机油老化程度预测方法、装置、设备及存储介质制造方法及图纸

本申请公开了一种机油老化程度预测方法、装置、设备及存储介质，涉及车辆检测技术领域。该机油老化程度预测方法包括获取待检测车辆在检测时间点的曲轴加权累计旋转圈数和机油加权累计使用时间；将所述待检测车辆在检测时间点的曲轴加权累计旋转圈数和机油加权累计使用时间，输入机油老化程度预测模型，得到所述待测车辆的机油老化程度的预测值；解决了目前实时检测机油老化程度成本高的问题；达到了低成本、高效地实时预测机油老化程度，提高机油老化程度预测精度的效果。

【技术实现步骤摘要】
机油老化程度预测方法、装置、设备及存储介质
本申请涉及车辆检测
，具体涉及一种机油老化程度预测方法、装置、设备及存储介质。
技术介绍
机油，即发动机润滑油，能对车辆的发动机起到润滑减磨、辅助冷却降温、密封防漏、防锈防蚀、减震缓冲等作用。及时更换车辆的机油对保障内燃机高效、可靠运行和延长发动机的使用寿命具有重要的作用。目前，通常采用基于车辆厂家推荐的固定机油保养里程或机油使用时间来判断机油是否需要更换。但，该种判断方法的评价标准单一，无法满足不同驾驶风格对机油精确按需保养的要求。使用该种判断方法确定更换机油的时机，普遍存在机油过度更换造成机油浪费、成本增加，或，机油长时间不更换造成内燃机异常磨损、可靠性降低等问题。此外，传统的线下机油采样检测方法不能实时评估机油状态，且检测费用昂贵，无法推广至终端用户使用。
技术实现思路
为了解决现有技术中的问题，本申请提供了一种机油老化程度预测方法、装置、设备及存储介质。该技术方案如下：第一方面，本申请实施例提供了一种机油老化程度预测方法，该方法包括：获取待检测车辆在检测时间点的曲轴加权累计旋转圈数和机油加权累计使用时间；将待检测车辆在检测时间点的曲轴加权累计旋转圈数和机油加权累计使用时间，输入机油老化程度预测模型，得到待测车辆的机油老化程度的预测值；其中，机油老化程度预测模型的构建过程为：采集试验车辆在机油全生命周期内的运行数据，并采集不同里程对应的机油样品；运行数据包括发动机转速、负荷、液体介质温度；液体介质温度用于反应发动机内机油使用的温度环境；试验车辆与待检测车辆的机油标号、发动机型号相同；获取机油样品的理化参数，理化参数包括机油碱值、机油氧化度、机油硝化度、机油铁元素含量；根据机油样品的理化参数，确定机油老化指标样本评价值；机油老化指标包括机油清洁能力衰减程度、机油氧化程度、机油污染程度、机油抗磨性能衰减程度；获取机油老化程度预测模型的特征参数，特征参数包括曲轴加权累计旋转圈数和机油加权累计使用时间；曲轴加权累计旋转圈数与机油清洁能力衰减程度、机油污染程度、机油抗磨性能衰减程度、车辆的运行数据相关，机油加权累计使用时间与机油氧化程度、车辆的运行数据相关；将机油老化指标样本评价值作为机油老化程度预测模型的标签数据，根据标签数据和标签数据对应的特征参数，构建出机油老化程度预测模型。通过采集试验车辆在机油全生命周期内的运行数据，以及在不同里程时的机油样品，获取机油样品的理化参数，根据理化参数得到机油老化指标样本评价值，利用采集到的运行数据和机油老化指标样本评价值，构造出曲轴加权累计旋转圈数和机油加权累计使用时间，将机油老化指标样本评价值作为机油老化程度预测模型的标签数据，以及将机油老化指标样本评价值对应的曲轴加权累计旋转圈数和机油加权累计使用时间作为机油老化程度预测模型的特征参数构建出机油老化程度预测模型；在预测待测车辆在检测时间点的机油老化程度时，根据待测试车辆的运行数据获取相应的曲轴加权累计旋转圈数和机油加权累计使用时间，将曲轴加权累计旋转圈数和机油加权累计使用时间输入机油老化程度预测模型，得到机油老化程度；解决了目前预测机油老化程度的方法成本高的问题；达到了降低预测成本，提高预测精度的效果。可选的，当特征参数是曲轴加权累计旋转圈数时，获取机油老化程度预测模型的特征参数，包括：将发动机负荷区间划分为i个连续的负荷子区间，每个负荷子区间对应一组负荷惩罚系数ωik；每组中的负荷惩罚系数分别对应机油清洁能力衰减程度、机油污染程度、机油抗磨性能衰减程度；i为正整数，k＝1,2,3；以检测时间点为终止时间，统计每个负荷子区间对应的曲轴累计旋转圈数ri；按如下公式计算曲轴加权累计旋转圈数Rk：Rk＝∑ωik×ri。可选的，机油清洁能力衰减程度对应的负荷惩罚系数预先根据车辆的运行数据和油清洁能力衰减程度确定；机油污染程度对应的负荷惩罚系数预先根据车辆的运行数据和机油污染程度确定；机油抗磨性能衰减程度对应的负荷惩罚系数预先根据车辆的运行数据和机油抗磨性能衰减程度确定。可选的，当特征参数是机油加权累计使用时间时，获取机油老化程度预测模型的特征参数，包括：将液体介质温度区间划分为j个连续的温度子区间，每个温度子区间对应一个温度惩罚系数βj；j为正整数；温度惩罚系数对应机油氧化程度；以检测时间点为终止时间，统计每个温度子区间对应的机油累计使用时间tj；按如下公式计算机油加权累计使用时间T：T＝∑βj×tj。可选的，温度惩罚系数预先根据车辆的运行数据和机油氧化程度确定。可选的，液体介质温度为机油温度。可选的，液体介质温度为冷却水温度。可选的，将机油老化指标样本评价值作为机油老化程度预测模型的标签数据，根据标签数据和标签数据对应的特征参数，构建出机油老化程度预测模型，包括：将机油清洁能力衰减程度样本评价值作为机油清洁能力衰减程度预测模型的标签数据，将机油清洁能力衰减程度样本评价值对应的曲轴加权累计旋转圈数作为机油清洁能力衰减程度预测模型的特征参数，构建机油清洁能力衰减程度预测模型为ηca(R1)；将机油氧化程度样本评价值作为机油氧化程度预测模型的标签数据，将机油氧化程度样本评价值对应的机油加权累计使用时间作为机油氧化程度的特征参数，构建机油氧化程度预测模型为ηoxi(T)；将机油污染程度样本评价值作为机油污染程度预测模型的标签数据，将机油污染程度样本评价值对应的曲轴加权累计旋转圈数作为机油污染程度预测模型的特征参数，构建机油污染程度预测模型为ηcd(R2)；将机油抗磨性能衰减程度样本评价值作为机油抗磨性能衰减程度预测模型的标签数据，将机油抗磨性能衰减程度样本评价值对应的曲轴加权累计旋转圈数作为机油抗磨性能衰减程度预测模型的特征参数，构建机油抗磨性能衰减程度预测模型为ηanti(R3)；根据机油清洁能力衰减程度预测模型ηca(R1)、机油氧化程度预测模型为ηoxi(T)、机油污染程度预测模型ηcd(R2)、机油抗磨性能衰减程度预测模型ηanti(R3)，构建机油老化程度预测模型ηaging；ηaging＝f1×ηca(R1)+f2×ηoxi(T)+f3×ηcd(R2)+f4×ηanti(R3)，其中，f1+f2+f3+f4＝1，f1、f2、f3和f4的取值范围均为[0,1]。可选的，根据机油样品的理化参数，确定机油老化指标样本评价值，包括：根据机油碱值确定机油清洁能力衰减程度评价值；根据机油氧化度确定机油氧化程度评价值；根据机油硝化度确定机油污染程度评价值；根据机油铁元素含量确定机油抗磨性能衰减程度。可选的，机油老化程度预测模型部署在服务器中。通过将构建出的机油老化程度预测模型部署在服务器中，可以实现车辆机油老化程度的在线实时预测。可选的，机油老化程度预测模型部署本文档来自技高网...

【技术保护点】
1.一种机油老化程度预测方法，其特征在于，所述方法包括：/n获取待检测车辆在检测时间点的曲轴加权累计旋转圈数和机油加权累计使用时间；/n将所述待检测车辆在检测时间点的曲轴加权累计旋转圈数和机油加权累计使用时间，输入机油老化程度预测模型，得到所述待测车辆的机油老化程度的预测值；/n其中，所述机油老化程度预测模型的构建过程为：/n采集试验车辆在机油全生命周期内的运行数据，并采集不同里程对应的机油样品；所述运行数据包括发动机转速、负荷、液体介质温度；所述液体介质温度用于反应发动机内机油使用的温度环境；所述试验车辆与所述待检测车辆的机油标号、发动机型号相同；/n获取所述机油样品的理化参数，所述理化参数包括机油碱值、机油氧化度、机油硝化度、机油铁元素含量；/n根据所述机油样品的理化参数，确定机油老化指标样本评价值；所述机油老化指标包括机油清洁能力衰减程度、机油氧化程度、机油污染程度、机油抗磨性能衰减程度；/n获取所述机油老化程度预测模型的特征参数，所述特征参数包括曲轴加权累计旋转圈数和机油加权累计使用时间；所述曲轴加权累计旋转圈数与机油清洁能力衰减程度、机油污染程度、机油抗磨性能衰减程度、车辆的运行数据相关，所述机油加权累计使用时间与机油氧化程度、车辆的运行数据相关；/n将所述机油老化指标样本评价值作为所述机油老化程度预测模型的标签数据，根据所述标签数据和所述标签数据对应的特征参数，构建出所述机油老化程度预测模型。/n...

【技术特征摘要】
1.一种机油老化程度预测方法，其特征在于，所述方法包括：
获取待检测车辆在检测时间点的曲轴加权累计旋转圈数和机油加权累计使用时间；
将所述待检测车辆在检测时间点的曲轴加权累计旋转圈数和机油加权累计使用时间，输入机油老化程度预测模型，得到所述待测车辆的机油老化程度的预测值；
其中，所述机油老化程度预测模型的构建过程为：
采集试验车辆在机油全生命周期内的运行数据，并采集不同里程对应的机油样品；所述运行数据包括发动机转速、负荷、液体介质温度；所述液体介质温度用于反应发动机内机油使用的温度环境；所述试验车辆与所述待检测车辆的机油标号、发动机型号相同；
获取所述机油样品的理化参数，所述理化参数包括机油碱值、机油氧化度、机油硝化度、机油铁元素含量；
根据所述机油样品的理化参数，确定机油老化指标样本评价值；所述机油老化指标包括机油清洁能力衰减程度、机油氧化程度、机油污染程度、机油抗磨性能衰减程度；
获取所述机油老化程度预测模型的特征参数，所述特征参数包括曲轴加权累计旋转圈数和机油加权累计使用时间；所述曲轴加权累计旋转圈数与机油清洁能力衰减程度、机油污染程度、机油抗磨性能衰减程度、车辆的运行数据相关，所述机油加权累计使用时间与机油氧化程度、车辆的运行数据相关；
将所述机油老化指标样本评价值作为所述机油老化程度预测模型的标签数据，根据所述标签数据和所述标签数据对应的特征参数，构建出所述机油老化程度预测模型。


2.根据权利要求1所述的方法，其特征在于，当特征参数是曲轴加权累计旋转圈数时，获取所述机油老化程度预测模型的特征参数，包括：
将发动机负荷区间划分为i个连续的负荷子区间，每个负荷子区间对应一组负荷惩罚系数ωik；每组中的负荷惩罚系数分别对应机油清洁能力衰减程度、机油污染程度、机油抗磨性能衰减程度；i为正整数，k＝1,2,3；
以检测时间点为终止时间，统计每个负荷子区间对应的曲轴累计旋转圈数ri；
按如下公式计算曲轴加权累计旋转圈数Rk：
Rk＝∑ωik×ri。


3.根据权利要求2所述的方法，其特征在于，机油清洁能力衰减程度对应的负荷惩罚系数预先根据车辆的运行数据和油清洁能力衰减程度确定；
机油污染程度对应的负荷惩罚系数预先根据车辆的运行数据和机油污染程度确定；
机油抗磨性能衰减程度对应的负荷惩罚系数预先根据车辆的运行数据和机油抗磨性能衰减程度确定。


4.根据权利要求1所述的方法，其特征在于，当特征参数是机油加权累计使用时间时，获取所述机油老化程度预测模型的特征参数，包括：
将液体介质温度区间划分为j个连续的温度子区间，每个温度子区间对应一个温度惩罚系数βj；j为正整数；所述温度惩罚系数对应机油氧化程度；
以检测时间点为终止时间，统计每个温度子区间对应的机油累计使用时间tj；
按如下公式计算机油加权累计使用时间T：
T＝∑βj×tj。


5.根据权利要求4所述的方法，其特征在于，所述温度惩罚系数预先根据车辆的运行数据和机油氧化程度确定。


6.根据权利要求1或4所述的方法，其特征在于，所述液体介质温度为机油温度。


7.根据权利要求1或4所述的方法，其特征在于，所述液体介质温度为冷却水温度。


8.根据权利要求1、2、4任一所述的方法，其特征在于，将所述机油老化指标样本评价值作为所述机油老化程度预测模型的标签数据，根据所述标签数据和所述标签数据对应的特征参数，构建出机油老化程度预测模型，包括：
将机油清洁能力衰减程度样本评价值作为机油清洁能力衰减程度预测模型的标签数据，将机油清洁能力衰减程度样本评价值对应的曲轴加权累计旋转圈数作为所述机油清洁能力衰减程度预测模型的特征参数，构建所述机油清洁能力衰减程度预测模型为ηca(R1)；
将机油氧化程度样本评价值作为机油氧化程度预测模型的标签数据，将机油氧化程度样本评价值对应的机油加权累计使用时间作为所述机油氧化程度的特征参数，构建所述机油氧化程度预测模型为ηoxi(T)；
将机油污染程度样本评价值作为机油污染程度预测模型的标签数据，将机油污染程度样本评价值对应的曲轴加权累计旋转圈数作为所述机油污染程度预测模型的特征参数，构建所述机油污染程度预测模型为ηcd(R2)；
将机油抗磨性能衰减程度样本评价值作为机油抗磨性能衰减程度预测模型的标签数据，将机油抗磨性能衰减程度样本评价值对应的曲轴加权累计旋转圈数作为所述机油抗磨性能衰减程度预测模型的特征参数，构建所述机油抗磨性能衰减程度预测模型为ηanti(R3)；
根据所述机油清洁能力衰减程度预测模型ηca(R1)、所述机油氧化程度预测模型ηoxi(T)、所述机油污染程度预测模型ηcd(R2)、所述机油抗磨性能衰减程度预测模型ηanti(R3)，构建机油老化程度预测模型ηaging；
ηaging＝f1×ηca(R1)+f2×ηoxi(T)+f3×ηcd(R2)+f4×ηanti(R3)，
其中，f1+f2+f3+f4＝1，f1、f2、f3和f4的取值范围均为[0,1]。


9.根据权利要求1所述的方法，其特征在于，所述根据机油样品的理化参数，确定机油老化指标样本评价值，包括：
根据所述机油碱值确定所述机油清洁能力衰减程度评价值；
根据所述机油氧化度确定所述机油氧化程度评价值；
根据所述机油硝化度确定所述机油污染程度评价值；
根据所述机油铁元素含量确定所述机油抗磨性能衰减程度。


10.根据权利要求1所述的方法，其特征在于，所述机油老化程度预测模型部署在服务器中。

【专利技术属性】
技术研发人员：刘佳林，赵燕，常晓燕，王周钊，祝露，
申请(专利权)人：联合汽车电子有限公司，
类型：发明
国别省市：上海;31