用于确定特征参量、尤其是润滑方法或润滑剂的特征参量的方法技术

一种用于确定特征参量、尤其是润滑方法或润滑剂的特征参量的方法和设备，其中，为模型(106)提供至少一个输入参量(S1，...，Sxx)，并且根据所述模型(106)确定所述特征参量，其中，所述模型包括模块(D)，所述模块构造用于根据所述至少一个输入参量(S1，...，Sxx)来确定所述特征参量，其中，根据输入数据来训练所述模型106)，所述输入数据包括所述至少一个输入参量(S1，...，Sxx)的数据集和所述数据集中的每个数据集至目标特征参量的分配，其中，根据针对所述数据集中的一个数据集所确定的特征参量与分配给所述数据集的目标特征参量的比较，要么继续训练所述模型(106)，要么，其中，通过向所述模型(106)添加模块(A，B，C，E，...，Z)和/或通过从所述模型(106)中去除与用于确定所述特征参量的模块(D)不同的至少一个模块(A，B，C，E，...，Z)来确定修改的模型，并且其中，对所述修改的模型(106)进行训练。述修改的模型(106)进行训练。述修改的模型(106)进行训练。

【技术实现步骤摘要】
【国外来华专利技术】用于确定特征参量、尤其是润滑方法或润滑剂的特征参量的方法


[0001]本专利技术涉及一种用于确定特征参量、尤其是润滑方法或润滑剂的特征参量的设备和方法。

技术介绍

[0002]目前，对与此相关的工艺特性或材料特性的研究需要进行多种的、部分时间密集且成本密集的测量，因此不能够立即对材料和工艺的状况做出决策。

技术实现思路

[0003]下面描述一种方法和一种设备，借助该方法和该设备能够几乎实时地检测工艺数据和/或材料数据。由此能够直接优化工艺。这不仅能够确保一致的产品质量，而且能够节省用于材料的成本。本专利技术使得能够以简单、精准且成本有利的方式及早地识别由于无意识的操纵(例如批次波动)或有意识的操纵或改变(例如产品仿造)而造成的产品偏差。此外，通过智能地对所预测的材料参数和现有的工艺参数进行关联，可以为最佳的产品质量确定可靠且稳健的工艺窗口。
[0004]一种用于确定特征参量、尤其是润滑方法或润滑剂的特征参量的方法设置，为模型提供至少一个输入参量，并且根据模型确定特征参量，其中，该模型包括模块，该模块构造用于根据至少一个输入参量来确定特征参量，其中，根据输入数据来训练该模型，所述输入数据包括至少一个输入参量的数据集和所述数据集中的每个数据集至目标特征参量的分配，其中，根据针对数据集中的一个数据集所确定的特征参量与分配给该数据集的目标特征参量的比较，要么继续训练该模型，要么，其中，通过向该模型添加模块和/或通过从该模型中去除与用于确定特征参量的模块不同的至少一个模块来确定修改的模型，并且其中，对修改的模型进行训练。由此能从间接测量中预测工艺特征参量或材料特征参量，在不使用人工智能的情况下将不能够访问这些信息。
[0005]优选地，输入参量中的至少一个表征机器数据，尤其是随着时间油温(Oeltemperatur[C])的变化过程、油压(pLoad[bar])、阀前油压(p_vor_Y1[bar])、阀后油压(p_nach_Y1[bar])、冷却水的压强(p_Kuehlwasser[bar])、机器的扭矩:(Drehmoment[Nm])、机器的功率(Leistung)，油过滤器前的压强(p vor Oelfilter[bar])，油过滤器后的压强(p nach Oelfilter[bar])、冷却器后的油温(Temp nach Kuehler[C])或漏油温度(Leckoeltemp[C])。
[0006]优选地，特征参量表征油的化学成分、油的材料特性、基于油的机器参数或基于油的工艺参数，尤其是油的粘度。以下方面特别适用于润滑剂。第1类：化学成分，如基础油、添加剂、杂质等。第2类：材料特性，如含水量、添加剂浓度、流动性、材料粘度(粘数)、润滑性、脂肪酸甲酯含量、十六烷值、密度、多环芳烃比重、燃点(Flammpunkt)、FAME(脂肪酸甲酯)比重、元素含量、硫含量、磷含量、酸值、碱值(TAN、TBN)、甲醇含量、电导率、颗粒含量。第3类：
机器参数或工艺参数，如与目标值和实际值的偏差。
[0007]优选地，模块构造用于，学习决策树以用于分类和/或回归，该决策树将至少一个输入参量映射到特征参量上，和/或，其中，模块构造用于，根据决策树确定特征参量。这种方法特别适用于建模。尤其可以使用偏最小二乘回归(PLS
‑
Reg)、偏最小二乘分类(PLS
‑
DA)、线性判别分析(LDA)、岭回归(Ridgeregression)、多元线性回归(MLR)、逻辑回归、随机森林、支持向量机(SVM)或人工神经网络(ANN)来确定特征参量。
[0008]优选地，根据输入参量的组合来确定特征参量，其中，根据比较，要么继续将模块用于具有该输入参量组合的模型输入，要么将针对具有另一输入参量组合的模型输入的另一模块用于修改的模型。例如，对于机器(该机器产生扭矩，具有油过滤器，并且在该机器中在冷却器中借助冷却水来冷却油)的机器数据，以下组合适用于油的粘度的回归：油温、油温、机器的功率、油过滤器前的压强、油过滤器后的压强、机器的扭矩、冷却水的压强、冷却器后的油温和漏油温度。
[0009]优选地设置，至少一个模块构造用于预处理至少一个输入参量，尤其是借助去趋势(Detrending)、推导、均值中心化(Mean Centering)、Savitzky
‑
Gola滤波、傅里叶变换、标准正态变量(SNV)。这种数据预处理能够匹配于相应的输入数据。
[0010]优选地设置，至少一个模块构造用于从至少一个输入参量中消除干扰参量，尤其是借助通过正交减法消除误差(EROS)、外部参数正交化(EPO)、小波变换或傅里叶变换。这能够实现关于工艺的设备或用于检测输入参量的传感器的独立性。
[0011]优选地设置，至少一个模块构造用于进行降维或特征选择，尤其是借助用于降维的主成分分析(PCA)、逐步变量选择(SVS)或Procrustes变量选择。借此提高模型的计算速度。
[0012]优选地，输入参量中的至少一个表征光谱数据，尤其是紫外
‑
可见光、近红外(NIR)、中红外、FTIR、远红外、太赫兹(Theraherz)、拉曼(Raman)、化学发光或X射线荧光分析(RFA)。从300nm到3mm的波长范围内的光谱数据特别适合。
[0013]优选地，输入参量中的至少一个表征色谱方法，尤其是气相色谱GC或液相色谱LC。
[0014]优选地，根据确定的输入参量来确定特征参量，其中，根据比较，要么继续将模块用于具有所述确定的输入参量的模型输入，要么将针对具有另一输入参量组合的模型输入的另一模块用于修改的模型。由此，模型独立地或通过用户选择来学习有意义地要使用的模块。
[0015]优选地，根据至少一个特征参量来辨识至少一个工艺参数和/或至少一个材料特性，并且借此识别与用于此的目标值的偏差，或者确定用于工艺窗口的目标值。借此，能够自动地影响润滑工艺或用于制造润滑剂的工艺。
[0016]一种用于确定特征参量、尤其是润滑方法或润滑剂的特征参量的设备设置，该设备包括多个处理器和用于模型的至少一个存储器，所述设备构造用于实施所述方法。
附图说明
[0017]从下面的描述和图中得出其他的有利的实施方式。在附图中示出：
[0018]图1示出用于确定特征参量的设备；
[0019]图2示出用于确定特征参量的方法；
[0020]图3示出用于确定特征参量的机器数据；
[0021]图4示出用于确定特征参量的回归模型。
具体实施方式
[0022]在图1中示意性示出用于确定尤其是润滑方法或润滑剂的特征参量的设备100。在该示例中设置，确定来自不同类别K1、K2、...、KN的多个特征参量k1、k2、...、kn。设备100包括多个处理器102和用于模型106的存储器104。设备100构造用于实施下面所描述的方法。尤其为了训练模型106，可以设置功能强大的计算装置，该计算装置构造用于确定模型106的本文档来自技高网...

【技术保护点】

【技术特征摘要】
【国外来华专利技术】1.一种用于确定特征参量、尤其是润滑方法或润滑剂的特征参量的方法，其特征在于，为模型(106)提供至少一个输入参量(S1，...，Sxx)(202)，并且根据所述模型(106)确定所述特征参量(204)，其中，所述模型(106)包括模块(D)，所述模块构造用于根据所述至少一个输入参量(S1，...，Sxx)来确定所述特征参量，其中，根据输入数据来训练所述模型(106)，所述输入数据包括所述至少一个输入参量(S1，...，Sxx)的数据集以及所述数据集中的每个数据集至目标特征参量的分配，其中，根据针对所述数据集中的一个数据集所确定的特征参量与分配给所述数据集的目标特征参量的比较(206)，要么继续训练所述模型(106)，要么，其中，通过向所述模型(106)添加模块(A，B，C，E，...，Z)和/或通过从所述模型(106)中去除与用于确定所述特征参量的模块(D)不同的至少一个模块(A，B，C，E，...，Z)来确定修改的模型(210)，并且其中，对所述修改的模型(106)进行训练。2.根据权利要求1所述的方法，其特征在于，所述输入参量(S1，...，Sxx)中的至少一个输入参量表征机器数据，尤其是随着时间油温(Oeltemperatur[C])的变化过程、油压(pLoad[bar])、阀前油压(p_vor_Y1[bar])、阀后油压(p_nach_Y1[bar])、冷却水的压强(p_Kuehlwasser[bar])、机器的扭矩(Drehmoment[Nm])、机器的功率(Leistung)、油过滤器前的压强(p vor Oelfilter[bar])、油过滤器后的压强(p nach Oelfilter[bar])、冷却器后的油温(Temp nach Kuehler[C])或漏油温度(Leckoeltemp[C])。3.根据以上权利要求中任一项所述的方法，其特征在于，所述特征参量表征油的化学成分、油的材料特性、基于油的机器参数或基于油的工艺参数，尤其是油的粘度。4.根据以上权利要求中任一项所述的方法，其特征在于，所述模块(D)构造用于，学习决策树以用于分类和/或回归，所述决策树将所述至少一个输入参量(S1，...，Sxx)映射到所述特征参量上，和/或，其中，所述模块(D)构造用于，根据所述决策树确定所述特征参量。5.根据以上权利要求中任一项所述的方法，其特征在于，根据输入参量(S1，...，Sxx)的组合来确定所述特征参量，其中，根据所述比较，要么继续将模块用于具有输入参量(S1，...，Sxx)的所述组合的模型输入，要么将针对具有输入参量(S1，...，Sxx)的另一组合...

【专利技术属性】
技术研发人员：D，
申请(专利权)人：罗伯特，
类型：发明
国别省市：