外文翻译石油质量在线监控系统的设计与测试Word格式文档下载.docx
《外文翻译石油质量在线监控系统的设计与测试Word格式文档下载.docx》由会员分享,可在线阅读,更多相关《外文翻译石油质量在线监控系统的设计与测试Word格式文档下载.docx(16页珍藏版)》请在冰豆网上搜索。
中心实验楼
附件:
1.外文资料翻译译文;
2.外文原文。
指导教师评语:
签名:
年月日
附件1:
外文资料翻译译文
石油质量在线监控系统的设计与测试
摘要
本文总结了作者对石油质量传感器的应用与测试。
当机器处于高速运转状态时,燃油保持正常的流动性是至关重要的。
因此在本文中,作者描述了石油感应原理,而且在实践中验证了石油质量传感器自动检测石油质量的能力,并详细而精确地对石油污染物进行了分类。
该传感器能进行流体检测,能根据化学规律对污染物进行分类,并能具体地估计污染物变化趋势,实施更高层次的通信协议,从而最终检测出石油的质量或污染程度。
正如作者测试时所做的一样,石油质量监控系统的传感器设计成一个能够直接插入油管的塞子。
作者还提出了对实验方法、压力反馈润滑系统和预防污染的总体看法以及测试结果。
同时作者对石油质量检测系统进行了为期6个月测试,并在石油的变质界限下验证了多个污染物的分类。
关键词:
润滑油污染,润滑油分析技术,状态监测和内燃机油,设备监控
导言
状态检修(CBM)是一个新兴的维修理念,其采用积极的监测,以确定系统的组成部分以及运行是否正常,使根据诊断和预测剩余使用寿命去维修成为可能。
CBM减少了生命周期维护成本,改善了系统的安全性,并增加了运行的可预见性。
液压机油、齿轮油、润滑剂和其他正在使用的液态物在使用中变质,是机器运行失常的共同原因之一,因此润滑剂的质量监测是对CBM系统比较理想的补充。
按照传统方法,润滑油的质量监测可以通过定期取样、实验室检测或使用现场测试装置分析完成。
然而,这些分析方法比较费时、成本过高,误差较大,而且有较长的滞后时间。
其误差可能的来源主要包括取样位置、容器交叉污染以及测试方法的准确性。
一个自动化、现场油质量监测系统能提供连续、实时的润滑剂变质信息,让机器避免不必要的系统磨损,使维护时间间隔最佳化,并能尽早处理设备问题。
这些技术通过减少设备的停机时间,以及降低运营成本使利益最大化。
一些方法能实现润滑剂的实时监测,但大部分方法主要针对三个主要的类型:
质量、残渣和元素。
其中有一种方法是使用元素的感应原理检测污染物,然而,这一技术在检测粒径在500μm以下的粒子时受到限制,这是由于粒子在不足5微米至20微米会造成的60%的发动机磨损。
这种方法对燃料和水这样的污染也是不敏感的,而这些污染普遍存在于柴油机系统中并严重地降低润滑剂的工作性能。
由于存在大量处于失效模式的石油,使利用感应技术测量石油导电率的技术受到限制,这是因为推测出油质量的参数只有一个。
其他不同于油的老化机理的检测技术已经发展起来,但无法检测其他主要失效模式。
还有一些检测系统使用多个复杂的传感器而且需要针对现有的油循环和诊断控制系统做一些有意义的修正,因此直接阻碍了这些方法在商业上的应用。
本文中所描述的智能型石油传感器(SOS)能提供在线、即时、低成本的石油质量即时分析。
本文的目的是论证SOS技术能克服上述以光谱学为基础的宽频阻抗分析技术中所具有的缺点。
测量基础
智能型石油质量检测系统采用了正在申请专利的、低功率的宽频阻抗测量技术以及使用多传感器融合技术和模型分析软件包,旨在预测流体质量的变化。
电气化学的阻抗光谱学(EIS)方法,是将一个复杂的交流信号加入宽频光谱系统从而测量系统的响应,以确定石油的质量。
系统的阻抗是由所加的激励信号和响应信号之间的不同点决定的。
通过扫描宽范围的频谱,传感器获得一个能比较好的反映石油实际阻抗的测量数据。
科兹洛夫斯基等人用了一个相似的方法模拟细胞的电气化学阻抗。
通过发射一个宽频信号,而非一个单信号,石油检测系统在少于30秒内能完成对石油的检测。
相比之下,传统的EIS测量法需要50分钟以上才能完成石油质量检测,因此这种在线检测方法无法处理可能在这段时间内发生工艺参数变化的过程,另外,有害污染物的出现和石油基本原料以及添加剂的变质通常也会引起油质的变化。
这些变化会影响油的介电性能、导电率、阻抗、电容和其他主要性能。
SOS检测系统使用对电化学的模拟来表现润滑剂的阻抗响应,也使用基于模型的参数估计方法来鉴别样品中所含的污染物。
图1显示了在污染物不断变化的条件下的基本电化学阻抗测量电路。
图1:
智能型石油传感器的原理图
智能型石油质量传感器的设计
智能型石油传感器(图2)是一个独立的单元,包括敏感元件、信号调理、数据处理和通信模块。
电化学阻抗频谱测量元件由二个均衡分离的同中心圆筒组成,传感器采用头形几何形状,以最大限度地提高样品表面面积,同时尽量减少阻抗,以利于流体流动。
SOS在信号条件和数据处理方面有一些特殊的功能,比如动态结构增益和滤波器的选择,检测信号的发生,高速数据的获取,数据分析,以及外部通信等。
图2:
智能型石油传感器的实物图
目前传感器的设计支持RS-232通信和控制器局域网(CAN)通信。
通过这些接口,传感器能对流体测量、传感器状态、配置信息以及软硬件更新信息进行通信。
包含CAN通信协议的支持能简化并整合现有的检测控制系统。
在进行EIS测量之后,传感器进行特征抽出和分类,并运行一系列相关的运算法则,从而在收集的阻抗数据中筛选出流体的质量信息。
这一个步骤包括特征抽出和分类两个过程。
特征抽出是被用来估计电化学阻抗模型参数的方法,比如大阻抗和表面特性,由此产生的功能是提供一个阻抗测量和实际的流体特性变化之间的联系。
该传感器的嵌入式处理器使用线性最小二乘拟合算法进行特征抽出,这种方法便于在嵌入式系统中实现,而不会牺牲系统的性能和准确性。
作者利用他们的经验在多传感器数据融合、分类、数据挖掘等方面建立一个最符合应用要求的实时、原位、独立的传感器分类器。
作者尝试用几个基于线性判别分析、贝叶斯概率模型、强大的故障检测与隔离方法以及神经网络的分类器体系结构进行试验。
为了评价分类方法,作者考虑了数据集、所需的训练样本大小、分类准确性和执行时间之间兼容性。
贝叶斯概率分类器最适合这一特定应用的要求,这是因为它能达到高精确度并能达到合理的效果。
贝叶斯分类器适用于功能独立的针对概率分布的假设。
这个模型的特点是采用了多元的、正常的概率密度函数并计算概率的每个特征向量。
因此,根据贝叶斯定理,一个特征向量X=x和C=i可能属于同一类,即:
(1)
(注:
在这些变量中,大写字母表示变量,而小写字母表示当前值或观察值)
贝叶斯分类器使用了由特征向量赋予的后验概率作为判别式,它能使假设简化,其功能是独立的。
因此,分类器使用了判别函数:
(2)
分类器的体系结构由燃料,水和煤烟确定,而石油包括三个层次,以此来利用从传感器得到的实时数据和历史分类。
第一层和第二层贝叶斯分类器通过一个交叉耦合的体系结构连接。
这些交叉耦合的分类器由于搜索空间而发生振荡,因为它们需要搜寻彼此间可以接受的分类。
这样一个简单的架构降低了系统设计的复杂性,同时提高了分类的稳定性和精确度。
第三层更新了从历史趋势信息中预测的分类,因此,系统不会对污染物尖峰和异常测量反应过度,从而防止了在污染物种类和水平中快速切换。
分类精度
分类器的性能往往被认为是使用了一个混合矩阵。
混合矩阵包含有关实际情况的信息(估计),并预测所产生的分类方法。
混合矩阵是一个n×
n大小的包含条件概率的随机矩阵,而其每一个元素定义了其预测概率。
因此,分类的精确度由以下方程给出:
(3)
这种估计说明分类器有严重的误差,这一点在该系统中是特别重要的。
考虑到误差的严重性,作者设计了一个低成本的精度估计方法,即从实际情况中反映距离对误差的影响。
作者还使用了硬度系数作为指标,以评估分类器的性能。
硬度系数纠正了分类器的估计值与真实值之间的误差程度,并预测了可能发生意外的情况。
在一个多级分类器中,式(4)给出了贝叶斯定理:
(4)
在该式中,N是指总数,和分别为混合矩阵中行和列的数值。
实验评估
作者设计了一个的测试平台,该测试平台包含润滑油在线流量的典型环境条件,用于测试SOS在一个复杂的环境中准确地检测劣质油的能力。
测试平台能模拟真实环境的压力、温度和流量情况,并提供了一种手段来执行污染物的测试。
SOS在测试平台上在线测试油质,以探测和跟踪MIL-PRF9000H型润滑剂中的水体污染,燃料稀释情况和烟尘污染。
在所有的测试中,传感器头部流速均为1.1米/秒(25psi),并在172kPa(25磅),51.6℃(125°
F)的环境条件下进行。
在第一阶段的测试中,作者以单调递增的方式在每种类型的污染物的变质界限下使系统受到污染。
作者定义变质界限为:
烟尘的质量比为1%、燃料的体积比为5%、水的体积比为0.2%。
在2-3小时内,把每种污染物缓慢加到测试平台中并使污染物在平台内均匀分布,而且6个独立测试的污染物是各不相同的。
这种办法表明,除了单一污染物的线性影响外,多种污染物的共同作用和污染物之间的相互作用以及石油添加剂引起的非线性效应也会对检测结果造成影响。
通过在几个区域中的搜索空间(多污染物,低于变质界限)中采集数据可以更容易地识别出以前未曾出现过的分类。
优化策略
作者分析了从上述检测方法中收集的数据以检验分类器的性能和决定最佳分类策略,该分类策略确定了健康状态时分类器可以检测到的最大变动。
分类器的高分辨率可以检测在健康状况时的细微变化,这对用户是非常有利的。
然而,分类精度却与分类策略成反比,因此,有必要权衡策略和准确性。
为了确定最佳的分析策略,作者将污染范围划分为10个级别和并对几个预定的水平分类数据集的分类器性能进行了评估,但减少了分类准确性,而且导致策略的增加。
虽然分类性能非常高(90%以上的准确度),但是,策略的缺失会使用户的预见能力大大减弱。
由于只有健康、警告和危急三个状态,用户无法预测何时污染程度将达到变质界限。
另外,每个污染物的8-10级分类在准确性上有一个显着减少,而这使得用户能预测传感器输出。
由于这些原因,作者为石油润滑油的多污染物分类选择了每个污染物五级分类。
分类的精度评估
作者根据润滑油系统测试平台上收集的数据评估三个层次的贝叶斯分类器的性能,评估了采用交叉验证方法的分类器,并使用70%的数据进行分类,使用剩下的30%用于检测。
图3显示分类器的混合矩阵,在这个矩阵,行表示系统的实际分类(基于估计过的污染物),列表示分类的结果。
对于一个理想的分类器,其混合矩阵应该有取决于对角线的所有数值。
错误分类表现为数值对混合矩阵对角线的偏离。
正如图3所示,分类器能非常准确地预测大多数分类。
例如,SOS对石油的分类(行1)有95%的准确性。
然而,对高污染燃料(行10),分类器只取得61%的准确性。
这主要是由于系统燃料污染敏感程度的限制,而且这是当前系统中所固有的,因此,高水平的其他类型的污染物分类会取代燃油污染物分类。
图3:
分类器的混合矩阵
SOS的实验室测试结果
作者进行了传感器的验证测试,他们在受污染的测试平台与已知或未知的燃料、水和烟尘污染物中,定期对测试平台上的样品油进行抽样检查,并将样品进行了实验室分析。
测试需要2天时间,每一天开始时必须在测试平台进行排水、清洁然后注满。
由此产生的实验室分析报告证实,智能石油质量检测系统有检测污染物和对多污染物同时进行检测的能力。
独立分析实验室根据美国材料试验学会(ASTM)D3524进行气相色谱分析,以衡量燃料稀释的程度。
图4表明,实验室测量的实际的燃料水平在用高度准确性和一致性的传感器预测的燃料稀释范围之间跳跃。
注:
样品标签“A”指第1天的测试,“B”指第二天的测试。
实际超出传感器预测范围的污染水平,远不止一级。
SOS的取得了非常好的实验结果,也有较好的误差率(美国材料试验学会标准规格的2%)。
图