下载掌阅APP，畅读海量书库
立即打开
油液监测技术（Oil Monitoring）的基本原理类似于人们定期健康体检时的“血液分析”，是早期发现机械设备传动部件磨损故障隐患最为有效的状态监测技术。众所周知，在机械设备中的摩擦副相对运动都会产生摩擦磨损，约80%的机械零部件都是因磨损而失效，而50%以上的机械设备恶性事故都是由润滑失效和过度磨损引起的。润滑油是机械设备的“血液”，是降低摩擦、减缓磨损，保障机械设备安全运行的重要工作介质，而且在用油液中还携带着设备早期磨损故障隐患以及油液性能劣化等重要信息，给工业界提供了一种，通过油液分析来实现监测诊断设备润滑磨损故障隐患的思想与途径。由此，在现代工业发展过程中催生了油液监测技术，其是指通过采用光学、电学、磁学等现代分析方法，以及大数据、人工智能等现代诊断技术，对机械设备在用油液理化性能指标及其所携带的磨损及污染颗粒进行的实验室油液离线监测，或利用油液传感器实施的设备现场油液在线监测，从而对设备润滑与磨损状态进行评价，对故障部位、原因和类型进行诊断，并提出主动维护措施的一门设备状态监测技术。
油液监测技术是机械设备状态监测与故障诊断技术中的一种，它与设备性能参数监测、振动噪声监测、红外温度监测等一起组成机械设备状态监测大家庭，各种监测技术都可以在一定范围和一定程度上对机械设备的技术状态提供有效的判断预测。而油液监测技术更是一种主动性、预防性的维护手段，因为润滑油性能劣化往往是导致设备磨损的主要原因，而异常磨损首先会引起摩擦副温度升高，磨损严重时会使摩擦副接触面间隙增大而导致振动加剧。因此，油液监测技术在指导企业现场的设备润滑管理，以及设备故障的早期监测诊断中具有更加突出的作用。
1.提高设备安全可靠性 ， 通过减灾避险带来重大经济效益
目前，设备向大型集成化、高度自动化、智能化方向发展，设备的可靠性与经济性成为各使用单位迫切关注的问题。流程工业中的大型关键装备一旦出现故障将影响整个生产线的产能，工程建设中的机械设备使用频率高，工作环境恶劣，维护与保养经常不到位，时常发生各类磨损失效故障，因此必须准确掌握设备的运行状况，采取主动性维护措施，消除设备故障隐患，早期排除故障，才能确保设备的可靠运行并减少经济损失。
在美国，其铁路部门早在1941年就应用光谱分析技术来监测柴油机的运行工况，美国海军1955年开始对舰载机发动机润滑油进行光谱元素监测，1959年英国也将光谱分析技术用于铁路系统。1976年美军成立了三军联合油料分析机构（简称JOAP），在全球18个国家和地区建立了300多个油液分析实验室，对飞机、舰船、坦克及战车等装备实施了在用油液性能、磨损和污染状态监测。美国卡特彼勒公司为了保障其工程机械的运行安全，其在世界各地的维修基地都配套建立了油液监测实验室。根据美军调查和卡特彼勒公司的统计，在状态监测上每投入1美元可以节约8～10美元维修费用。
在我国，从20世纪80年代开始油液监测技术的研究及推广应用，通过40多年的发展，极大地提高了被监测设备的运行可靠性，同时通过及时发现处理设备的润滑磨损隐患，减灾避险获得了巨大的经济效益。例如，我国军用及民用飞机均广泛实施了油液监测，并将其作为主动性维护、视情维修的重要手段之一，近20年来，通过对军用及民用飞机发动机润滑油光谱元素监测分析及液压系统液压油污染监测分析，及时发现了上百起飞机润滑磨损故障隐患，消除了数十起发动机严重故障隐患，保证了飞行安全，节省经费达数十亿元人民币。再如，某特大型露采铜矿从20世纪80年代开始对100多台电动轮重载自卸车、电铲、破碎机及球磨机等大型矿山设备进行油液监测，10多年来成功地预报了数百起润滑不良及磨损异常事故隐患，避免了数十起润滑磨损故障隐患导致的重大设备事故，为保障该矿山重大装备的安全运行提供了重要技术支撑。
广州机械科学研究院检测实验室，通过近40年的发展，已为我国能源电力、石油化工、冶金矿山、交通运输等行业数千家大型企业的30余万台机械设备提供了润滑磨损状态监测技术服务，是国内目前规模最大的润滑安全监测预警机构，成为大国重器“血液”健康管理的守护者，通过减灾避险为这些企业挽回了巨大的经济损失。特别是近十年来，面向新一代信息技术与高端制造业融合发展的新形势，着眼国家重大装备安全运行、智能运维、健康管理的现实需求，推进大数据、人工智能在设备润滑安全智能运维中的深度研究和工程应用，创建了国际领先的重大装备润滑安全智能运维数字化平台，构建了“在线监测（传感器）硬件+系统软件平台+诊断技术服务”的技术服务新模式。为此，人民日报于2019年1月4日刊登了文章《广州机械科学研究院助推企业设备运维向“无人值守、智能诊断”发展》。2021年2月8日，广州机械科学研究院开发的“重大装备润滑安全数字化运维平台”入选国务院国资委征集的“2020年国有企业数字化转型典型案例”，并获得优秀案例的荣誉称号。由此可见，油液监测技术是提高机械装备可靠性、预防重大设备事故发生和提高企业经济效益的重要途径。
2.避免重大设备事故发生 ， 带来显著的社会效益
随着科学技术的发展和人类生产力水平的提高，机械设备不断向大型化、复杂化、自动化、成套化及智能化方向发展，对设备的可靠性提出了更高的要求。一旦发生恶性设备故障，轻则设备不能工作，重则发生安全生产事故，造成的间接经济损失和社会危害有时是难以估量的。近几十年来，在世界各地发生的设备事故造成的灾难性后果的例子举不胜举，如美国“挑战者”号、“哥伦比亚”号航天飞机发生故障，造成机毁人亡的悲惨事件，以及苏联切尔诺贝利核电站发生爆炸导致大量生命毁灭的空前灾难，给人类敲响了设备运行安全的警钟。日本新日铁公司是国际上最早推行设备状态维修的企业之一，据其统计，采用设备状态监测故障诊断技术后，设备事故率减少了75%，维修费用降低了25%～50%。因此，通过监测诊断技术做出每一次成功的故障预警，尤其是油液监测诊断技术能在设备磨损故障萌芽状态提前预警，及时消除故障隐患，避免重大事故发生，会产生显著的经济效益和社会效益。
机械设备的润滑磨损隐患恶化后会导致以下重大事故：其一是机械装备的齿轮箱、液压系统等局部部件故障劣化后导致整个生机组停机，特别是一些流程生产的企业，单台机组故障将导致整个生产线的停产损失，严重影响企业的正常经营。例如，石化行业的挤压造粒机是聚丙烯生产装置的关键设备，挤压造粒机齿轮箱由于特殊工况极易发生磨损失效故障，所以对其磨损状态监测特别重要。再如，电力行业的特大型机组安全是十分重要的，其突发故障将导致地区因供电不足而引起用电紧张的社会问题；其二是装置部件润滑磨损故障导致火灾等重大安全事故，例如，石化行业的高压油泵轴承的异常磨损，将导致因高压油泄漏而引发的火灾重大安全事故，经济损失巨大。广州机械科学研究院历史上就成功地监测并预警了数起该类事故隐患，由于及时通告企业紧急采取措施，避免了重大事故发生。因此，通过油液监测预警，减灾避险获得的经济效益和社会效益是极为可观的。
3.促使设备维修制度变革 ， 提高设备的运维水平
早期机械设备维修制度一般采用“事后维修”或“定期维修”。事后维修是指设备一些部件损坏或不能完成其功能，导致设备失效后才进行的修理活动。事后维修的直接人工费和备件费可能不算高，但对于需要连续运行的工厂和高生产效率的重大设备来讲，没有计划的停机会造成很大的生产损失，而且失效的部件可能会引发因二次损伤而导致价格高昂的设备完全损坏。定期维修则是指不论设备有没有故障，只要到达检修期，一律进行检修，这样的维修制度比起事后维修具有提高设备的可用性和安全性、减少计划外停机等优点。但其不足之处在于必须为可能发生的故障准备充足的维修资源，存在不该修的修了，造成因过剩维修而导致维修成本上升，还会发生该修的设备没有及时修的情况，不能有效地保障设备安全正常运行。为此，世界工业发达国家和地区对重大关键设备基本上都采用以设备状态监测技术为支撑的“状态维修”（Condition Based Maintenance，CBM）或内涵基本相似的“视情维修”（On Condition Maintenance，OCM），状态维修能有效提高设备的可用性，延长预防维修周期，减少不必要过剩维修，但状态维修对设备状态的精确掌握及设备状态监测技术的工程应用有着更高的要求。
油液监测技术与其他设备状态监测技术相比，更是一种主动性预防维护技术，它能发现那些可能导致设备异常温升、异常振动等故障的早期润滑磨损隐患，从而及时采取措施，将故障消灭在萌芽状态。图1-1反映的是机械设备监测参数变化与设备工况及维修方式的对应关系。从图1-1分析可得出：其一，在设备全生命周期中，出现“亚健康”现象往往是设备出现“油质异常、磨损异常”这两个阶段，通过油液监测能早期发现这些不良隐患，就如人体“血液异常”的早期发现，此阶段采取的有关维护是主动性维护，例如设备要加强润滑保养，发现的设备润滑异常要及时处理；其二，当设备“油质异常、磨损异常”没有有效及时处理，而导致设备传动摩擦副磨损严重时，就会引起温升、振动及噪声加剧，这阶段问题就较严重了，且都有明显的故障表征，大机组轴承等部位都有温度与振动控制参数，此阶段采取的措施则是预测性维修。维护与维修是有本质性区别的，正如中国古代名医扁鹊评价其兄弟三人的医学水平一样，“大哥治病于初始，最善；二哥治病于渐发，次之；我治病于严重，最为下”。因此，要更加重视设备早期故障隐患的监测与预防。
图1-1 机械设备监测参数变化与设备工况及维修方式的对应关系
因此，油液监测技术在设备“状态维修”早期主动维护中发挥的作用更加突出。油液监测技术以测取设备油液性能与磨粒的信息来识别设备的状态，科学地确定设备的维修周期和维修方案及油液的换油期，避免了维修的盲目性，不仅节省了维修费用，也提高了维修质量。早在1995年，美国陆军就实施基于红外分析的油液监测分析技术，将定期换油改为视情换油，1998年美国陆军报告称此项措施使新油更换费用节约了4500万美元，所获效益成本比高达9:1，体现了状态维修的效益优势。目前，越来越多国家（或地区）和工业企业在机械设备的维修实践中充分认识到油液监测在延长设备换油周期、减少不必要的检修工作、节省维修成本、减少油液消耗量、及时发现潜在的磨损故障隐患中的突出作用。油液监测技术作为现代设备状态监测与故障诊断工程中的重要组成部分，直接推动了设备维修管理模式的发展，助推设备维修管理由事后维修、定期维修，向状态维修、预知维修乃至主动预防性维修（Proactive Maintenance）等新阶段发展。
现代油液监测技术体系在表现形式上主要分为离线监测和在线监测，在技术方法上主要分为理化分析、磨损分析和污染分析。另外，网络化、数字化和智能化是当今油液监测技术发展的重要支撑。油液离线监测是指定期通过对机械设备在用润滑油液的取样，送至专业实验室利用各种分析仪器进行检测分析诊断，再出具设备润滑磨损状态监测报告，并通过网络及时传送至客户；油液在线监测则是指通过安装在工业企业机械设备润滑油路上的各类油液传感器及在线监测仪，对设备润滑系统的润滑磨损状态进行连续自动监测，并将实时监测结果及诊断结论上传至客户的显示终端。
1.油液离线监测的主要技术内容
离线监测是指通过对现场设备润滑系统取样，送达到实验室进行的油液检测，基本由理化分析、磨损分析和污染分析三部分技术组成，其现场取样的代表性、准确性和及时性很重要，直接影响分析诊断结果。
1）油液理化分析是指采用各种物理化学分析方法对润滑油的各种理化指标进行检测评定。不同种类型号及工况的机械装备对所用润滑油理化指标都有具体的要求与标准，机械装备润滑状态是否正常，在设备润滑系统油压、油温等参数正常的情况下，油液的理化性能指标具有重要的评价作用。润滑油理化指标按照其反映油品性能特征分类，主要分为物理性能指标、化学性能指标和台架性能指标三方面内容，这些性能指标种类繁多，达百余种，但油液监测实验室经常性分析指标也并不多，本书介绍的润滑油、润滑脂和变压器油理化指标检测方法分别有十余种，基本能满足日常油液监测理化指标分析的要求。设备润滑故障往往是导致设备磨损故障的主要原因，而且工矿企业经常发生用错油、加错油及所采购新油质量不达标现象，因此要从根源上减少或避免设备传动部件的异常磨损，就要加强油液的理化性能指标监测，使得设备处于良好的润滑状态。
新油的理化指标分析要严格按照相应的标准方法进行检测，从而才能有效评价其性能是否达标。而对于在用油的理化指标分析，其目的是判断油液的劣化趋势，因此目前工业发达国家对于在用油的理化指标分析，通常采用快速、间接、简单的高通量检测方法，目的是既能评价在用油的劣化趋势，指导设备的视情换油及相应的润滑维护，又能节约检测成本，提高检测效率。例如，国际上大型油液监测实验室常采用红外分析方法取代常规理化分析方法来实现对油液理化指标的监测，但需要大量的检测数据来建立相关关系及推导模型，如用红外分析方法快速检测在用润滑油中的水分、酸值、碱值、积炭、硫化物、氧化物和抗磨剂等的变化，成为油液监测技术发展的重要方向。
2）油液磨损分析是指通过检测在用油液中磨损颗粒的数量、成分、尺寸及形态等，分析机械设备零部件的磨损机理、磨损部位及磨损原因，并预测磨损故障发展趋势的一种监测技术。常用的磨损分析方法有铁谱分析、滤膜分析、PQ分析、光谱元素分析和电镜能谱分析等。其中铁谱分析方法是1970年由美国麻省理工学院（MIT）的W.W.Seifert和美国超音公司（Trans-sonic Inc）的V.C.Westcott合作探索出的一种磨损颗粒分析新技术，在1972年取得成功并被命名为Ferrography（英文原意是铁粉记录术，中国同行将其译成铁谱技术）。1976年，美国福克斯伯罗公司以此成果为基础生产出分析式铁谱仪，它利用高梯度强磁场将磨粒从油液中分离出来制成铁谱片后，通过显微镜对其形态、尺寸进行观察记录，通过光密度读数计检测谱片上磨粒的百分覆盖面积，以此确定磨粒相对浓度；同时也开发出直读式铁谱仪，在高梯度强磁场下磨粒按尺寸大小依次沉积在玻璃管内，再通过光学方法测定大小磨粒的相对含量 D L 和 D S 。近年来还出现了通过微孔滤膜过滤油中的固体颗粒，再在显微镜下观察各种颗粒的形态来分析磨损的方法，也称滤膜分析，是一种以定性分析设备磨损状态的重要磨损分析法。而PQ分析则通过金属颗粒数量与磁力关联起来，用以分析油样中磁性颗粒的浓度从而分析设备磨损，广泛应用在齿轮箱的磨损监测中。
油液磨损分析还可以通过元素光谱仪对磨粒成分进行分析，这最早可溯源到1941年美国铁路部门采用Baird公司生产的原子发射光谱仪对机车柴油机在用润滑油的分析。元素光谱仪对在用油液分析主要包括以下内容：一是根据不同时期各种磨粒所含金属元素含量，判断摩擦副磨损程度，预测可能发生的失效和磨损率；二是根据磨粒的成分及浓度的变化，判断出现异常磨损的部位；三是根据添加剂元素浓度的变化，判断油液的衰变程度。常用的元素光谱仪有原子发射光谱仪、原子吸收光谱仪和X射线荧光光谱仪等。
3）油液污染分析主要指油液的颗粒污染度分析，是指单位体积油液中固体颗粒污染物的含量，即油液中所含固体颗粒污染物的浓度。由于固体颗粒是油液中最主要和危害性最大的污染物，因而通常所说的油液污染度主要是针对固体颗粒污染物而言。除此之外，可用来评价油液污染状态的指标还有水分、漆膜指数、不溶物、泡沫特性和机械杂质等。
2.油液离线监测技术体系
油液离线监测技术体系如图1-2所示，主要包括4个层次内容：一是样品采集，是指在工业企业现场设备润滑油系统中进行取样，通常是在设备在用润滑油的回油口处取样，此处润滑油已流过设备的相关摩擦副且在过滤器前。取样很重要，若样品没有代表性，则会直接影响分析诊断结果；二是检测分析，主要由理化分析、磨损分析和污染分析等三部分组成，都有相应的检测标准。现代油液监测实验室信息化、智能化程度都较高，是保障检测数据的准确性和技术性的重要基础；三是诊断评估，根据监测对象的当前油液分析数据及历史分析数据，依据相关的监测预警标准及智能化方法对设备的润滑与磨损状态进行诊断评估；四是维护决策，对于有重大润滑磨损隐患的设备，诊断工程师要及时与企业设备管理人员沟通，共同商讨对应的维护措施，以保证故障隐患处理的及时性、准确性和可靠性。
图1-2 油液离线监测技术体系
1.油液在线监测技术内容
在线监测是指通过安装在机械设备润滑油路上的油液监测传感器及在线监测仪，对设备的润滑磨损状态进行在线实时监测。随着机械设备不断向大型化、复杂化、成套化发展，对设备的可靠性提出了更高的要求。传统的离线油液监测其检测结果具有一定的滞后性，而在线监测技术手段以其连续性、实时性和同步性等优点，近年来得到了快速发展和应用，但其相关指标检测精度要低于离线实验室的仪器检测，在线监测更主要看其趋势变化。目前，油液在线监测技术也有较快发展，国内外已经研发出较为成熟的传感器及在线监测仪，可以实现对润滑油的理化指标、磨损状态和污染状态的实时监测。
1）基于润滑油液理化指标检测分析的油液品质在线监测技术，其监测的项目主要包括黏度、密度、介电常数等。基于中红外光谱原理的在线监测传感器目前也已面世，这种传感器能够分析监测在用油液的总酸值、总碱值、氧化值、硝化值及添加剂损耗等指标，但其标定建模复杂，需要大量的前期基础样本数据。
2）基于磨粒尺寸、数量及形貌特征识别的磨损颗粒在线监测技术。磨损监测传感器开发是目前油液在线监测的研究热点，这是因为针对油液中的磨损颗粒实时监测，能够直接反映设备的润滑磨损情况。根据传感器检测原理的不同，可以分为电磁监测法、X射线能谱法、光电监测法和静电监测法等。工程应用以电磁法最为广泛，电磁法是基于电磁感应原理的一种监测方法，传感器原理又分电磁吸附式和电磁感应式。电磁吸附式磨损传感器是基于电磁感应的相互作用原理，利用永磁体的磁特性吸附铁磁，检测铁磁颗粒，同时利用电感线圈的电磁特性产生与永磁体相反的力，使被永磁体吸附的铁磁颗粒释放；而电磁感应式磨损传感器则是通过电磁感应来实现对颗粒的检测，通过比较磁化效应和涡流效应。若是非铁磁性颗粒通过，则内部产生涡流来对抗现有的磁场，磁场的减少与涡流的减少相同；若是铁磁性颗粒通过，则在内部产生磁场来对抗现有的涡流，涡流的减少与磁场的减少相同。因此，可通过对磁化效应和涡流效应之间的关系来检测油液中的金属与非金属颗粒并进行统计。
3）基于水分和固体颗粒检测分析的污染物在线监测技术。水分的监测则包括微量水监测和常态水监测。微量水监测的是润滑油中溶解水，通常采用薄膜电容原理来实现。而针对油中游离态的水，主要通过监测油液的介电常数变化来进行测量。相较于微量水的监测，对油液中常态水传感器的研究并不多，原因是常态水在润滑油中不稳定。
2.油液在线监测技术体系
以工业互联网为平台的油液在线监测系统架构主要由4层组成（见图1-3），分别是对象层，即选定的监测机组润滑系统；采集层，即根据监测对象配置的油液监测仪器；诊断层，即监控诊断软件系统；运维层，即实现远程运维的云平台。
实现基于工业互联网的油液在线监测技术体系，主要技术包括：一是分布式诊断技术，尤其是多智能体系的诊断技术；二是网络安全技术；三是前端信号处理与提取技术；四是基于网络数据库的各类设备油液监控诊断专家系统。油液在线监测具有三个重要特征：监测过程的实时性、连续性，以及监测结果与被监测对象运行状态的同步性。根据在线监测仪在润滑系统中的安装形式可分为两种：一种是直接安装在主油路中，称为In-line在线监测；另一种是安装在附加的旁路油路中，称之为On-line在线监测。
图1-3 油液在线监测系统架构
中国是制造业大国，拥有世界上数量庞大的各类机械设备，如何保障这些设备的安全运行，对设备的状态监测、故障预警、视情运维具有广泛的现实意义。油液监测技术更是一种主动性预防维护技术，将在设备健康管理、状态维修、主动维护中发挥更加突出的作用。特别是近年来，工业互联网、大数据、人工智能在润滑安全智能运维中的深度研究和工程应用，也推动了油液监测技术向网络化、数字化、智能化和集成化方向发展，更加与企业的设备远程运维、无人值守深度融合，助力企业新质生产力的发展，在国民经济建设中越来越多地发挥出重要作用。根据油液监测技术自身内涵、新型工业化发展需求和国内外工程应用现状，油液监测技术主要有以下发展趋势。
1.开发高通量 、 高附加值的油液检测方法与技术
高通量快速检测是指一次可检测多个样品或对同一样品进行多种指标快速检测，其目的是在保证检测准确率的前提下提高检测效率、降低检测成本。例如，国际上许多大型商业化油液监测实验室都在研究应用红外光谱分析方法，基于检测大数据建立映射模型，从而实现对常规理化指标的快速分析检测；再如，对于实验室的一些标准检测方法，可以通过不断优化仪器参数设置及检测环节步骤，以实现提高检测效率、减少样品量的目的，这是提高油液离线检测实验室竞争力的重要方向之一。
油液监测的常规任务是用简单高效的检测方法监测设备的润滑磨损状态，但随着工业企业向绿色低碳高质量发展的需求，越来越多的企业将润滑管理视作一项工程建设来对待，“润滑工程”的概念也由此而生，从设备前端的润滑系统设计、润滑介质选型优化，到润滑油应用过程的监测维护、后端的润滑油再生与延寿、废油处理等，形成设备润滑全寿命周期的集成式解决方案，其核心依然在于油液监测技术的应用，但已有的常规标准检测方法不能满足上述需求，需要开发工况模拟、故障复现、寿命预测、润滑自愈等以解决某一特性润滑问题为导向、具有高附加值的试验与分析方法，将成为未来油液检测实验室发展的另一个重要方向。
2.开发基于工业互联网的智能化油液检测及报告生成系统
油液监测实验室要高效准确检测大量样品，实验室的网络化、数字化和智能化发展是很重要的方向，可以从以下几方面推动。
1）检测样品流转过程的定位、任务分配与流转管理系统的开发，以完善对样品流转过程的时间监控，提高检测效率。
2）构建基于物联网技术的检测数据自动采集、传输，以及基于概率分布模型的智能化检测数据质量控制体系，解决测试过程中的数据突变、仪器故障、人员录入失误等质量问题。
3）监测报告的快速智能生成。针对多参数、多批次样品，检测数据与诊断报告无法自动连接、快速生成诊断报告的困难，首先搭建流程分析器，实现多参数、多批次样品在数据库中共存及状态实时监视，实现检测数据与报告系统的自动连接，高效灵活地调配任务；其次结合专家知识，采用机器学习及大数据分析技术，制定多行业特定设备的油液监测诊断规则，建立智能化诊断结论库，实现“工业互联网”+“检测+数据+智能”+“平台化服务”的润滑油检测与智能诊断报告技术体系。
3.构建设备润滑磨损智能诊断与运维决策的多层级数据库
数据库的建设是实现智能化检测及大数据人工智能诊断的重要基础，根据油液监测数据库的特点及功能需求，可以重点从以下方面建设。
1）构建面向大批量、多参数润滑油检测多源异类数据存储的多模态数据库，形成结构化数据（如设备信息、油液信息、检测结果等数据）和非结构化数据（如监测案例、红外谱图、磨粒图像等数据）的多模态润滑油检测与诊断数据库，满足对多样性数据的统一管理需求。
2）构建面向不同行业的重大装备润滑磨损智能诊断与运维决策的多层级数据库，为人工智能诊断提供海量学习样本。根据诊断分析应用场景，进行数据需求逆推，构建系列与诊断分析密切关联的数据库，如检测方法库、油液信息库、设备信息库、诊断标准库及诊断案例库等，有了这些数据库，才能满足实验室全方位、多维度的快速诊断分析需求。
3）制定海量数据中异常检测数据自动清洗规则与方法，实现对真实润滑油检测数据与异常检测数据的有效区分，提升数据预处理的准确性；在数据库层面要制定面向不同润滑油性能指标检测项目的数据清洗规则函数，开发润滑油检测数据自动清洗系统，保障清洗过程的高效和灵活。
4.构建基于大数据与机器学习的机械设备润滑磨损故障智能诊断体系
针对传统的润滑故障诊断分析经验依赖性强，分析过程中容易遗漏信息、诊断结论受知识局限，以及因难以发现数据的潜在关联而导致诊断深度不够的问题，首先，有必要进行油液监测智能诊断方法的研究，对在用油液的监测大数据进行深度挖掘，根据大数据统计分析建立油液监测诊断阈值标准。其次，是要建立基于决策树、BP神经网络、PCA-SVM支持向量机等机器学习算法的润滑故障模式识别模型，实现基于监测数据和诊断模型的人工智能数据处理和故障诊断，解决传统人工诊断的分析判断不全面、不深入、不统一、不客观的问题。
当前，设备故障诊断进入了大数据时代，构建基于大数据与机器学习的工程化、智能化的设备润滑状态评定与寿命预测，以及磨损评估与诊断等系统化技术体系，挖掘设备润滑磨损故障诊断大数据中隐含的特征，获取故障发生、发展和防治规律，实施“大数据+深度学习+机理知识”的诊断模式，是今后故障诊断发展的重要趋势。
5.研究开发工程应用的磨损颗粒智能识别系统
通过磨损颗粒的形态识别来实现监测诊断设备的磨损状态，是油液监测技术的重要方向之一。磨损颗粒智能识别的发展历史可追溯到20世纪70年代，其发展可分为经典机器学习和深度学习两个阶段。经典机器学习阶段的磨粒识别是由人工定义特征参数，提取磨粒特征进行分类，由于机器学习表达能力有限，所以需要人工建立复杂的特征工程，分类精度和准确率较低。2018年后，随着图像处理技术的快速发展，磨粒智能识别的研究也进入了深度学习阶段。深度学习技术可以将特征提取和分类都交由机器进行自我学习，大幅度地提升了磨粒识别的准确性。尽管深度学习技术使磨粒识别的智能化工作取得了较大进展，但目前仍存在有待解决的问题。
1）现阶段磨粒智能识别还主要是对离线检测获取的静态图像的识别，这种方式不能满足在线监测获取的连续动态磨粒图像识别的需求。
2）多数研究还主要是解决磨损颗粒识别的问题，但如何将识别结果进行数字化表征，进而实现自动化、智能化分析与诊断设备的磨损故障状态，还缺少工程应用研究。
3）从整体上看，磨损颗粒智能识别与诊断技术还处于研究阶段，工程化应用较少。未来的磨损颗粒智能识别发展趋势将以动态视频识别为主，并融合大数据分析与智能算法模型，形成集采集、识别、诊断于一体的可用于在线监测的工程化产品，实现对设备磨损状态的实时监测与诊断。
6.研发低成本 、 高可靠性和高环境适应性的油液传感器及在线监测仪
面向油液监测数字化、网络化、智能化发展目标，从理化性能、污染程度、设备磨损三个维度，开展油液传感器及监测仪关键技术研究，主要有以下几个方向。
1）开发与优化油液状态监测敏感元器件，设计基于模块化集成的油液状态监测整机装置，构建关键装备故障诊断与润滑磨损健康评估体系，开发基于物理信息架构的油液监测智能诊断系统。
2）开发灵巧化和微型化的智能传感器，即具备信号处理、数据融合、自校准、自诊断和潜在的自动推理能力，并最终可以通过无线接口传输信息的微型油液在线监测传感器，采用此类传感器可解决在设备内部布线困难等问题。
3）要攻克传感器监测大数据智能应用技术，搭建传感器系统智能评估模型，改进原始信号智能处理方法，优化传感器稳定性算法池，实施模拟试验台架破坏性试验验证，以及强化人机交互可视化展示能力等。开发出低成本、高可靠性和高环境适应性油液传感器及监测仪，才能满足普及推广的工程化应用要求。
7.研究开发多种在线监测方法集成融合的诊断方法
现代机械设备越来越复杂，对其运行状态评估与健康管理仅靠油液监测技术是难以满足全面要求的，需要结合设备的振动、温度、力学性能等参数，构建基于多种监测方法的多源信息融合的设备综合监测技术体系，这也是为设备“状态维修”提供更加全面、更为可靠的状态监测支撑，主要有以下三方面工作。
1）在采集层，实时采集关键装备油液状态、振动、噪声、温度、流量及压力等参数，加强在数据采集端的多源数据融合，实现监测模态的共同体。
2）在诊断层，系统建立基于阈值的数据诊断算法、基于形状因子的设备故障倾向规则、基于健康指数的装备运行状态评价标准。从故障仿真算法、故障特征建模、关键参数调整及实时反馈分析等角度，考虑多种参数信息对关键机组的影响，判定机组运行健康状态，提出正确的设备维修指导建议，打造融合诊断生态圈。
3）在展示层，持续强化人机交互体验感，利用AI算法建立寿命预测模型，实现对剩余寿命的预测和预警；提高系统的可靠性和稳定性，实现多维可测、模型自主、精确可判。
8.研究开发便携式油液监测仪
开发便携式油液监测仪及其推广应用，也是油液监测技术的一个重要方向。在民用方面，一些偏远的矿山、车队维修厂等若按照传统的油液检测方法，则可能需要将油样送到实验室进行分析，这不仅耗时且实施困难，还可能导致检测结果与实际状况产生偏差，但便携式油液监测仪则可以在现场直接进行检测，提供实时、准确的油液状态信息。特别是在军用方面，武器装备的快速机动部署运行，要求油液监测分析仪器能够适应野外使用。近年来，各国相应研发了多种便携式油液分析仪，特点基本是使用方便、分析速度快、仪器体积小质量轻、对使用环境要求低、耐用可靠及维护保养方便等。美军很早就开始了便携式油液分析仪器的普及使用，如在2000年美国海军各舰队都标配了美国Kittiwake公司开发的便携式OTC（Oil Test Center），其只有一个手提箱大，用简便的方法就可以快速检测润滑油的黏度、水分、总碱值、总酸值及不溶物含量等，广泛应用于机动状态舰船动力柴油机油液的状态监测。
9.油液离线监测 、 在线监测相互补充 ， 协同发展
油液离线监测在国内已发展了40多年，检测项目、方法和仪器也较成熟，大多项目都有相应的检测标准，相应的支撑技术也较完善。与国际上先进的油液检测实验室相比，我国专业化实验室的检测效率和准确率都达到了较高的水平，目前更多的是要向网络化、数字化和智能化方向发展，减少对检验人员及诊断工程师的依赖，提升对样品的处理能力，进一步提高服务的及时性。在线监测是近十年来发展起来的，其技术成熟度不如离线监测，特别是油液传感器及在线监测仪的工业环境适应能力、监测数据的稳定性、监测诊断逻辑的可靠性等都有待深入研究并经受工程应用的验证考验，目前这些研究也都在稳步发展。
从工矿企业机械装备润滑与磨损状态监测工程应用角度来考虑，油液离线监测与在线监测各有其优点和特点：离线监测数据相对精确可靠，能全面深入评价设备的润滑磨损状态，特别是对润滑油质量及劣化状态评价有其不可替代的作用，但监测结果反馈滞后，监测数据的及时性和连续性因人工取样而受到影响。在线监测更加实时连续，但其监测数据稳定性及精度偏低，由于目前传感技术的限制，在线监测的项目也有限，而且单台油液在线监测仪成本还较高，难以大面积普及应用。在实际工程应用中，许多企业都是对大部分设备建立油液离线监测制度并设定了取样监测周期，而对于部分关键重大设备加装油液在线监测仪。在未来很长一段时间，随着油液在线监测仪的生产成本降低及可靠性提高，新型工业化对设备管理数字化和智能化的更高要求，推动油液在线监测应用将得到快速发展，会依托人工智能和大数据应用，从以离线监测为主的油液监测诊断逐步转变为以在线监测为主，但复杂的故障分析及确诊还是需要离线监测技术来支撑。
［1］谢友柏，张嗣伟.摩擦学科学及工程应用现状与发展战略研究［M］.北京：高等教育出版社，2009.
［2］杨其明，严新平，贺石中.油液监测分析现场实用技术［M］.北京：机械工业出版社，2006.
［3］贺石中，冯伟.设备润滑诊断与管理［M］.北京：中国石化出版社，2017.
［4］虞和济，韩庆大，李沈，等.设备故障诊断工程［M］.北京：冶金工业出版社，2001.
［5］VACHTSEVANOS G，LEWIS F，ROEMER M，et al.Intelligent Fault Diagnosis and Prognosis for Engineering Systems［M］.Wiley：New Jersey，2006.
［6］胡大越.铁谱技术的现状及展望：第一届铁谱技术学术交流会论文集［C］.广州：铁谱技术专业委员会，1986.
［7］丁光健.铁谱监测技术的评价与摩擦学诊断技术：第一届铁谱技术学术交流会论文集［C］.广州：铁谱技术专业委员会，1986.
［8］贺石中.应用光谱、铁谱技术对电动轮车汽车发动机的状态监测：1990中国铁谱技术会议论文集［C］.合肥：铁谱技术专业委员会，1990.
［9］严新平.油液监测技术的发展及其思考：1999全国铁谱技术会议论文集［C］.润滑与密封，1999（增刊）：8-10.
［10］贺石中.商业化油液监测实验室的建设和发展：2002全国油液监测技术会议论文集［C］.上海：全国油液监测技术委员会，2002.
［11］毛美娟，朱子新，王峰.机械装备油液监控技术与应用［M］.北京：国防工业出版社，2006.
［12］赵方，谢友柏，柏子游.油液分析多技术集成的特征与信息融合［J］.摩擦学学报，1998，18（1）：45-52.
［13］严新平，谢友柏，李晓峰，等.一种柴油机磨损的预测模型与试验研究［J］.摩擦学学报，1996，16（4）：358-366.
［14］司远.基于深度网络压缩的滚动轴承智能故障诊断方法研究［D］.成都：电子科技大学，2023.
［15］董文婷.基于大数据分析的风电机组健康状态的智能评估及诊断［D］.上海：东华大学，2017.
［16］赵东方.基于深度学习的智能故障诊断方法研究［D］.上海：上海大学，2023.
［17］司佳.面向工业大数据的智能故障诊断方法研究［D］.济南：山东大学，2018.
［18］曹源.大数据下变电站多智能体系统故障诊断［D］.乌鲁木齐：新疆大学，2020.
［19］雍彬.风电齿轮箱故障智能诊断关键技术研究［D］.重庆：重庆大学，2020.
［20］刘潇波.基于深度学习的风电机组传动链故障智能诊断［D］.北京：华北电力大学（北京），2023.
［21］徐智涛.基于深度学习的跨域故障智能诊断方法研究［D］.北京：北京化工大学，2024.
［22］李振宝.基于深度学习的典型液压泵智能故障诊断与寿命预测方法［D］.秦皇岛：燕山大学，2023.
［23］张海涛.基于电阻测量的高通量实验方法开发与应用［D］.成都：电子科技大学，2018.
［24］刘恒.高通量电化学测试系统研制［D］.成都：电子科技大学，2017.
［25］冯浩洲.高速列车车轮剖面成分、组织、硬度高通量表征方法研究［D］.北京：钢铁研究总院，2022.
［26］ZHU H Q，LEI Y B.QI G Q，et al.A review of the application of deep learning in intelligent fault diagnosis of rotating machinery［J］.Measurement，2023，206：24.
［27］TANG S，YUAN S，ZHU Y.Deep learning-based intelligent fault diagnosis methods toward rotating machinery［J］.IEEE，2020（8）：9335-9346.
［28］LEI Y，JIA F，LIN J，et al.An intelligent fault diagnosis method using unsupervised feature learning towards mechanical big data［J］.IEEE Transactions on Industrial Electronics，2016，63（5）：3137-3147.