A motorolajok minősége és állapota kulcsfontosságú tényező a nehézgépjárművek megbízható működésében. Jelen cikkben egy átfogó kísérlet eredményeit mutatjuk be, amely során a Mannol Multifarm STOU 10W-30 motorolaj viszkozitását vizsgáltuk, valamint egy statisztikai modellt fejlesztettünk ki az olaj viszkozitásának előrejelzésére különböző szennyeződések és használati paraméterek alapján.
A kísérlet leírása
A kísérlet során összesen 221 használt Mannol Multifarm STOU 10W-30 motorolaj mintát gyűjtöttünk 18 darab nehéz lánctalpas járműből, melyek Perkins CV 12-1000 TCA dízel belső égésű motorral rendelkeznek, teljesítményük 746 kW. A mintavétel a technológiai előírásoknak megfelelően történt, különböző terhelési és környezeti körülmények között.
A begyűjtött minták közül 205 szolgált a modell tanítására, míg 16 különálló minta a modell tesztelésére került felhasználásra, hogy értékeljük az előrejelző képességet.
A Mannol Multifarm STOU 10W-30 motorolaj jellemzői
A Mannol Multifarm STOU 10W-30 egy fél-szintetikus, rendkívül sokoldalú motor- és hajtóműolaj, amelyet modern nehézgépjárművekhez fejlesztettek ki, legyen szó dízelmotoros, turbófeltöltős vagy nem turbófeltöltős járművekről. Az olaj maximális védelmet nyújt a motornak és optimális teljesítményt biztosít minden üzemeltetési körülmény között.
- Viszkozitás 40 ℃-on: 68,80 mm²/s
- Viszkozitás 100 ℃-on: 10,48 mm²/s
- Viszkozitási index: 140
- Teljes bázisszám (TBN): 10,86 mgKOH/g
A gyártó ajánlása szerint a TBN értéknek mindig magasabbnak kell lennie 10,0 mgKOH/g-nál, míg a viszkozitásnak 100 ℃-on 9,5–12,5 mm²/s között kell lennie. Az olaj maximális élettartama a motorban két év.
A termék megfelel az alábbi szabványoknak: SAE 10W-30, API CG-4/CF-4/CF/CE/CD/SF, API GL-4, ACEA E3 és DIN 51524-3 HVLP.
A viszkozitást befolyásoló tényezők
Kutatások alapján azonosítottuk azokat a kulcsfontosságú fizikai tényezőket, amelyek hatással vannak a folyadékhűtéses motorokban használt motorolajok viszkozitására. Ezek közé tartozik:
- Víz jelenléte
- Glikol tartalom
- Üzemanyag szennyeződés
- Kormozódás (szénrészecskék)
Ezen kívül kémiai folyamatok is befolyásolják a viszkozitást közvetetten, mint például az oxidáció, nitrálódás és szulfátképződés, valamint a Teljes Bázisszám (TBN) változásai.
Viskozitás mérése 100 ℃-on – módszertan
A viszkozitást SPECTRO-Visc Q300 készülékkel mértük (1. ábra), amely megfelel az ASTM D445, D446, D7279 szabványoknak, valamint az IP 71 és ISO 3104 előírásainak.
A kinematikai viszkozitás alapja egy meghatározott térfogatú folyadék áramlási idejének mérése egy kalibrált kapillárison keresztül szabályozott hőmérsékleti és hidrosztatikus nyomási körülmények között. A kinematikai viszkozitást (ν) úgy számítjuk ki, hogy megszorozzuk az áramlási időt (t) a műszer kalibrációs állandójával (K), amely az eszköz geometriai jellemzőit reprezentálja.
A viszkozitást befolyásoló elemek meghatározása FTIR spektroszkópiával
A Fourier-transzformációs infravörös spektroszkópia (FTIR) széles körben alkalmazott módszer a motorolajok termikus és oxidatív degradációjának monitorozására, adalékanyag-kimerülés felmérésére és szennyeződések kimutatására. Az informatikai fejlődésnek köszönhetően multidimenzionális matematikai és statisztikai eszközök integrálhatók a spektrométer szoftverébe, így prediktív modellek fejleszthetők.
A spektrumokat előfeldolgoztuk alapvonal-korrekcióval, simítással, normalizálással és deriválással annak érdekében, hogy csökkentsük a zajt és kiemeljük a releváns spektrális jellemzőket.
Ezekkel a modellekkel egyszerre több minőségi paraméter is meghatározható egyetlen spektrum alapján – beleértve mind kémiai mind fizikai tulajdonságokat –, például antioxidánsok mennyisége, víztartalom, koromkoncentráció vagy oxidációs termékek jelenléte.
Többváltozós lineáris regresszió alkalmazása az adatelemzésben
A többváltozós lineáris regresszió (MLR) egy statisztikai módszer arra, hogy egy függő változó (y) és több független változó (x₁,x₂,…xₚ) közötti kapcsolatot modellezzen. Ez egy egyszerű lineáris regresszió kiterjesztése több prediktorra.
Esetünkben az MLR-t választottuk más fejlettebb gépi tanulási módszerekkel szemben annak érthetősége és átláthatósága miatt. A rendelkezésre álló minta mérete (221 db) mellett ez csökkenti az overfitting kockázatát is.
Az MLR modell általános alakja:
yᵢ = b₀ + b₁x₁ + b₂x₂ + ... + bₚxₚ + εᵢ
ahol yᵢ – a függő változó értéke (ebben az esetben a kinematikai viszkozitás 100 ℃-on), εᵢ – modellhiba vagy reziduális értékek (normál eloszlásúak), b₀,b₁,…bₚ – regressziós együtthatók, x₁,x₂,…xₚ – független változók (pl. futott kilométerek száma; TBN érték; üzemanyag-, víz-, glikol-, koromkoncentráció; oxidációs-, nitrálódási-, szulfátképződési mutatók).
A modell hibája (reziduális) megmutatja az eltérést az aktuális y érték és a modell által becsült ŷ érték között:
ε = yᵢ - ŷᵢ
A modell illeszkedésének értékelése
Négy fő statisztikai mutatót használtunk a modell teljesítményének mérésére:
- Mean Squared Error (MSE): Az átlagos négyzetes eltérés az előrejelzett és megfigyelt értékek között – érzékeny nagyobb hibákra.
- Determination Coefficient (R²): Megmutatja a magyarázott variancia arányát az összes varianciához képest; értéke 0 és 1 között van.
- Akaike Information Criterion (AIC): Modellösszehasonlító kritérium; alacsonyabb érték jobb modellt jelez.
- Bayesian Information Criterion (BIC): Hasonló az AIC-hez de erősebben bünteti a túlzott paraméterhasználatot; alacsonyabb BIC jobb modellt jelent.
Többszörös kollinearitás kezelése – VIF mutató
A lineáris regresszió egyik fő problémája lehet a multikollinearitás – amikor a független változók erősen korrelálnak egymással. Ez megnehezíti az egyes változók hatásának elkülönítését és csökkenti az együtthatók megbízhatóságát.
Ezt a problémát a Variance Inflation Factorral (VIF) mérjük:
VIF = 1 / (1 - R_k²)
ahol R_k² azt mutatja meg, hogy mennyire magyarázható meg egy adott független változó más független változókkal. Ha VIF >5 közepes multikollinearitást jelez; ha >10 akkor súlyos problémát jelenthet.
Változóválasztási módszerek: Stepwise Regression és Bayesian Model Averaging
Nagy számú változó esetén érdemes lehet lépcsőzetes regresszióval először kiválasztani a legfontosabb prediktorokat. Ezután Bayesian Model Averaginggel (BMA) finomítani lehet a modellt úgy, hogy figyelembe veszi több lehetséges modellt is egyszerre.
A Stepwise Regression automatikusan választja ki vagy távolítja el a változókat statisztikai kritériumok alapján (például p-érték vagy információs kritériumok). A p-érték azt mutatja meg, milyen valószínűséggel igaz az nullhipotézis – vagyis hogy adott prediktor hozzáadása vagy eltávolítása nem befolyásolja jelentősen a függő változót.
A Bayesian Model Averaging módszer nem egyetlen modellt választ ki véglegesen, hanem súlyozva átlagolja több modell előrejelzését azok valószínűsége alapján. Ez segít kezelni azt az bizonytalanságot is, hogy melyik modell tükrözi legjobban a valóságot.
BMA működési elve röviden
- Priors: Előzetes valószínűségek arról, hogy melyik modell mennyire valószínű.
- Likelihood: Mennyire jól magyarázza meg adott modell az adatokat.
- Posterior probability: Bayes-tétel segítségével számított valószínűség arra vonatkozóan, hogy adott modell helyes-e az adatok alapján.
Két modell összehasonlításakor Bayes-faktorral dönthető el melyik támogatottabb:
P(M_1|y)/P(M_2|y) = [P(y|M_1)/P(y|M_2)] * [P(M_1)/P(M_2)]
Szoftveres háttér – R nyelv használata
Minden elemzésünket az R programozási nyelv segítségével végeztük el. Az R széles körben használt statisztikai elemző környezet gépi tanulási algoritmusokkal és adatvizualizációval kombinálva. Kiemelten használtuk benne a BMA csomagot is a Bayesian Model Averaginghez.
Összegzés
A bemutatott kutatás részletes betekintést nyújtott abba, hogyan befolyásolják különböző fizikai-kémiai tényezők egy nehézgépjárművekben használt fél-szintetikus motorolaj viszkozitását. Az FTIR spektroszkópia alkalmazása lehetővé tette ezeknek az elemeknek pontos mérését és követését időben. A többváltozós lineáris regressziós modell segítségével pedig sikerült megbízhatóan előre jelezni a viszkozitást különböző használati paraméterek alapján – mindezt átlátható módon úgy, hogy figyelembe vettük multikollinearitási problémákat is.
Ezek az eredmények hozzájárulhatnak ahhoz, hogy hatékonyabb karbantartási stratégiákat dolgozzunk ki nehézgépjárművek számára, növelve azok élettartamát és csökkentve üzemeltetési költségeiket.