数据和RKPCA特征值分别进行模糊C均值聚类,对比两种聚类结果应用在磨损状态评价中的效果.研究表明,由于光谱数据离群值与非线性影响,RKPCA较PCA的主成分数量稍小且累积贡献率高,说明前者能更有效地降低变量维数;通过RKPCA主成分与摩擦副组件的相关性分析可以看出,该方法可以精确的实现综合传动多摩擦副、多磨损部位的分类与识别,进而分类评价不同摩擦副的磨损状态;RKPCA特征值的模糊C均值聚类结果与光谱数据直接聚类结果相比,前者能更精确的定位磨损状态转化的临界点,从而准确评价综合传动整体磨损状态.油液光谱RKPCA分析方法的创新在于将特征值变化规律引入整体磨损状态评价,实现整体评价与关键摩擦副的分类评价相结合.这样不仅有助于综合传动大修期的准确判断,还能给出需维修部件建议.该方法也适用于其他复杂机械系统的磨损监测与评价等相关领域.

油液光谱分析是机械磨损状态监测、 故障诊断与故障预测的重要技术, 基于光谱数据的机械状态剩余寿命预测有利于实现机械系统的最优维修决策。 由于机械设备越来越复杂, 其健康状态的退化过程很难用线性模型来表示, 而粒子滤波(particle filter, PF)对非线性非高斯系统的处理能力, 与经典Kalman滤波相比具有明显的优势, 文章将PF预测方法运用于光谱分析, 提出了基于PF和油液光谱分析技术的设备剩余寿命预测方法。 在预测模型中实现了根据设备后验分布的估计值预测其先验分布概率, 建立了基于PF的多步向前长期预测模型。 最后, 对某发动机实际的光谱分析数据进行了预测和分析, 并与传统Kalman滤波方法的预测结果进行了比较, 结果充分表明了本方法的有效性和优越性。

提出了一种利用润滑油原子光谱分析技术对机械磨损状态进行监测的新方法。 对磨合期润滑油原子光谱数据建立多维时间序列模型并视为标准模型, 将新数据通过此模型后得到残差并选择残差方差阵元素作为新数据所属磨损状态的特征。 然后, 利用主成分分析法对高维特征进行降维, 提取前三个主成分构成对应磨损状态的特征向量。 最后, 利用欧式距离度量对测试样本进行分类, 达到了对机械磨损状态识别的目的。 利用上述方法, 通过对某型履带车辆发动机台架实验的光谱数据进行分析, 对发动机磨损状态进行了有效识别, 从而证明了所提方法的有效性。 结果表明, 将多维时间序列模型引入油液光谱分析技术, 能够实现光谱信息的有效融合, 提高机械磨损状态监测的准确性。

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。