Rzecz tak prozaiczna jak wymiana oleju, dla naukowców z Brna stało się polem eksperymentu. Zamiast wymieniać olej „na oko” lub co 10 tysięcy kilometrów, postanowili zapytać o ów problem… równanie. I okazało się, że prosty model statystyczny może trafniej niż człowiek określić moment, w którym olej traci swoje właściwości smarne. Zespół z Uniwersytetu Obrony w Czechach opracował model regresji liniowej, który – na podstawie analizy widma oleju silnikowego – potrafi przewidzieć jego żywotność z dokładnością lepszą niż 2%.
Co warto wiedzieć:
Zamiast rozkręcać silnik, badacze przeanalizowali 221 próbek zużytego oleju z ciężkich pojazdów gąsienicowych napędzanych silnikami Perkins CV12. Każda próbka została poddana badaniu spektroskopowemu FTIR — metodzie, która pozwala „zajrzeć” w skład chemiczny cieczy, śledząc, jak pochłania ona promieniowanie w podczerwieni. Z danych wyciągnięto przeróżne parametry: m.in. utlenianie, siarczanowanie, zanieczyszczenie paliwem, zawartość cząstek przeciwzużyciowych i liczba zasadowa TBN, która maleje w miarę starzenia oleju. Następnie naukowcy połączyli te dane z realnymi pomiarami lepkości przy 100 st. C. i stworzyli model opisujący, jak każdy z czynników wpływa na kondycję oleju.
Sztuka przewidywania
Choć dziś modnie byłoby użyć sieci neuronowej, badacze wybrali regresję wieloraką (MLR) – klasyczną metodę statystyczną, która ma jedną zaletę: daje się ją w miarę prosto wytłumaczyć. Każda zmienna ma tu swój współczynnik, więc wiadomo, które zjawisko najbardziej przyspiesza degradację oleju. Okazało się, że utlenianie zwiększa lepkość, bo olej gęstnieje w miarę starzenia; zasiarczenie ma jeszcze silniejszy wpływ; rozcieńczenie paliwem wyraźnie lepkość obniża, a TBN i cząstki APP działają ochronnie.
Takie podejście, choć proste, pozwoliło uzyskać współczynnik determinacji R^2 = 0,808, co oznacza, że model tłumaczy ponad 80% zmienności danych. Wynik jest zaskakująco dobry – lepkość można przewidzieć bez skomplikowanej aparatury, wystarczy próbka oleju i algorytm.
Prawda w widmie
FTIR, czyli Fourier Transform Infrared Spectroscopy, to narzędzie używane m.in. w analizie leków, paliw i smarów. Działa jak chemiczny stetoskop – bada, które długości fali są pochłaniane przez cząsteczki, i na tej podstawie identyfikuje związki organiczne. Zastosowanie tej metody w diagnostyce oleju pozwala wykrywać procesy starzenia (utlenianie, nitrację, sulfację), zanieczyszczenia (paliwo, glikol, sadza, woda) oraz zużycie dodatków takich jak środki antykorozyjne czy przeciwzużyciowe.
W badaniu każdy z tych czynników był uwzględniony jako zmienna wejściowa. Po odpowiednim przetworzeniu danych – normalizacji, odszumianiu i korekcji tła – zostały one wprowadzone do modelu regresji. To klasyczny przykład, jak z połączenia analizy chemicznej i statystyki można uzyskać narzędzie o realnej wartości inżynierskiej.
Olej mówi nam, kiedy ma już dość
Wyniki wskazały, że olej traci optymalne właściwości po około 200 godzinach pracy w bardzo dużych silnikach maszyn roboczych, co odpowiada mniej więcej 2088 kilometrom przebiegu w warunkach dużego obciążenia. W praktyce oznacza to, że można dokładnie przewidzieć moment wymiany, unikając zarówno przedwczesnych interwencji, jak i ryzyka uszkodzenia silnika.
Cały proces wpisuje się w filozofię konserwacji prewencyjnej – tej opartej na danych, a nie przeczuciach. Takie podejście pozwala obniżyć koszty eksploatacji, skrócić przestoje i wydłużyć żywotność jednostki napędowej.
Czytaj również: „Gdzie zostało zrobione to zdjęcie?” Algorytm prawdę Ci powie
Matematyka kontra intuicja
Z pozoru to tylko proste równanie. Uzyskaliśmy doskonałe narzędzie diagnostyczne na miarę przyszłości. Model czeskich naukowców może być wykorzystany nie tylko w wojsku, ale też w transporcie cywilnym, przemyśle czy rolnictwie. Wystarczy połączyć spektrometr FTIR z oprogramowaniem analizującym dane, by silnik sam powiedział nam, że czas na wymianę oleju. Ostatecznie to nie sztuczna inteligencja, ale rozsądnie użyta statystyka pokazuje, że czasem te proste metody bywają najbardziej niezawodne. Bo nie ma tu czegoś nadspodziewanie skomplikowanego.
