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.

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。