基于數據驅動智能油液實驗室的質量控制

龐晉山，賀石中，寧成云

（1.廣州機械科學研究院有限公司，廣州 510530；2.華南理工大學 材料科學與工程學院，廣州 510641）

基于數據驅動智能油液實驗室的質量控制

龐晉山1,2，賀石中1，寧成云2

（1.廣州機械科學研究院有限公司，廣州 510530；2.華南理工大學 材料科學與工程學院，廣州 510641）

為實現對智能油液實驗室異常值的自動識辨、判定和處理，本研究立足于油液分析的特點以及故障診斷的目的，綜合應用數據分類、統計篩查、預設值判定等方法建立基于數據驅動的檢測質量控制方法。結果表明，采用Z值判定法可對同源數據的異常值進行篩查和處理；采用相關性分析和趨勢分析設置閾值不僅可以識辨異常值，而且可以對異常數據進行解釋和分析。本研究可以為智能實驗室數據自動判定和處理，實現質量控制的智能化提供思路和方法。

質量控制；數據驅動；油液實驗室

0 引言

智能油液實驗室是指基于信息化系統以及數據自動處理系統，對來源于大型機械設備的油液進行分析，不僅能快速獲得油液的各項性能指標，而且能通過數據歸類、統計分析、閾值判定以及趨勢分析較為準確地對設備狀態進行預測和評估。與傳統油液檢測實驗室相比，智能實驗室通過信息流程化和數據自動采集減少實驗過程人員的投入和干預，并對檢測數據進行自動識辨和判定，對異常數據進行智能化分析，從而判定異常來源于實驗過程還是設備狀態的真實反映，并基于預設數學模型或自身數據形成的驅動性模型獲得設備狀態信息，并在擁有足夠信息的條件下，還可對設備運行剩余壽命進行預測和估計[1,2]。

在信息化和數字化基礎上的大數據處理技術的蓬勃發展為油液監測數據的自動采集、分析和判定創造了條件，但是有效數據和異常數據的識辨以及異常來源分析判定的自動化是實現整個流程自動化的核心環節，也是智能實驗室有效運作的基石。實驗數據的質量控制方法一般有標物驗證、留樣再測、比對實驗以及相關性分析等[3～5]，如何將傳統質控方法應用于智能實驗室或建立行之有效智能判定和質控方法是本研究的重點。

1 智能油液實驗室的運作模式

基于油液分析的設備狀態監測，是通過油液分析獲得油品性能指標的變化值，結合油液來源的各類信息，例如設備的工況條件、維修狀況、換油周期、現場信息等綜合評估設備使用狀態，并根據其特定性能參數的變化規律和趨勢預測設備或某一特定關鍵部件的剩余有效壽命。所以油液監測實驗室實際上是對特定油液及其相關信息進行分析和處理，基于摩擦學、材料學等基本理論或已建立的數據模型進行判定和預測，最終獲得針對設備使用狀態的評估報告。智能油液實驗室的工作流程如圖1所示。

智能油液實驗室工作對象為來自于特定設備的油液樣品以及與設備相關聯的信息，對油液樣品的檢測過程實際上是通過油液特定參數的檢測分析提取油液和設備信息的過程，例如通過檢測磨損元素可以獲得設備特定摩擦副的磨損部位及磨損程度，酸值檢測可以獲得油液的老化程度并通過劣化機理及設備的換油周期估算推測其剩余壽命或重新制定更加科學的換油周期；與油液樣品相關聯的信息是設備狀態評估的必需輸入量，油液的任何性能變化取決于設備的使用工況、工作參數以及設備與油液的匹配性，而信息的處理與油液樣品的處理方式不同，需要具有較強專業知識和掌握特定信息的技術人員進行處理和分析；診斷人員將來自樣品流的檢測數據與各類處理后的信息進行融合和分析判斷，對設備狀態進行評估和預測，并在一定數據信息積累的基礎上，通過數值模型預測設備和油液的剩余壽命。對于基于互聯網信息互通的智能油液實驗室，可以將樣品檢測理解為特定信息的提取過程，設備診斷過程即為信息輸入、信息處理和信息輸出的過程。

圖1 智能油液實驗室工作流程

2 同源數據異常值的自動識辨與判定

對來自相同工況，相同設備具有可比性的一組樣品進行檢測分析，所獲得的數據視為同源數據。例如某風場的相同供應商制造的風機齒輪箱采用相同牌號齒輪油的一組樣品，如果其運行時間相同，那么其各性能參數的檢測結果具有可比性。如果某臺風機的某個參數為特定統計方法下的離群值，那么該檢測結果為可疑異常值，需采用特定的篩選方法識別出來進行異常值的確認。通過確認確定數據異常是檢測異常還是設備異常的合理反應。由于數據具有可比性，可以對同組數據通過統計分析自動識辨異常值。本研究采用Z值判定法可以快速準確識別異常值，其基本原理為：同源樣品的所有檢測項目構成一個數據矩陣，每一個檢測數據即為矩陣中的數據單元xi,j，i為樣品編號，j為檢測項目，對該矩陣進行標準化處理，計算每一項目列的平均值，和標準偏差為樣品數。通過將原檢測結果數據矩陣轉換為標準矩陣，如果標準矩陣中的x大于3，則對于的第i個樣品的j個項目為異常值。其工作原理如圖2所示。

圖2 同源數據的異常值判定流程

對于同源數據，由于其檢測條件相同，檢測引起的差錯或誤差，一般為實驗的偶然性引起的，所以通過重復實驗進行數據比對可以確認。實驗的偶然性一般為：樣品的代表性不夠，比如某在用油酸值異常可能為取樣部位沒有足夠的代表性；樣品前處理錯誤，例如樣品稱取量或溶劑加入量發生偶然性錯誤；檢測過程的偶然性錯誤，例如ICP檢測過程中，蠕動泵的偶然性或間歇性打滑造成實驗誤差。重復實驗后進行數據比對，對兩次實驗結果進行一致性檢驗，若實驗結果一致，表明異常為設備狀態或潤滑油性能的客觀反映，否則為實驗誤差引起的異常。

3 參數相關條件下的異常值識別

由于油液在實際工況的使用的過程中，某個性能的變化會同時應起若干個性能指標的變化，表現出普遍的相關性。例如，潤滑油在使用過程中隨著設備溫度的升高，酸值隨著油品的老化不斷升高，同時不溶物、清潔度、漆膜傾向、耐磨性能等指標都會發生相應的變化。由于油液的性能變化受諸多因素影響，相關函數或規律因油液本身性能、使用條件、外部環境等因素不同而不同。對于無法確切獲得相關機理的數據，可以通過灰色理論分析數據間的相關關系。現有理論或經驗支持的相關關系，可通過特定的統計方法回歸獲得相關函數。如圖3所示，發動機油在使用過程中，氧化值與酸值具有顯著的相關性。這表明，油液的氧化會顯著引起酸值的升高，當氧化值與酸值不能呈現相關性時，即檢測點落在相關區域外時，需要重復實驗確認檢測結果的準確性，如果檢測結果無誤，則表明該酸值的升高不是由于樣品氧化引起的，可能為外界污染或補充酸性添加劑引起的。通過相關性分析不僅能確定需要檢測確認的數據，而且能快速分析某一指標異常的原因，進行有效的故障診斷。

圖3 發動機油氧化值和酸值的相關性

對于一組近似同源數據，例如同一風場的風機齒輪箱，采用相同的齒輪油，但投用時間不同，所以其黏度和酸值一般隨投用時間的延長而逐步升高，黏度和酸

【】【】值體現出灰色相關性。當某一油樣的酸值與黏度沒有體現出這種規律性時，例如酸值較高，則需要進行數據確認，排除實驗差錯或粗大誤差造成的偏離，如果數據確認無誤，則油樣可能被其他酸性物質污染或由于添加酸性添加劑造成樣品數值偏離。

4 偏離趨勢條件下的異常值判定

單臺設備所用的特定油液，隨著設備或油液工作時間的延長，特定參數的檢測值會呈現出特有的規律性。例如磨損元素鐵，隨著設備使用時間的延長，磨損量不斷增加，在檢測角度表現為油液中光譜元素鐵持續升高，可以根據其升高的規律建立鐵含量與時間的函數，并進行檢測值預測，當檢測值偏離預測范圍時，該檢測值需要進行確認。

圖4 酸值隨時間的變化趨勢

如圖4所示，某風電場減速機齒輪箱采用MOBIL SHC XMP320，其酸值從新油的0.62mgKOH/g逐步升高，可以計算其在不同時間點的標準偏差σ，以3σ為控制線，超過控制線為異常值，需要數據復查或確認，經確認的檢測數據無誤，則表明該齒輪油發生異常性老化，如風機齒輪箱溫度異常升高，或油液受到外界酸性物質污染，繼續使用會對設備造成腐蝕或腐蝕磨損，須進行換油處理。

5 結束語

異常數據的自動識辨、判定以及處理是智能檢測實驗室數據質量控制以及實現智能檢測的重要環節，傳統質量控制方法，如標準物質驗證、留樣再測等很難發現同組數據中的異常值，所以智能檢測實驗室需在檢測流程基于數據和信息建立適合檢測需求的質控方法。對于油液檢測實驗室，基于標準偏差的Z值判定法可對同源數據進行異常值識辨和判定；通過相關性分析可以確定相關參數的異常性能；趨勢分析可以識辨隨時間序列的異常值。這些方法不僅能快速、自動識辨和判定異常值，而且可以為基于油液分析的設備狀態監測提供有效的分析判據。

[1] Khanh Le son, Mitra Fouladirad, Anne Barros. Remaining useful life estimation based on stochastic deterioration models： A comparative study[J].Reliability Engineering and System Safety, 2013(112)：165-175.

[2] 孫磊,賈云獻,蔡麗影,等.基于油液光譜分析和粒子濾波的發動機剩余壽命預測研究[J].光譜學與光譜分析,2013,33(9)：2478-2482.

[3] 龐晉山,賀石中,寧成云.系統論在油液檢測實驗室質量控制中的應用[J].潤滑與密封,2016,41(3)：91-93.

[4] Christopher A. Todd, Ana M. Sanchez,Ambrosia Garcia. Implementation of Good Clinical Laboratory Practice (GCLP) guidelines within the External Quality Assurance Program Oversight Laboratory (EQAPOL)[J].Journal of Immunological Methods, 2014,49：91-98.

[5] Mario Plebani, Laura Sciacovelli, Mariela Marinova.Quality indicators in laboratory medicine：A fundamental tool for quality and patient safety)[J].Clinical Biochemistry,2013,46：1170-1174.

Quality control based on data driven of intelligent oil testing laboratory

PANG Jin-shan1,2, HE Shi-zhong1, NING Cheng-yun2

TH117

：A

：1009-0134(2017)05-0052-03

2017-01-21

廣東省科技計劃項目（2016B020245001）；國家科技支撐計劃項目（2015BAA06B02）；廣州市珠江新星項目（201506010043）

龐晉山（1974 -），男，高級工程師，博士后，研究方向為為油液分析與監測。