摘要：针对大型压缩机组设备检修与用油安全问题，考虑压缩机组设备运行特点及用油情况，从基本理化指标和污染性能指标两个维度，选择16个具体指标构建了基于K邻近(K-Nearest Neighbor，KNN)算法的数据处理与评价模型。利用该模型对设备在用油品进行油质性能分析评估可得到5种不同等级的润滑油劣化结果，以投运中的3台压缩机组为例对所构建的模型进行验证，结果与润滑油实际检测评价结果吻合。表明所提出的方法适用于压缩机组在用油评价，可供判断油品的品质，为科学换油提供数据支持，辅助决策机组检修。

　　关键词：压缩机组；油质性能评价；独立成分分析；K近邻算法

　　Abstract:Aiming at the problem of equipment maintenance and oil safety of large compressor units,considering the operation characteristics and oil use of compressor units,16 specific indexes were selected from the two dimensions of basic physical and chemical indexes and pollution performance indexes,and a data processing and evaluation model based on K-Nearest Neighbor(KNN)algorithm was constructed.This model was applied to the analysis and evaluation of the oil quality performance of the in-service oil of the equipment,the deterioration results of five different grades of lubricating oil was obtained.Three compressor units in operation were taken as examples to verify the proposed KNN model,the results were consistent with the actual test and evaluation results of lubricating oil.The results show that the proposed method is suitable for evaluating the in-use oil of compressor unit,judging the oil quality,and provides data support for reasonable oil replacement,and support the unit maintenance decision.

　　Key words:compressor unit;evaluation of oil quality performance;independent component analysis;K-nearest neighbor

　　0引言

　　作为提高气体压力和输送气体的机械装置，压缩机可以储存部分气体介质，提高气体压力，形成具备一定流量和压力的气体，在化工等领域有重要应用[1-2]。油液监测技术是指对机器在用润滑油进行定期取样检测，分析油品理化指标和磨损指标的变化情况的技术，能够实现对机器设备产生的故障进行有效诊断[3]，对在用油定期进行取样检测反馈，对运行中的压缩机组润滑状态进行诊断[4]，使设备处于平稳的安全运行状态。油液监测技术的应用成为工业生产的必然选择[5]。

　　润滑油的更换策略有定期换油、视情换油两大类[6-7]。定期换油[8]被采用较多，即设备润滑油经过一个服役周期后，不考虑油品质量直接进行更换。定期换油策略管理容易、易于操作，适用于用油量小、开动率高的设备。但由于设备的设计、结构、材料、维护等的差异，润滑油在使用过程中的变化也各有差异，统一规定换油周期是不科学的。特别是对于维护情况较好的大型机组而言，该方法势必会造成油品的大量浪费。与定期换油相比，根据润滑油检验结果进行换油的视情换油策略科学性强，既保证了设备的运行可靠性，又最大限度地提高了油品的使用效率[9]。

　　在实施过程中，有效的油质评估是视情换油的难点，该方面研究较少，已有的研究多基于单个油品测试项目进行。刘文君等[10]提出了一套基于异常特征提取的油色谱在线监测数据无监督异常检测的集成方法，搭建了油色谱在线监测系统数据的质量评价体系，以达到增强输变电在线监测系统中油色谱数据可用性的效果。王德岩等[11]分析和对比了典型的评定技术，认为循环伏安评定技术是最适合的剩余使用寿命评定技术。冯丽苹等[12]对用新汽轮机油和运行汽轮机油进行了老化试验，根据关键指标在油品老化到应换油或继续运行具有危险性的极限值时所用的时间及运行汽轮机油已使用的时间，评估运行汽轮机油剩余使用寿命。李伟[13]将灰色关联分析法应用于内燃机油质量水平的评估，建立了内燃机油质量水平的评估模型。庞晋山[14]以酸值为润滑油寿命表征指标，基于氧化动力学Arrhenius方程建立的润滑油剩余寿命模型，通过模拟实验分析特定性能指标的变化率获得润滑油的预测寿命。于彦博[15]通过监测运行油氧化安定性和抗氧化剂含量两个重要抗氧化指标，建立单一及关联分析模型，评价各机组运行油状态并评估使用寿命。

　　随着状态监测技术的发展，能表征润滑油性能的检测指标越来越多。润滑油的检测技术不断成熟，这些性能指标的获取越来越容易。这些指标是进行润滑油油质评估的重要基础，本文提出一种基于KNN算法的多指标油质性能评估方法。采用KNN基于历史数据，建立数据处理与评价模型，对设备在用油品进行油质性能分析评估。

　　1 KNN算法

　　K近邻(K-Nearest Neighbor，KNN)算法[16]是由Cover和Hart提出的一种思想简单直观的分类和回归监督学习算法。所谓K近邻就是K个最近的邻居的意思，即算法做决策时仅与这K个最邻近的样本有关。原理如图1所示。例如使用KNN算法做分类决策时，首先寻找目标样本与数据集中最相邻的K个样本，如果这K个样本中的大多数属于某一个类别，即判断该样本也属于这个类别。

　　KNN算法最重要的3个要素是距离度量、K值和决策准则。距离度量用来衡量测试数据与已知数据集之间的相关性，常用的距离度量的方法有欧几里得距离、曼哈顿距离、余弦值和相关度等方法(欧式距离应用较广)。K值的选择非常重要，会直接影响到预测结果。当K值较小时，模型会依赖于附近的邻居样本，具有较好敏感性，但是稳定性会比较弱，容易导致过拟合；当K值较大时，稳定性增加，但是敏感性会减弱，容易导致欠拟合。

　　决策准则有投票表决和加权投票法，投票表决是少数服从多数，输入的测试数据K各最邻点中点数最多的一类作为该点分类，加权投票根据距离的远近，对K各近邻做加权，距离越近权重越大。

　　2建立评价模型

　　2.1油质评估

　　在对油品进行使用周期延长评估时，应先对油品进行油质评估。油质评价是对设备的在用润滑油进行一个覆盖面较广的油品性能检测分析，该分析通常包含润滑油的理化性能、使用性能和润滑油的污染程度，以及设备磨损和腐蚀程度等方面。

　　对油品进行的油质评估通常采用以下方法。

　　(1)新旧油对比。油品的新旧油数据进行对比分析，评估油品劣化程度。

　　(2)横向数据对比。同类油品或工况相似的设备，进行油品的横向数据对比，重点分析离散点数据的偏离原因。

　　2.2 KNN评估

　　基于KNN的油质性能评估方法采用机器学习中监督学习[17]的方法，因此在进行评估之前需要选择合适的训练库，该训练库可以是结合专家先验知识进行的油质评估结果，或已经过实践的其他评估案例，如结合历史退化数据、加速退化试验数据的评估结果。这些已有的评估结果或者经过应用验证的评估案例形成初始的数据集并用于开展基于KNN的油质性能评估，并随着油质评估的案例积累扩大了训练库样本量，不断提高该方法的评估精度。

　　该油质评估流程如下。

　　(1)数据处理：润滑油检测结果因各项目的测试过程、报告结果差异，其数据格式是杂乱无章的，这些数据既包含连续型数据、也包含离散型数据，同时各类检测结果的量级差异巨大，因此对检测结果数据预处理是非常必要的。常见的处理有归一化、独热编码处理、去除共线性处理等。

　　(2)距离度量：选择合适的距离计算公式，在润滑油油质评估中通常可以选择欧几里得距离和余弦相似度。基于所选择的距离度量，计算训练集中两两样品直接的距离。

　　(3)选择参数K：在确定了的决策准则基础上，通过交叉验证的方式，选择最合适的K值。

　　(4)新样本预测：计算了待预测点与已知点之间的距离衡量，将计算的结果进行从小到大排序，取前K个点。将待预测点归类为多数的那一个类别，这便是对于未知点的类别预测结果了。

　　(5)可视化分析：模型预测是基于数据统计而实现的，存在一定的误差，尤其是离群值可能存在预测误差较大的情况，因此应对结果进行可视化审核，并结合现场使用情况进行适当修正。

　　3应用效果分析

　　以本厂的A、B、C 3台离心压缩机组为例，使用KNN算法对该机组的在用润滑油进行油质评估，以期做到科学换油，从而实现设备润滑管理中降本增效的目的。
       3.1数据前处理

　　数据处理的目的是将不规则的润滑油检测数据转化为符合KNN算法要求的数据，主要包含油液监测数据归一化、离散变量处理等。

　　离散变量处理：部分检测项目的结果为离散型数据，如“液相锈蚀”项目的检测结果集合为“合格、轻微锈蚀、中等锈蚀、严重锈蚀”，对该类结果进行独热编码。

　　油液监测数据归一化：本次评估主要考虑油品的劣化程度，取新旧油结果差值与界限值的比值为油品的劣化程度。再取1与劣化程度的差为某项目的剩余性能建立数据表，优于新油的检测结果的项目得分为“1”。结果如表1所示。

　　3.2建立KNN模型

　　收集了同类型设备过往的润滑油油质评估，获得使用某牌号L-TSA 46#汽轮机油的评估案例33个，评估结果分为“正常、轻度劣化、中度劣化、严重劣化”5个等级，评估结果与实际检验无差异，本文给予采纳。使用这33个评估案例数据作为本次试验的训练集，建立油质评估模型。将上述33个油品的检测数据按前文进行数据前处理，作为KNN模型的输入，将评估结果作为KNN模型的输出，如表2所示。

　　选取不同K值建立KNN模型，并计算各模型得分。经过计算，当选K=3时，模型得分最高，且此时模型预测误差中无不可接受错误，即K=3时为当前数据的最优模型。混淆矩阵如图2所示。

       3.3模型应用完成模型
       训练后，使用当前机组A、B、C 3台离心压缩机机组油品的检测结果进行预测，油品检测结果及数据归一化结果如表3~4所示。

　　3.4数据分析

　　(1)油品的检测结果中未出现明显的离群点，黏度、酸值、添加剂元素含量、抗氧化剂含量图谱等特征项目结果与新油值相比未出现明显偏离或有悖于常理的变化，表明存在油品混用、误用的可能性小。

　　(2)与新油相比，油品的黏度、酸值、闪点结果及抗腐蚀、抗磨、抗乳化能力未出现明显劣化，表明油品未出现明显劣化情况。

　　(3)与新油相比，油品的空气释放性能、泡沫特性有所下降，通常源于油品使用过程中添加剂的消耗。

　　(4)与新油相比，部分油品的色度升高、漆膜倾向指数升高、旋转氧弹值下降、抗氧化含量下，主要源于油品使用过程中的氧化。

　　(5)本次检测的所有昆仑L-TSA(A级)汽轮机油46#油品均未出现严重劣化，存在延长使用周期的可能，油品使用周期延长时需重点考虑旋转氧弹值、抗氧化剂含量等指标。

　　由于模型输入为多维输入，无法直观展示，可以采用ICA进行数据降维将模型可视化。独立成分分析(in⁃dependent component analysis，ICA)[18]作为应用广泛的的一种盲源分离算法，可以在假设独立成分是非高斯且独立的条件下，从多路混合有独立成分的信号中较好地分离出隐含的独立源信号，实现数据的降维处理，降维后的数据可以方便用于绘制图形，进行预测结果的直观解释及分析。可视化分析结果如图3所示。

　　根据模型结果分别制定油品处理措施，如机组A的油品存在明显劣化应进行更换，机组C的油品存在中等劣化应添加部分新油提高油品的综合性能或进行降级使用，机组B则未发现明显劣化油品可以继续使用。

　　4结束语

　　针对大型压缩机组设备检修与安全用油问题，根据压缩机组设备运行特点及用油情况，融合KNN算法的数据处理与评价模型，对设备在用油品进行油质性能分析评估。结果表明所提出的KNN算法模型可以基于历史经验案例对压缩机组在用油进行有效油质评估，为设备科学换油提供数据支持，且基于评估结果延长润滑油更换周期，可以降低润滑油用量、减少维护减少废润滑油的排放，帮助企业实现设备润滑管理中降本增效的目的。

　　参考文献：

　　[1]陈峰,张西宁,陆军,等.设备磨损智能评价技术在石化大机组的应用[J].润滑与密封,2021,46(2):150-156.

　　[2]王旭,许增金,尹燕乐,等.MW级集成式压缩机用高速永磁电机转子结构设计[J].装备制造技术,2022(12):65-68.

　　[3]贺石中,杨其明,严新平.油液监测分析现场实用技术[M].北京:机械工业出版社,2006.

　　[4]陈忠伟,许少凡,钟龙风,等.基于轴承状态信号的压缩机故障诊断及分析[J].润滑与密封,2021,46(11):163-168.

　　[5]钟龙风,康克家,冯伟.合成气压缩机视情诊断[J].润滑与密封,2013,38(1):105-107.

　　[6]严新平,谢友柏,萧汉梁.油液监测技术的研究现状与发展方向[J].中国机械工程,1997(1):102-105.

　　[7]陈佳威,邓新,马群又,等.油液在线监测系统的设计与实现[J].机电工程技术,2023,52(4):109-112.

　　[8]李秋秋,冯伟,赵畅畅,等.油液分析在螺杆式空压机润滑故障诊断中的应用[J].润滑与密封,2016,41(4):137-140.

　　[9]刘俊,冯伟,马红军.工业企业油品选型优化"三步法"[J].润滑油,2021,36(4):16-20.

　　[10]刘文君,贺馨仪,王彬,等.基于异常检测集成算法的油色谱在线监测数据质量评价体系[J].电网与清洁能源,2022,38(8):16-23.

　　[11]王德岩,高瑞泽.润滑剂剩余使用寿命评定技术的研究[J].润滑油,2006(6):55-58.

　　[12]冯丽苹,王军,徐艳,等.运行汽轮机油剩余使用寿命评估方法[J].热力发电,2018,47(6):132-136.

　　[13]李伟.灰色关联分析在内燃机油质量评估中的应用[J].现代车用动力,2008(3):52-54.

　　[14]庞晋山,贺石中,宁成云.基于氧化动力学模型预测烃基润滑油剩余有效寿命[J].润滑与密封,2016,41(12):98-101.

　　[15]于彦博,杨磊,何伟.涡轮机组润滑油抗氧化指标分析及寿命评估[J].石油石化绿色低碳,2022,7(3):34-38.

　　[16]王楠,周喜超,彭勇,等.基于证据KNN分类器的蓄电池一致性诊断[J].太阳能学报,2022,43(4):13-19.

　　[17]朱红艳,梁诗凯,何富运,等.新工科背景下基于项目实践的机器学习课程教学探索[J].广西物理,2022,43(2):146-154.

　　[18]梁亮,杨敏华,李英芳.基于ICA与SVM算法的高光谱遥感影像分类[J].光谱学与光谱分析,2010,30(10):2724-2728.