CC BY
11
УДК 519.876.5
ПРОГНОЗИРОВАНИЕ РЕСУРСА СМАЗОЧНЫХ МАСЕЛ НА ОСНОВАНИИ АНАЛИЗА ЭКСПЕРИМЕНТАЛЬНЫХ ДАННЫХ ПО ИХ ОПТИЧЕСКОЙ ПЛОТНОСТИ
В.Г. Шрам, Е.Д. Агафонов, А.В. Лысянников, Н.Н. Лысянникова
Представлены результаты в области исследования и анализа оптической плотности моторного масла с применением математических и интеллектуальных моделей. Получены квадратичные аппроксимации зависимости оптической плотности от времени для трех различных температур термостатирования. Установлено, что каждая кривая изменения оптической плотности со временем содержит точку перегиба, на основании чего выдвинута гипотеза о том, что эти моменты соответствуют некоторому фазовому переходу в исследуемом масле. Также была построена трехмерная модель зависимости скорости изменения оптической плотности от температуры и времени испытания. При анализе этой зависимости установлен характер кривой перегиба, которая предложена в качестве индикатора, указывающего на достижение предельного ресурса смазочных масел.
Ключевые слова: моторные масла, оптическая плотность, регрессионные уравнения, локально-квадратичная модель, искусственная нейронная сеть.
Смазочные масла независимо от области их применения, как правило, являются расходным материалом. Важнейшей характеристикой смазочных масел является ресурс. Под ресурсом обычно понимают предельное состояние, по достижению которого масло заменяется. Он оценивается по пробегу транспортного средства в километрах пройденного пути или наработкой механизма в моточасах.
На практике для определения предельного ресурса масел обычно руководствуются положениями регламентов, устанавливаемых производителями оборудования и техники. При этом методика определения ресурса заключается в исследовании эксплуатационных свойств (вязкости, оптических свойств, испаряемости и т.д.) в процессе длительного воздействия высоких температур. Например, в соответствии с СТО Газпром 2-2.4-1342007 при определении термоокислительной стабильности масло выдерживают при 180 оС в течение 3 и 6 часов. Подобные методики несовершенны, так как они не учитывают цикличность процесса температурного воздействия, ограничены шириной диапазона воздействия температур для различных режимов работы масел и по времени теплового воздействия.
С точки зрения решения практических задач, связанных с эксплуатацией смазочных масел, существует необходимость решения «обратной задачи». То есть вместо индикации наступления предельного состояния масла необходимо оценить время его наступления и спрогнозировать остаточный ресурс. При этом можно предложить разные подходы к определению момента наступления предельного состояния. Первый заключается в установлении факта достижения предельного состояния определенного эксплуатационного параметра, второй - в изучении динамики изменения
325
параметров, характеризующих ресурс. Настоящая работа посвящена рассмотрению этого альтернативного подхода к анализу ресурса смазочных масел. Обоснование предлагаемого похода невозможно без экспериментальных исследований и их эффективного модельного описания.
Целью работы является разработка метода прогнозирования остаточного ресурса смазочных масел с использованием метода нейросетевого моделирования индикаторных показателей остаточного ресурса.
В качестве основной характеристики в ходе исследования была принята оптическая плотность как интегральный показатель накопления общих продуктов деструкции в исследуемом масле. Основным методом оценки термоокислительной деструкции выбран метод прямого фотомет-рирования. В предыдущих исследованиях [1] была установлена взаимосвязь оптической плотности с другими важными показателями, характеризующими ресурс масла.
Исследования проводились на товарном частично синтетическом моторном масле Роснефть Maximum 10W-40 SL/CF. Была проведена серия экспериментов, которая заключалась в следующем: проба масла постоянной массы 100 г заливалась в стеклянный стакан прибора для термостати-рования и перемешивалась стеклянной мешалкой с частотой вращения 300 об/мин и испытывалась в течение 8 часов последовательно при температурах 160, 170 и 180 °С. После каждых 8 часов испытания при каждой температуре отбиралась часть пробы (2 г) для прямого фотометрирования при толщине фотометрируемого слоя 2 мм и вычисления оптической плотности D:
где 300 - показания фотометра при отсутствии масла в кювете, мкА; Я - показания фотометра при заполненной кювете окисленным маслом, мкА.
Результаты выражаются серией зависимостей оптической плотности от температуры и времени испытания (рис. 1).
Рис. 1. Зависимости оптической плотности от времени и температура испытания частично синтетического моторного масла Роснефть Maximum 10W- 40 SL/CF: 1 -180оС; 2 -170оС;
3 -160оС
326
D = \
lg —, if R = 30 + 300, П
1, if R < 30
(1)
D
Отмечено, что при увеличении температуры скорость роста оптической плотности нелинейно возрастает. Также было замечено, что каждая кривая изменения оптической плотности со временем (рис. 1) содержит точку перегиба. Эти точки перегиба соответствуют моментам максимального нарастания оптической плотности. Можно выдвинуть гипотезу о том, что эти моменты соответствуют некоторому фазовому переходу в исследуемом масле. Таким образом, их можно принять в качестве индикатора, указывающего на достижение предельного ресурса. Можно также отметить, что момент перегиба характеристики, как правило, предшествует моменту, когда основные эксплуатационные характеристики фактически достигают предельных значений.
Дальнейший анализ полученных результатов был осуществлен с помощью построения трехмерной модели зависимости скорости изменения оптической плотности от температуры и времени испытания. Модель предложено строить в рамках нейросетевого подхода, потому что априорные сведения о процессе недостаточны, следовательно, модель будет базироваться лишь на измеренных данных. В качестве исходных данных примем разности соседних измерений при условии, что временной интервал между измерениями постоянный.
Разность изменения оптической плотности (рис. 2), были аппроксимированы с использованием нейросетевой модели с байесовской регуляризацией (алгоритм обучения Левенберга-Марквардта) [2], которая обладает высокой гладкостью и хорошо работает в условиях малых обучающих выборок. Структура модели включала два скрытых слоя с одним нейроном в каждом. Алгоритм построения модели реализован также средствами пакета MATLAB R2017b.
В таблице представлены значения среднеквадратичного отклонения для некоторых вариантов структуры нейросети.
Значения среднеквадратичного отклонения для некоторых __вариантов структуры нейросети_
Количество нейронов Среднеквадратичное отклонение
Один слой Два слоя, количество нейронов во втором слое при двух нейронах в первом
2 0,0164 0,0347
3 0,0269 0,0785
4 0,0729 0,0252
5 0,0728 0,0163
6 0,0722 0,0205
7 0,0741 0,0720
8 0,0713 0,0151
Следует отметить, что минимальное значение ошибки не гарантирует адекватность модели изучаемому процессу.
С точки зрения качественной оценки модели можно утверждать, что она в гораздо большей степени по сравнению с локально-квадратичной описывает предполагаемый характер процесса. Величина среднеквадратичного отклонения выбранной модели ж = 0,0347 .
160 jt "с
Рис. 2. Зависимости скорости изменения оптической плотности от времени и температуры испытания частично синтетического моторного масла Роснефть Maximum 10W- 40 SL/CF
Анализируя представленную зависимость, можно отметить, что при такой конфигурации сети гребень пиков скорости изменения оптической плотности располагается линейно в плоскости параметров «время-температура» (рис. 3).
Рис. 3. Зависимость температуры пика скорости изменения оптической плотности от времени испытания частично синтетического моторного масла Роснефть Maximum 10W- 40 SL/CF
С помощью данной модели можно исследовать смазочное масло и получить прогноз его ресурса. В дальнейшем при поступлении товарного масла такой же марки можно, исследовав масло лишь при одной температуре и непродолжительном времени, прогнозировать его ресурс в ходе всего срока службы, основываясь на эталонной модели.
Выводы. Полученные результаты позволяют по-новому взглянуть на проблему прогноза остаточного ресурса масел. Применяемый подход согласуется с современной тенденцией изучения сложных процессов протекающих в технических системах с использованием современных подходов к анализу данных и машинного обучения.
В дальнейших исследованиях предлагается уделить больше внимания вопросам оптимизации моделей сравнения качественных и количественных характеристик смазочных масел, а также построения моделей
скорости на основе первичной гладкой модели зависимости оптической плотности от температуры и времени, которая была предложена ранее [3]. В результате предлагается уточнить качественные характеристики полученной модели скорости, в частности, характер размещения «гребня».
Список литературы
1. Kowalsky B.I., Shram V.G., Lysyannikov A.V. Semigraphical Method of Motor Oils Thermal-Oxi-dative Stability Index Control // Proceedings of the 4th International Conference on Industrial Engineering. Lecture Notes in Mechanical Engineering, 2018. P. 873 - 880.
2. Гудфеллоу Я., Бенджио И., Курвилль А. Глубокое обучение. М.: ДМК, 2018. 652 с.
3. Прогноз термоокислительных свойств смазочного масла с использованием методов машинного обучения / В.Г. Шрам, Е.Д. Агафонов, А.В. Лысянников, Н.Н. Лысянникова // Известия Тульского государственного университета. Технические науки. 2018. Вып. 12. С. 576 - 581.
Шрам Вячеслав Геннадьевич, магистрант, shram18rus@mail.ru, Россия, Красноярск, Сибирский государственный университет науки и технологий имени академика М. Ф. Решетнева,
Агафонов Евгений Дмитриевич, канд. техн. наук, доцент, agafonov@gmx. de, Россия, Красноярск, Сибирский государственный университет науки и технологий имени академикаМ.Ф. Решетнева,
Лысянников Алексей Васильевич, магистрант, av.lysyannikov@mail.ru, Россия, Красноярск, Сибирский государственный университет науки и технологий имени ака-демикаМ.Ф. Решетнева,
Лысянникова Наталья Николаевна, магистрант, nataly.nm a mail.ru, Россия, Красноярск, Сибирский государственный университет науки и технологий имени академика М.Ф. Решетнева
FORECASTING THE RESOURCE OF LUBRICATING OILS BASED ON THE ANALYSIS OF EXPERIMENTAL DATA BY THEIR OPTICAL DENSITY
V.G. Shram, E.D. Agafonov, A.V. Lysyannikov, N.N. Lysyannikova
The paper presents the results in the field of research and analysis of the optical density of motor oil using mathematical and intelligent models. The quadratic approximations of the dependence of optical density on time are obtained for three different temperatures of temperature control. It is established that each curve of the change in optical density with time contains an inflection point. On the basis of which it was hypothesized that these moments correspond to a certain phase transition in the oil under study. A three-dimensional model of dependence of the rate of change of optical density on temperature and test time was also constructed. When analyzing this dependence, the character of the inflection curve is established, which is proposed as an indicator indicating the achievement of the limiting resource of lubricating oils.
Key words: motor oils, optical density, regression equations, local-quadratic model, artificial neural network.
Shram Vyacheslav Gennadyevich, master, shram18rus@,mail. ru, Russia, Krasnoyarsk, Siberian State University of Science and Technology named after academician M.F. Reshetnyova,
Agafonov Evgeny Dmitrievich, candidate of technical sciences, docent, agafonov@gmx. de, Russia, Krasnoyarsk, Siberian State University of Science and Technology named after academician M.F. Reshetnyova,
Lysyannikov Alexey Vasilievich, master, av. lysyannikov@mail. ru, Russia, Krasnoyarsk, Siberian State University of Science and Technology named after academician M.F. Reshetnyova,
Lysyannikova Natalya Nikolaevna, master, nataly. nm@,mail. ru, Russia, Krasnoyarsk, Siberian State University of Science and Technology named after academician M.F. Reshetnyova
УДК 519.7
МЕТОД МНОГОКРИТЕРИАЛЬНОЙ НЕЛИНЕЙНОЙ ОПТИМИЗАЦИИ СЛОЖНЫХ ОРГАНИЗАЦИОННО-ТЕХНИЧЕСКИХ СИСТЕМ НА ОСНОВЕ МИНИМИЗАЦИИ НЕВЯЗОК В УСЛОВИЯХ ВРЕМЕННЫХ
ОГРАНИЧЕНИЙ
А.Н. Миронов, В.В. Лисицкий
Разработан метод многокритериальной нелинейной оптимизации сложных организационно-технических систем на основе минимизации невязок в условиях временных ограничений. Отличием разработанного метода является то, что он не является итерационным, позволяет локализовать все экстремумы в ограниченной области, сокращает время счета при нахождении глобального экстремума. Полученные результаты можно применять в задачах управления развитием сложных организационно-технических систем для решения проблемы учета многокритериальности при синтезе облика желаемой системы.
Ключевые слова: многокритериальная оптимизация, сложная организационно-техническая система, синтез, управление развитием, векторный функционал качества.
В настоящее время успешное функционирование сложных организационно-технических систем (СОТС) (например, систем связи и телекоммуникаций, систем энергоснабжения, транспортных систем и т.п.) напрямую зависит от качества процесса управления их развитием. Процесс управления развитием таких систем характеризуется значительными вложениями ресурсов, длительным сроком внедрения и реализации, различными видами неопределенности, связанными не только c воздействиями внешней среды, с неточностью или недостаточным количеством
330
