CN116415128A - 用于润滑评估的方法、***及介质 - Google Patents

Abstract

本公开提供一种润滑评估的方法、***和计算机可读存储介质。其中，该方法包括：获取与目标润滑相关的工况数据、状态监测数据以及与润滑评估数据；对获取的工况数据、状态监测数据和润滑评估数据进行预处理，以获得预处理后的工况数据、状态监测数据和润滑评估数据；对预处理后的工况数据状态监测数据和润滑评估数据进行数据整合，以获得整合后的数据集；基于整合后的数据集，根据数据类型和数据特性，对整合后的数据集中的数据进行特征提取，以获得与目标润滑相关的特征数据集；基于与目标润滑相关的特征数据集，为目标润滑的评估建立润滑分析模型；以及基于润滑分析模型，对目标润滑进行评估并生成润滑评估结果。

Description

用于润滑评估的方法、***及介质

技术领域

本公开涉及润滑管理领域，尤其涉及用于润滑评估的方法、***及介质。

背景技术

润滑管理贯穿于设备的全寿命周期，因此需要对设备的润滑情况进行检测和评估。目前，润滑检测和评估主要聚焦于两个方面。一方面聚焦于例如润滑油的成分、粘度、稠度和污染等理化性质。另一方面则聚焦于现场应用情况。其中，对于润滑油的理化性质进行的检测和分析，总是依赖于对润滑油进行采样并将采样的润滑油送到实验室进行分析，例如在实验室进行含量分析、红外热像分析和油液分析。而对于现场应用情况方面，则需要通过使用特殊设备定期进行现场检查。这两种方法都是侵入式的(例如，可能需要拆卸设备以找到设备的润滑点并对润滑点处的润滑油进行采样)，并且是离线分析的(例如，需要将采样的润滑油送到实验室)，因此不具有及时性。

虽然，最近出现了一些在线的润滑检测和评估方法，例如油膜分析、红外热像仪分析，甚至超声波分析。但这些方法通常需要特殊而复杂的设备和***，在现场部署难度很大。此外，这些方法大多只针对单一的润滑指标，不足以反映设备润滑的整体和综合状况。

因此，需要开发一种非侵入式、及时、全面且多维的润滑检测评估技术。

发明内容

根据本公开的一个方面，提供了一种润滑评估方法。该方法包括：获取与目标润滑相关的工况数据、与目标润滑相关的状态监测数据以及与目标润滑相关的润滑评估数据；对获取的工况数据、状态监测数据以及润滑评估数据进行预处理，以获得预处理后的工况数据、预处理后的状态监测数据以及预处理后的润滑评估数据；对预处理后的工况数据、预处理后的状态监测数据以及预处理后的润滑评估数据进行数据整合，以获得整合后的数据集；基于整合后的数据集，根据数据类型和数据特性，对整合后的数据集中的数据进行特征提取，以获得与目标润滑相关的特征数据集；基于与目标润滑相关的所述特征数据集，为目标润滑的评估建立润滑分析模型；以及基于润滑分析模型，对目标润滑进行评估并生成润滑评估结果。

在一些实施例中，基于整合后的数据集，根据数据类型和数据特性，对整合后的数据集中的数据进行特征提取，以获得与目标润滑相关的特征数据集可以包括：基于整合后的数据集，提取所述工况数据的特征，以获得工况特征；基于整合后的数据集，提取状态监测数据的特征，以获得状态监测特征；基于整合后的数据集，提取润滑评估数据的特征，以获得润滑评估特征；基于工况特征、状态监测特征和润滑评估特征，获得与目标润滑相关的特征数据集。

在一些实施例中，基于工况特征、状态监测特征、润滑评估特征，获得与目标润滑相关的特征数据集可以包括：基于工况特征、状态监测特征、润滑评估特征，通过特征融合处理得到融合特征数据，并基于融合特征数据生成与目标润滑相关的特征数据集。

在一些实施例中，基于与目标润滑相关的特征数据集为目标润滑的评估建立润滑分析模型可以包括：基于所述与润滑相关的特征数据集，建立用于检测润滑异常的润滑异常检测模型；基于所述与润滑相关的特征数据集，建立用于对润滑失效模式进行分类的润滑失效模式分类模型；基于所述与润滑相关的特征数据集，建立用于对润滑等级进行分类的润滑等级分类模型；以及基于所述与润滑相关的特征数据集，建立用于对润滑指标进行预测的润滑指标预测模型。

在一些实施例中，基于润滑分析模型，对润滑进行评估，并生成润滑评估结果包括：基于润滑异常检测模型的输出，对润滑的异常情况进行检测并生成润滑异常检测结果；基于润滑失效模式分类模型的输出，对润滑的失效模式进行分类并生成润滑失效模式分类结果；基于润滑等级分类模型的输出，对润滑的等级进行分类并生成润滑等级分类结果；基于润滑指标预测模型，对润滑指标进行预测并生成润滑指标预测结果；以及基于润滑异常检测结果、润滑失效模式分类结果、润滑等级分类结果和润滑指标预测结果中的至少一项，生成润滑健康评估结果。

在一些实施例中，对工况数据、状态监测数据以及润滑评估数据进行预处理包括执行以下各项中的至少一项：数据去重处理、数据降噪处理、数据编码处理以及数据过滤处理。

在一些实施例中，对预处理后的工况数据、预处理后的状态监测数据以及预处理后的润滑评估数据进行数据整合包括：对预处理后的工况数据、预处理后的状态监测数据以及预处理后的润滑评估数据执行同步、对准和修正处理中的至少一项。

在一些实施例中，该方法还包括基于润滑评估结果，对目标润滑进行优化处理。

根据本公开的另一个方面，提供了一种润滑评估***。该***包括：数据采集器，以及与该数据采集器连接的处理器。数据采集器可以被配置成获取与目标润滑相关的工况数据、与目标润滑相关的状态监测数据以及与目标润滑相关的润滑评估数据。处理器可以被配置成：对获取的工况数据、状态监测数据以及润滑评估数据进行预处理，以获得预处理后的工况数据、预处理后的状态监测数据以及预处理后的润滑评估数据；对预处理后的工况数据、预处理后的状态监测数据以及预处理后的润滑评估数据进行数据整合，以获得整合后的数据集；基于整合后的数据集，根据数据类型和数据特性，对整合后的数据集中的数据进行特征提取，以获得与目标润滑相关的特征数据集；基于与目标润滑相关的特征数据集，为目标润滑的评估建立润滑分析模型；以及基于润滑分析模型，对目标润滑进行评估并生成润滑评估结果。

根据本公开的另一个方面，提供了一种其上存储有指令的计算机可读存储介质，该指令被计算机执行以实现上述润滑评估方法。

本公开的润滑评估方法、***和计算机可读介质可以实现对与润滑相关的多信号、多工况、多维数据的利用与融合，可以提取更全面的与润滑相关的特征，因此能够建立更有效的润滑所应用的目标(或工艺状态)与润滑状态之间的关联模型，从而获得更灵敏、更准确的指标，最终可以实现在线、量化地反映和评估关于润滑的各种情况和状态。

进一步，本公开的润滑评估方法、***和计算机可读介质可以从非侵入性、及时性和量化的角度对现有的润滑检查和评估方法进行丰富和增强。通过本公开的方法、***和计算机可读介质，能够及时发现润滑问题，在线对润滑失效模式和严重程度进行分类和分级，***润滑性能，以及实时优化工艺参数。此外，通过本公开的方法、***和计算机可读介质，可以获得更客观、量化、及时的指标以用于润滑性能的评估和控制，甚至可以输出更全面的润滑性能标准。

此外，利用本公开的方法、***和计算机可读介质，可以实现在连续闭环中监测、评估、控制和优化润滑过程、状态和性能，从而极大提升了润滑评估、控制能力和解决方案能力。通过基于大数据或机器学习对所获取的数据进行处理和建模，实现了以数字化和智能化方式支持对润滑的评估和优化。

附图说明

所述***参照下列描述并结合附图可被更好地理解。图中的部件不是按比例的，而是将重点放在说明本公开的原理。此外，在图中，相似或相同参考数字代表相似或相同元件。

图1示意性示出了根据本公开的一个或多个实施例的用于润滑评估的方法流程图。

图2示意性示出了根据本公开的一个或多个实施例的用于润滑评估、决策与优化的方法或***的模块化框架图。

图3示意性示出了根据本公开的方法和***的一个示例性的润滑异常程度趋势图，其中包括了四个润滑异常指标的异常程度趋势图。

图4示意性例示了对本公开的方法和***的测试期间的润滑评估过程中的润滑失效模式分类结果的混淆矩阵。

图5示意性例示了对本公开的方法和***的测试期间的润滑评估过程中的润滑等级分类结果的混淆矩阵。

图6示意性例示了对本公开的方法和***的测试期间的润滑评估过程中的润滑指标预测结果。

图7是图6的润滑指标预测的拟合和回归性能示意图。

图8示意性示出了基于采用本公开的润滑评估方法和***获得的部分健康评估结果而绘制的一个示例性的润滑健康评估的雷达图。

具体实施方式

应当理解，给出实施例的以下描述仅仅是为了说明的目的，而不是限制性的。在附图中示出的功能块、模块或单元中的示例的划分不应被解释为表示这些功能块、模块或单元必须实现为物理上分离的单元。示出或描述的功能块、模块或单元可以实现为单独的单元、电路、芯片、功能、模块或电路元件。一个或多个功能块或单元也可以在公共电路、芯片、电路元件或单元中实现。

虽然本公开对根据本公开的实施例的***中的某些模块做出了各种引用，然而，任何数量的不同模块可以被使用并运行在用户终端和/或服务器上。所述模块仅是说明性的，并且所述***和方法的不同方面可以使用不同模块。

本公开中使用了流程图用来说明根据本公开的一个或多个实施例的***所执行的操作。应当理解的是，前面或下面操作不一定按照顺序来精确地执行。相反，根据需要，可以按照倒序或同时处理各种步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。

应了解，本公开润滑的对象可以是需要润滑的任何机械***、机械设备、机械部件等等。此外，润滑还可以与执行润滑的位置(即，润滑点的位置)相关联。润滑点的位置可以根据实际的机械***、机械设备、机械部件的实际情况或者实际的需要来选取。本公开的实施例不受具体润滑对象或者执行润滑的位置的限制。通过本公开的润滑评估方法获得润滑评估可以是针对任何润滑对象，例如何机械***、机械设备、机械部件等的润滑情况的评估，还可以是针对任何润滑对象中的执行润滑的任何位置处的润滑情况的评估。本公开的目标润滑是指需要评估的润滑，既可以包括任何机械***、机械设备、机械部件的润滑，也可以包括这些润滑对象中各个润滑点处的润滑。

图1示意性示出了根据本公开的一个方面的一个或多个实施例的用于润滑评估的方法流程图。

参考图1，在S101处，采集与目标润滑相关的工况数据、与目标润滑相关的状态监测数据以及与目标润滑相关的润滑评估数据。

工况数据可以主要包括反映关于润滑对象的对润滑产生较大影响的实时工况状态的数据。例如，该工况数据可以包括有关以下方面的数据：润滑点部件转速、润滑点部件负载、润滑点所处环境温度、润滑点所处环境湿度、润滑点所处环境颗粒物浓度、润滑点部件类型、润滑点部件参数、润滑类型、摩擦类型等。应了解，本公开的实施例不受上述工况数据的具体组成及其类型的限制。在实际应用中，还可以根据实际需求、实际应用场景来确定需要获取的工况数据。

状态监测数据可以是反映目标润滑点处的状态的数据。例如，状态监测数据可以包括目标润滑点处的振动、温度等等。更具体地，状态监测数据可以包括有关以下方面的数据：润滑点的实时振动、温度、铁类颗粒物含量、润滑点水分含量等。应了解，本公开的实施例不受上述状态监测数据的具体组成及其类型的限制。在实际应用中，还可以根据实际需求、实际应用场景来确定需要获取的状态监测数据。

润滑评估数据可以是通过润滑采样和检测得到的关于润滑的历史数据。例如，可以通过手动记录、抽样检查和实验室分析来获取和记录润滑评估数据。例如，润滑评估数据可以包括有关以下方面的数据：润滑状态、润滑量、润滑剂质量、润滑剂清洁度、润滑剂粘度、润滑层厚度、清洁度、表面光洁度等。

此外，本公开的与润滑有关的工况数据、状态监测数据和润滑评估数据的具体来源和获取方式可以是多样化的。例如，可以根据预定的采样频率从润滑对象的控制***、工作***或其他外部连接的***或服务器(诸如数据采集与监视***)中直接获得与润滑相关的目标工况数据，或者也可以从其他来源或采用其他方式获取该目标工况数据。例如，可以根据预定的采样频率从设置在该润滑对象上或润滑对象周围或润滑点周围的各种传感器中获取与润滑相关的状态监测数据。例如，可以从控制***、工作***或其他外部连接的***中采集润滑评估的历史数据。也可以根据实际需要，人工记录、抽样检查和实验室分析来获取润滑评估数据，并将获取的评估数据作为关于润滑评估的历史数据。应了解，也可以经由其他方式获取本公开的与润滑有关的工况数据、状态监测数据和润滑评估数据。本公开的实施例不受其具体来源及其获取方式的限制。

在S102处，可以对获取的工况数据、状态监测数据以及润滑评估数据进行预处理，以获得预处理后的工况数据、预处理后的状态监测数据以及预处理后的润滑评估数据。

对上述获取的工况数据、状态监测数据以及润滑评估数据进行预处理的过程可以包括根据数据的特性采用各种不同类型的算法来对数据进行加工处理，从而过滤出当前所需要的有效数据，减小和抑制无效数据并且提高数据质量。在一些实施例中，对工况数据、状态监测数据以及润滑评估数据进行预处理可以包括根据数据的特性执行以下各项中的至少一项：数据去重处理、数据降噪处理、数据编码处理以及数据过滤处理。

数据去重处理旨在删除重复数据。例如可以基于时间戳、过程编号等数据，检索重复数据并将其删除。

数据降噪处理旨在去除数据中的异常值，实现对数据的优化。例如可以使用基于距离的检测、基于统计的检测、基于分布的异常值检测(distribution-based outlierdetection)、密度聚类检测(density clustering detection)、箱形图检测(boxplotdetection)等方法对信号数据进行降噪，以去除数据中的异常值。

数据编码处理旨在根据需求采用不同的编码方案对数据的格式进行处理，从而获得编码后的数据。例如，可以根据建模、分析和评估确定所需的目标数据格式，基于该目标数据格式对数据进行相应的编码，以便于后续处理。

数据过滤处理旨在识别和消除数据中的噪声，提高数据中有效特征信息的对比度。例如，可以使用加权平均滤波器，中值滤波器，高斯滤波器，维纳滤波器和其他方法来实现数据过滤。

上述仅示例性给出了预处理可以包括的几种具体处理方式。应了解，根据实际需要，还可以选取其他的预处理方式。此外，根据数据的特性，可以选取上述预处理方式的一种或几种来执行对数据的预处理过程。

在对工况数据的预处理的一个示例中，针对关于润滑点部件转速、润滑点部件负载、润滑点所处环境温度、润滑点所处环境湿度、润滑点所处环境颗粒物浓度的数据，可以利用动态箱线图滤除异常值；关于润滑点部件类型、润滑点部件参数、润滑类型、摩擦类型的数据均为无序离散变量，则进行哑变量离散化编码即可。

在对状态监测数据的预处理的一个示例中，对于振动数据取其高频段包络谱，对于温度、铁类和水含量数据做平滑滤波。

在对状态监测数据的预处理的一个示例中，对于润滑评估数据中的离散型数据，做哑变量编码；对于连续型数据则利用3-sigma原则提出异常值即可。

例如，经过预处理之后的工况数据、预处理后的状态监测数据以及预处理后的润滑评估数据可以按照上述数据类别被分别记录成不同的数据子集，例如被分别记录为数据子集D_cond,D_como,D_lub。

在S103处，可以对预处理后的工况数据、预处理后的状态监测数据以及预处理后的润滑评估数据进行数据整合，以获得整合后的数据集。

在一些实施例中，对预处理后的工况数据、预处理后的状态监测数据以及预处理后的润滑评估数据进行数据整合以获得整合后的数据集可以包括：对预处理后的工况数据、预处理后的状态监测数据以及预处理后的润滑评估历史数据执行同步、对齐及数据修正处理中的至少一项。

例如，可以基于标准时钟源，使用插值、平移等多种算法，完成预处理后的多源数据D_cond,D_como,D_lub的同步、对齐和修正，然后获得用于润滑监测、评估和优化的完整数据集D。

具体地，例如当通过周期性采样来获取与目标润滑相关的工况数据、状态监测数据及润滑评估数据时，由于所选取的采样频率不同、采样过程的开始时间不同，使得所获取的工况数据、状态监测数据及润滑评估数据例如具有不同的时间轴起始点，且其各自的持续时间不同。还可能由于采样过程中的异常而导致部分数据的缺失或显著失准，从而导致出现所获取的原始数据在空间维度上数据内容不完整，在时间维度上数据不连续且时序不统一的问题。此时，例如可以基于标准时钟源对该数据进行时间维度的处理，实现多源数据之间的同步和对齐。同时，还可以使用诸如插值算法、平移算法等各种算法，对数据值进行修正和补全(即空间维度的处理)，从而获得用于润滑监视和评估的整合后的完整数据集。

在S104，基于整合后的数据集，根据数据类型和数据特性，对整合后的数据集中的数据进行特征提取，以获得与润滑相关的特征数据集。

在一些实施例中，进行特征提取的处理可以包括：基于所述整合后的数据集，提取数据集中工况数据的特征，以获得工况特征；基于所述整合后的数据集，提取数据集中状态监测数据的特征，以获得状态监测特征；基于所述整合后的数据集，提取数据集中润滑评估历史数据的特征，以获得润滑评估特征；以及基于所述工况特征、状态监测特征、润滑评估特征，获得与润滑相关的特征数据集。

可以以任意顺序执行也可以并行执行以下提取过程：提取数据集中工况数据的特征，提取数据集中状态监测数据的特征以及提取数据集中润滑评估历史数据的特征。此外，上述特征提取过程可以采用多种特征提取方式，各个提取过程可以采用相同的提取方式也可以采用不同的提取方式。以下举例说明用于上述特征提取过程的示例性特征提取方式。例如，基于实际需要，对数据集的数据提取例如可以包括：时域特征提取、频率特征提取、时频域特征提取、波形特征提取等等。

时域特征提取是指提取数据(例如所采集的信号)的时域特征。其包括但不限于均值、方差、标准差、最大值、最小值、均方根、峰峰值、偏度、峰度、波形指数、脉冲指数、裕度指数等。频率特征提取是指提取数据的频率特征，其包括但不限于均方频率、频率方差、频带能量等。时频域特征提取是指提取数据的时频域特征，包括但不限于小波分解或经验模态分解后的信号的频带能量或时域特性。波形特征提取是指提取数据的波形特征，例如当该数据为采集的信号时，该波形特征包括但不限于信号波形所围成的面积、最大/最小导数、上升沿、下降沿特征等。

例如，在针对工况特征提取的一个示例过程中，对于离散类工况，用哑变量编码直接作为特征；对于连续类工况则采用滑动窗口平均作为特征。

在针对状态监测特征提取的一个示例过程中，对于振动数据，取其一定范围内的包络谱总值作为振动特征，对于温度、含量数据取其滑动平均值作为温度特征。

在针对润滑评估特征提取的一个示例过程中，对于离散类评估数据，用哑变量编码直接作为特征；对于连续类评估数据则采用滑动窗口平均作为特征。

在一些示例中，在进行特征提取过程的同时，对每一个维度的特征数据，进行标准化处理，即用原始特征值减去该维度平均值然后除以该维度标准差。

对于特征数据集的形成，例如，可以直接采用工况特征、状态监测特征、润滑评估特征组成特征数据集。或者也可以通过对该工况特征、状态监测特征、润滑评估特征进行进一步处理，基于处理结果得到特征数据集。本公开的实施例不受该特征数据集的具体生成方式及其内容的限制。

在一些实施例中，基于所述工况特征、状态监测特征、润滑评估特征，获得与润滑相关的特征数据集包括还可以进一步包括：基于与润滑相关的工况特征、状态监测特征、润滑评估特征，通过特征融合处理得到融合特征数据，并基于该融合特征数据生成特征数据集。

例如，可以基于提取的特征数据集，进行不同层级、不同维度的特征融合，从而得到有效的多维特征向量。例如，多维特征向量可以表示为F＝{F_i|i＝1,2,…,k}，其中k代表经过特征提取和融合后的维度。F包括工况特征、状态监测特征和润滑评估特征的融合特征。此处提取和融合后的特征可以是用于润滑评估、对润滑状态敏感且不易受到工况引起的干扰影响的特征。

例如，可以采用特征层深度融合的方式，即例如基于距离算法、相似度算法、加权平均算法、主成分分析算法等，对所提取得到的原始特征(例如工况特征、状态监测特征、润滑评估特征)进行不同维度上融合，并从特征深度方向获得整合了原始特征信息的融合特征。例如，还可以采取例如信号层、工作状态层等不同层级的特征融合的方式，从特征宽度方向获得整合了原始特征信息的融合特征。应了解，上述仅给出了示例性融合方式，根据实际需要，可以采用不同的数据融合方式。本公开的实施例不受该数据融合的具体方式的限制。

基于上述，根据实际需要，通过采用多种的特征提取方式从整合后的数据集中提取得到与润滑相关的工况特征、状态监测特征、润滑评估特征，并基于该工况特征、状态监测特征和润滑评估特征，获得与润滑相关联的特征数据集，使得获得的特征数据集能够综合地反映出润滑在多个方面的特性。相较于现有仅提取单一特征、仅执行单一特征提取方式的技术方案，通过本公开的特征提取方法所得到的与润滑有关的特征数据集能够更全面的反映润滑在多个层级、多个维度、多个方面的特性，有利于后续基于该特征数据集实现对润滑情况更全面、更准确的评估。

在S105，基于所述与润滑相关的特征数据集，为目标润滑的评估建立润滑分析模型。

基于从S104中获得的与润滑相关的特征数据集，可以使用综合方法和算法，为各种润滑评估应用构建不同类型的分析评估模型。应了解，本公开以下一些实施例中说明的建立与润滑相关的各个分析评估模型仅旨在举例说明，而非对分析评估模型的具体限制。根据实际需要可以建立和配置与润滑相关的其他方面的分析评估模型，并且还可以根据应用的特性来对各个模型进行选择和配置。

例如，在一些实施例中，基于与润滑相关的特征数据集为目标润滑的评估建立润滑分析可以模型包括：基于与润滑相关的特征数据集，建立用于检测润滑异常的润滑异常检测模型。该润滑异常检测模型可以采用多种异常检测方法来检测目标润滑的异常风险及相关润滑性能。异常检测方法例如可以包括但不限于K-sigma方法、boxplot方法、KNN、LOF、one-class-SVM等。

例如，在一些实施例中，基于与润滑相关的特征数据集为目标润滑的评估建立润滑分析模型可以包括：基于所述与润滑相关的特征数据集，建立用于对润滑失效模式进行分类的润滑失效模式分类模型。该润滑失效模式分类模型可以采用多种分类方法，对目标润滑状态的模式及相关润滑性能进行检测及分类。采用的分类方法例如可以包括但不限于，Logistic回归、贝叶斯、SVM、KNN、决策树、随机森林、XGBoost等。

例如，在一些实施例中，基于与润滑相关的特征数据集为目标润滑的评估建立润滑分析模型可以包括：基于所述与润滑相关的特征数据集，建立用于对润滑等级进行分类的润滑等级分类模型。该润滑等级分类模型可以采用多种分类方法，对目标润滑的等级及相关润滑性能进行检测及分类。其中采用的分类方法例如可以包括但不限于，Logistic回归、贝叶斯、SVM、KNN、决策树、随机森林、XGBoost等。

例如，在一些实施例中，基于与润滑相关的特征数据集为目标润滑的评估建立润滑分析模型可以包括：基于所述与润滑相关的特征数据集，建立用于对润滑指标进行预测的润滑指标预测模型。该润滑指标预测模型可以采用多种关联分析和回归方法对目标应用的润滑指标及其相关性能的趋势进行拟合和预测。其中采用的关联分析和回归方法例如包括但不限于，线性回归、Ridge回归、Lasso回归、SVR、随机森林等。

上述示例性的与润滑相关的分析模型的建立和训练均基于与润滑相关的特征数据集。结合本公开的前述描述可知，与润滑相关的特征数据集是基于对润滑相关的工况数据、状态监测数据、以及润滑评估历史数据进行特征提取而获得的。通过结合润滑评估历史数据，可以对特征数据打标签。将带有标签的特征数据作为对应分析模型的输入，从而可以对各个分析模型进行有效的训练。由于通过本公开的前述特征提取方法所得到的与润滑有关的特征数据集能够更全面的反映润滑在多个层级、多个维度、多个方面的特性，因此基于该特征集建立并训练的分析模型的输出，将能够反映关于润滑情况更全面、更准确的情况。从而进一步有利于后续基于该分析模型的输出实现对润滑情况更全面、更准确的评估。应了解，有关历史润滑评估数据可仅应用于对本公开的分析与评估模型的建立和训练的过程中。在分析与评估模型经过训练之后的使用过程中，则不再需要采集历史润滑评估数据。

在S106，基于所述润滑分析模型，对润滑进行评估，并生成润滑健康评估结果。

例如，在一些实施例中，可以基于润滑异常检测模型的输出，对润滑的异常情况进行检测并生成润滑异常检测结果。例如，在一些实施例中，可以基于润滑失效模式分类模型的输出，对润滑的失效模式进行分类并生成润滑失效模式分类结果。例如，在一些实施例中，可以基于润滑等级分类模型的输出，对润滑的等级进行分类并生成润滑等级分类结果。例如，在一些实施例中，还可以基于所述润滑指标预测模型，对润滑指标进行预测并生成润滑指标预测结果。

例如，在一些实施例中，可以根据润滑异常检测结果、润滑失效模式分类结果、润滑等级分类结果和润滑指标预测结果中的任一项，来直接生成润滑健康评估结果。例如，在一些实施例中，还可以根据润滑异常检测结果、润滑失效模式分类结果、润滑等级分类结果和润滑指标预测结果中的任意一项或多项的结合，来生成润滑健康评估结果。由此，可以从例如润滑异常程度、供油健康程度、退化程度、污染程度、失效模式和严重程度以及各种润滑指标等不同角度来评估目标应用的润滑健康状况及其相关性能。

基于上述公开，在本公开的用于润滑评估的方法中，与润滑相关的多信号、多工况、多维数据被利用和整合，并由此提取更全面的相关特征，因此能够建立更有效的润滑所应用的目标机械***(设备或部件)或工艺状态与润滑状态之间的关联模型，从而获得更灵敏、更准确的指标，最终可以实现在线、量化地反映和评估关于润滑的各种情况和状态。

图2示例性示出了根据本公开的一个或多个实施例的用于润滑评估、决策与优化的方法或***的模块化框架图。图2所示的模块化框架图示例性示出了数据采集模块、数据预处理模块、数据整合模块、特征提取模块、分析与评估模块、以及决策与优化模块。上述各个模块可以软件实现、硬件实现或软硬件结合实现。

数据采集模块旨在获取所需数据，例如，可以执行图1中S101处的步骤，采集与目标润滑相关的工况数据、与目标润滑相关的状态监测数据以及与目标润滑相关的润滑评估数据。

数据预处理模块旨在对获取的数据进行加工处理，例如，可以执行图1中S102处的步骤，对获取的工况数据、状态监测数据以及润滑评估数据进行预处理，以获得预处理后的工况数据、预处理后的状态监测数据以及预处理后的润滑评估数据。

数据整合模块旨在对预处理后的数据进行整合，例如，可以执行图1中的S103处的步骤，对预处理后的工况数据、预处理后的状态监测数据以及预处理后的润滑评估数据进行数据整合，以获得整合后的数据集。

特征提取模块旨在对整合后的数据集进行特征提取，例如可以执行图1中的S104处的步骤，基于整合后的数据集，根据数据类型和数据特性，对整合后的数据集中的数据进行特征提取，以获得与润滑相关的特征数据集。如图2所示，其中的工况特征提取模块旨在基于所述整合后的数据集，提取数据集中工况数据的特征，以获得工况特征。其中的状态监测特征提取模块旨在基于所述整合后的数据集，提取数据集中状态监测数据的特征，以获得状态监测特征。其中的润滑评估特征提取模块旨在基于所述整合后的数据集，提取数据集中润滑评估历史数据的特征，以获得润滑评估特征。由此，可以基于提取出的工况特征、状态监测特征、润滑评估特征，构成与润滑相关的特征数据集，以用于后续建模、分析与评估。

分析及评估模块旨在基于提取的特征数据集对润滑进行分析和评估。例如，可以执行图1中的S105及S106处的步骤，基于特征数据集，为目标润滑的评估建立润滑分析模型；并且基于润滑分析模型，对目标润滑进行评估并生成润滑评估结果。如图2示例性示出的分析及评估模块，其中包括的润滑异常检测模块、润滑失效模式分类模块、润滑等级分类模块和润滑指标预测模块可以分别建立如上所述的相对应的分析模型，根据相应分析模型的输出生成相应的分析结果，例如润滑异常检测结果、润滑失效模式分类结果、润滑等级分类结果和润滑指标预测结果。润滑健康评估模块可以基于润滑异常检测结果、润滑失效模式分类结果、润滑等级分类结果和润滑指标预测结果中的至少一项，生成多角度、多维度反映润滑的润滑健康评估结果。

图2中的决策及优化模块旨在基于润滑健康评估结果，做出相应的决策并采取相关优化行动。应了解，图2中仅仅举例示出了主要几个方面，而在实际应用中，可以根据实际需要进行选择和配置。例如，根据润滑健康评估结果输出润滑警报，以使得操作员可以根据润滑警报采取适当的管理和调整。例如，可以根据润滑健康评估结果，自动地或根据操作员的调取而以各种形式在线输出润滑状态监测情况和分级情况。从而可以根据不同情况做出不同优化决策和行动。例如，可以根据润滑健康评估结果，根据预测的润滑性能趋势而相应地对润滑进行在线优化。例如，可以根据实际需要或操作员的选择生成并输出润滑健康结果和标准。

此外，本公开的润滑评估***还可以包括自学习与改进模块。该自学习与改进模块可以例如通过持续收集数据，与运行***连接并且与生产部件协同工作，基于自学习机制更新算法、逻辑和参数，从而实现自动改进***。

图3示出了根据本公开的方法和***的一个示例性的润滑异常程度趋势图，其中包括了四个润滑异常指标的异常程度趋势图。该润滑异常指标对应于润滑异常检测分析模型的输出。尽管在本示例中示出的润滑异常检测分析模型输出的润滑异常检测指标个数为四个，但是应了解，不同的润滑异常检测分析模型可以具有不同个数的指标输出。在图3的示例中，例如以100kHz的采样频率进行数据采样。图3中四个子图中的的横坐标代表采样ID，纵坐标是润滑异常指标的归一化数值，虚线对应的是异常检测的阈值，图中对于检测出的异常情况进行了提示。

图4例示了测试期间的润滑评估过程中的润滑失效模式分类结果的混淆矩阵。横坐标的预测润滑失效模式是通过本公开的润滑评估方法和***中的润滑失效分类模型得出的分类结果，纵坐标代表真实的润滑失效模式分类结果。例如，该示例中的润滑失效模式体现在以下几个方面：润滑正常、润滑不充分、润滑油不合适、润滑油退化、润滑油污染。应理解，根据需要，还可以包括其他的模式分类。本图仅用于举例说明，并非是对本公开的各个实施例的限制。图中矩阵的对角线数据则代表了预测结果和真实结果相同的样本个数。可以看出，本公开的润滑评估方法和***能够建立合适的分析模型并产生较高准确度的分析评估结果。

图5例示了测试期间的润滑评估过程中的润滑等级分类结果的混淆矩阵。横坐标的预测等级分类(例如NLGI等级)是通过本公开的润滑评估方法和***中的润滑等级分类模型得出的结果，纵坐标代表真实的润滑等级分类结果。图中矩阵的对角线数据则代表了预测结果和真实结果相同的样本个数。可以看出，本公开的润滑评估方法和***能够建立合适的分析模型并产生较高准确度的分析评估结果。

图6示例性示出了测试期间的润滑指标预测结果。在图6的示例中，例如以100kHz的采样频率进行数据采样。横坐标代表采样ID，纵坐标是润滑指标的归一化数值。其中，线条代表的是通过本公开的润滑评估方法和***中的润滑指标预测模型得出的润滑指标预测拟合结果，圆点代表真实的润滑指标结果。从图6中同样可以看出，采用本公开的用于润滑评估的方法和***中的润滑指标预测模型，根据提取的特征得出的润滑预测指标可以很好地展示润滑状态和趋势。由此，还可以使用本公开的润滑评估方法对润滑情况提前进行预测。通过对比可以看出，本公开的润滑评估方法和***能够建立合适的分析模型并产生较高准确度的分析评估结果。润滑指标预测的拟合和回归性能如图7所示。

图8示出了基于采用本公开的润滑评估方法和***获得的部分健康评估结果而绘制的一个示例性的润滑健康评估的雷达图，该雷达图中除了包括传统润滑检测指标(例如，润滑类型、润滑粘度、润滑油膜厚度、杂质颗粒含量、表面处理、清洁度)之外，还结合了工况参数(例如速度、负载、温度、湿度)、模型分析的润滑健康评估指标(例如，用量、污染、劣化、等级、类型)。可以看出，基于本公开的润滑评估方法和***的综合评估，可以获得更加全面、客观、量化、及时的指标。这些指标可以用于评估、控制和优化润滑，甚至输出更全面的润滑性能标准。

本公开的另一方面的一个或多个实施例的润滑评估***可以包括数据采集器以及与数据采集器连接的处理器。本公开的数据采集器可以包括具有感测功能的各种传感器，例如速度传感器、温度传感器、湿度传感器等等。数据采集器还可以包括与用于数据采集与监视的任何***连接以从***中获取数据的任何装置、接口或界面***。本公开的处理器可以为微处理器、专用集成电路(ASIC)、芯片上***(SoC)、计算装置、便携移动计算装置(例如，平板计算机或手机)等。处理器可以被配置为执行以下方法：对获取的所述工况数据、所述状态监测数据以及所述润滑评估数据进行预处理，以获得预处理后的工况数据、预处理后的状态监测数据以及预处理后的润滑评估数据；对所述预处理后的工况数据、所述预处理后的状态监测数据以及所述预处理后的润滑评估数据进行数据整合，以获得整合后的数据集；基于整合后的数据集，根据数据类型和数据特性，对整合后的数据集中的数据进行特征提取，以获得与目标润滑相关的特征数据集；基于所述与目标润滑相关的所述特征数据集，为目标润滑的评估建立润滑分析模型；以及基于所述润滑分析模型，对目标润滑进行评估并生成润滑评估结果。

本公开的润滑评估方法和***可以实现对与润滑相关的多信号、多工况、多维数据的利用与融合，可以提取更全面的与润滑相关的特征，因此能够建立更有效的润滑关联模型，从而获得更灵敏、更准确的指标，最终可以实现在线、量化地反映和评估关于润滑的各种情况和状态。

进一步，本公开的润滑评估方法和***可以从非侵入性、及时性和量化的角度对现有的润滑检查和评估方法进行丰富和增强。从而能够及时发现润滑问题，在线对润滑失效模式和严重程度进行分类分级，***润滑性能，实时优化工艺参数。此外，通过本公开的润滑评估方法和***可以获得更客观、量化、及时的指标以用于润滑性能的评估和控制，甚至可以输出更全面的润滑性能标准。

此外，利用本公开的方法和***可以实现在连续闭环中监测、评估、控制和优化润滑过程、状态和性能，从而极大提升了润滑评估、控制能力和解决方案能力。进一步，通过基于大数据或机器学习对所获取的数据进行处理和建模，实现了以数字化和智能化方式支持对润滑的评估和优化。

本文描述的处理器、存储器或***中的任何一个或多个包括计算机可执行指令，所述计算机可执行指令可以从使用各种编程语言和/或技术创建的计算机程序中编译或解释。一般来说，处理器(诸如微处理器)例如从存储器、计算机可读介质等接收指令并执行指令。处理器包括能够执行软件程序的指令的非暂态计算机可读存储介质。计算机可读介质可以是但不限于电子存储装置、磁性存储装置、光学存储装置、电磁存储装置、半导体存储装置或其任何合适的组合。

已经出于说明和描述的目的而呈现了对实施方案的描述。可以鉴于以上描述执行或可以通过实践方法获得实施方案的合适的修改和变化。例如，除非另外指出，否则所描述的一种或多种方法可以由合适的装置和/或***的组合来执行。所述方法可以通过以下方式来执行：利用一个或多个逻辑装置(例如，处理器)结合一个或多个另外的硬件元件(诸如存储装置、存储器、电路、硬件网络接口等)来执行存储的指令。所述方法和相关联动作还可以按除了本公开中所述的顺序之外的各种顺序并行和/或同时执行。所述***本质上是示例性的，并且可包括另外的元件和/或省略元件。本公开的主题包括所公开的各种方法和***配置以及其他特征、功能和/或性质的全部新颖的且非显而易见的组合。

如本公开中所使用的，以单数形式列举并且前面带有词语“一/一个”的元件或步骤应当被理解为并不排除多个所述元件或步骤，除非指出这种排除情况。此外，对本公开的“一个实施方案”或“一个示例”的参考并非意图解释为排除也并入所列举特征的另外实施方案的存在。上文已参考特定实施方案描述了本公开。然而，本领域的一般技术人员将理解，可在不脱离如所附权利要求书中陈述的本公开的较广精神和范围的情况下对其做出各种修改和改变。

Claims (10)

1.一种润滑评估方法，包括：

获取与目标润滑相关的工况数据、与目标润滑相关的状态监测数据以及与目标润滑相关的润滑评估数据；

对获取的所述工况数据、所述状态监测数据和所述润滑评估数据进行预处理，以获得预处理后的工况数据、预处理后的状态监测数据和预处理后的润滑评估数据；

对所述预处理后的工况数据、所述预处理后的状态监测数据和所述预处理后的润滑评估数据进行数据整合，以获得整合后的数据集；

基于整合后的数据集，根据数据类型和数据特性，对整合后的数据集中的数据进行特征提取，以获得与目标润滑相关的特征数据集；

基于所述与目标润滑相关的所述特征数据集，为目标润滑的评估建立润滑分析模型；以及

基于所述润滑分析模型，对目标润滑进行评估并生成润滑评估结果。

2.根据权利要求1所述的润滑评估方法，其中，所述基于整合后的数据集，根据数据类型和数据特性，对整合后的数据集中的数据进行特征提取，以获得与目标润滑相关的特征数据集包括：

基于所述整合后的数据集，提取所述工况数据的特征，以获得工况特征；

基于所述整合后的数据集，提取所述状态监测数据的特征，以获得状态监测特征；

基于所述整合后的数据集，提取所述润滑评估数据的特征，以获得润滑评估特征；

基于所述工况特征、所述状态监测特征和所述润滑评估特征，获得所述与目标润滑相关的特征数据集。

3.根据权利要求2所述的润滑评估方法，其中，所述基于所述工况特征、所述状态监测特征和所述润滑评估特征，获得与目标润滑相关的所述特征数据集包括：

基于所述工况特征、所述状态监测特征和所述润滑评估特征，通过特征融合处理得到融合特征数据，并基于所述融合特征数据生成所述与目标润滑相关的特征数据集。

4.根据权利要求1-3中任一项所述的润滑评估方法，其中，所述基于与所述目标润滑相关的特征数据集为目标润滑的评估建立润滑分析模型包括：

基于所述与润滑相关的特征数据集，建立用于检测润滑异常的润滑异常检测模型；

基于所述与润滑相关的特征数据集，建立用于对润滑失效模式进行分类的润滑失效模式分类模型；

基于所述与润滑相关的特征数据集，建立用于对润滑等级进行分类的润滑等级分类模型；以及

基于所述与润滑相关的特征数据集，建立用于对润滑指标进行预测的润滑指标预测模型。

5.根据权利要求4所述的润滑评估方法，其中，所述基于所述润滑分析模型，对润滑进行评估并生成润滑评估结果包括：

基于所述润滑异常检测模型的输出，对润滑的异常情况进行检测并生成润滑异常检测结果；

基于所述润滑失效模式分类模型的输出，对润滑的失效模式进行分类并生成润滑失效模式分类结果；

基于所述润滑等级分类模型的输出，对润滑的等级进行分类并生成润滑等级分类结果；

基于所述润滑指标预测模型，对润滑指标进行预测并生成润滑指标预测结果；以及

基于所述润滑异常检测结果、所述润滑失效模式分类结果、所述润滑等级分类结果和所述润滑指标预测结果中的至少一项，生成所述润滑健康评估结果。

6.根据权利要求1所述的润滑评估方法，其中，所述对获取的所述工况数据、所述状态监测数据以及所述润滑评估数据进行预处理包括执行以下各项中的至少一项：数据去重处理、数据降噪处理、数据编码处理以及数据过滤处理。

7.根据权利要求1所述的润滑评估方法，其中，所述对所述预处理后的工况数据、所述预处理后的状态监测数据以及所述预处理后的润滑评估数据进行数据整合包括：

对所述预处理后的工况数据、所述预处理后的状态监测数据以及所述预处理后的润滑评估数据执行同步、对准和修正处理中的至少一项。

8.根据权利要求1所述的润滑评估方法，还包括基于所述润滑评估结果，对目标润滑进行优化处理。

9.一种润滑评估***，包括：

数据采集器，其配置成获取与目标润滑相关的工况数据、与目标润滑相关的状态监测数据以及与目标润滑相关的润滑评估数据；和

与所述数据采集器连接的处理器，其配置成：

对获取的所述工况数据、所述状态监测数据以及所述润滑评估数据进行预处理，以获得预处理后的工况数据、预处理后的状态监测数据以及预处理后的润滑评估数据；

对所述预处理后的工况数据、所述预处理后的状态监测数据以及所述预处理后的润滑评估数据进行数据整合，以获得整合后的数据集；

基于整合后的数据集，根据数据类型和数据特性，对整合后的数据集中的数据进行特征提取，以获得与目标润滑相关的特征数据集；

基于所述与目标润滑相关的所述特征数据集，为目标润滑的评估建立润滑分析模型；和

基于所述润滑分析模型，对目标润滑进行评估并生成润滑评估结果。

10.一种计算机可读存储介质，其上存储有计算机可读的指令，当计算机执行所述指令时，执行前述权利要求1-8中任意一项所述的方法。

Images