INTEGRIRANEGA SISTEMA ZA SPREMLJANJE STANJA NAPRAV Z ANALIZO OLJA. Diplomska naloga. univerzitetnega študija

Transcription

1 INTEGRIRANEGA SISTEMA ZA SPREMLJANJE STANJA NAPRAV Z ANALIZO OLJA Diplomska naloga univerzitetnega študija Marko Obid uni.-kgs

2 KAZALO 1.0 UVOD DIAGNOSTIČNI SISTEM Zajemanje podatkov na podlagi znanja Zajemanje podatkov z nadzorom stanja Procesiranje podatkov in znanja Diagnosticiranje Napovedovanje poškodb Ukrepanje INTEGRIRAN SISTEM Metodologija integriranega diagnostičnega sistema Integrirani sistem za spremljanje stanja naprav z analizo olja Integriran sistem analiz VZORČENJE Metode vzorčenja Frekvenca vzorčenja Lokacija vzorčenja Označevanje vzorcev METODE ZA SPREMLJANJE STANJA MEHANSKEGA SISTEMA Z ANALIZO OLJA IN DELCEV V OLJU Metode za spremljanje lastnosti olja Viskoznost olja Vsebnost vode v olju Nevtralizacijsko število Spektrografija Vsebnost goriva v olju Vsebnost glikola v olju Test oksidacijske stabilnosti olja (RBOT) Vsebnost saj in netopnih snovi v olju Metode za spremljanje delcev v olju Kvantitativna analiza delcev v olju Magnetni senzorji Števci delcev DR Ferografija

3 5.2.2 Kvalitativna analiza delcev v olju Analitična Ferografija Filtergrafija METODE ZA DIAGNOSTICIRANJE Vizualno ocenjevanje Ekspertni sistem Cilji ekspertnega sistema Učenje Komunikacija med uporabnikom in sistemom Statistične metode Nevronske mreže Računalniški nevron, pretvorbena funkcija in nevronska mreža Problemi, ki jih rešujemo z nevronskimi mrežami Fuzzy logika Razvoj mehke logike Identifikacijski modeli Definicija mehke logike Načrtovanje mehkega identifikacijskega modela Nekaj dejstev o mehkih sistemih Mehka logika in nevronske mreže Hierarhično grupiranje oz. razvrščanje Bayesian razvrščanje PROCESIRANJE Mejne vrednosti analize olja Statične meje Postavljene meje Meje staranja Meje gradienta spremembe Plavajoče meje BAZA ZNANJA Priporočene analize za določevanje stanja olja Elementi obrabnih delcev Zunanja kontaminacija

4 9.0 RAČUNALNIŠKA APLIKACIJA INTEGRIRANEGA SISTEMA ZA SPREMLJANJE STANJA NAPRAV Z ANALIZO OLJA Namen in cilj računalniške aplikacije Zasnova integriranega sistema Izdelava računalniške aplikacije integriranega sistema Vhodni podatki Zgradba računalniške aplikacije Opis zgradbe računalniške aplikacije Podatki o mehanskem sistemu (stroju) in naročniku Podatki o mazivu in mejne vrednosti Analize Baza znanja Poročila Delovanje računalniške aplikacije integriranega sistema Upravljanje z računalniško aplikacijo Nastavitve Vnos podatkov Obdelavo podatkov Izgradnja baze znanja Grafično prikaz stanja analiz Shranjevanje podatkov Grafični prikaz podatkov Tiskanje grafov Izpis podatkov v tekstovni datoteki Izdelava in tiskanje poročila PRIMER UPORABE RAČUNALNIŠKE APLIKACIJE Podatki analiz Obdelava podatkov in izris grafov Sončnično olje Mineralno olje Temperatura ZAKLJUČEK LITERATURA

5 UPORABLJENI SIMBOLI Simbol Enota Pomen τ [N/mm 2 ] strižna napetost, F [N] sila trenja S [mm 2 ] površina plasti η [m 2 /s] koeficient viskoznosti u [m/s] hitrost gibanja x [m] razdalja med plastmi u/x [1/s] strižna hitrost D S [ ] število majhnih delcev D L [ ] število velikih delcev WPC [ ] indeks intenzivnosti obrab σ [ ] standardna deviacija Xi [ ] vrednost WPC ja pri i-tem vzorčenju Xˆ [ ] vrednost srednje vrednosti WPC ja n [ ] število vzorčenj PLP [%] procent velikih delcev m zg [m 2 /s, ppm,...] zgornja meja m sp [m 2 /s, ppm,...] spodnja meja µ A (x) [ ] stopnja pripadnosti µ B (x) [ ] stopnja pripadnosti 5

6 Uvod 1.0 UVOD Uspešno upravljanje industrije bo v 21. stoletju predstavljalo velik izziv. Ob ostri konkurenci, hitrih tehnoloških spremembah, zanesljivosti in varnosti proizvodnje, upoštevanju naravovarstvenih predpisov ter naravnanosti proizvodnje glede na želje kupcev bodo v veliki prednosti predvsem podjetja, ki bodo znala strateško planirati svoj razvoj in izkoristiti prednost naprednih proizvodnih tehnologij in metod. Znano je, da na produktivnost najbolj vplivajo naslednji faktorji: razpoložljivost in kvaliteta naravnih virov surovin, razpoložljivost in kvaliteta človeškega kapitala in izpopolnjene proizvodne metode in tehnike. Pomemben vpliv na izpopolnjene proizvodne metode in tehnike imata predvsem nadzor stanja in vzdrževanje mehanskih sistemov. Nadzor stanja in vzdrževanje združujeta ekonomiko, znanstvene vede, informacijsko tehnologijo, tehnologijo določevanja in napovedi poškodb ter druga sorodna področja. Nadzor stanja je lahko stalno ali občasno izvajanje meritev delovnih in diagnostičnih parametrov ter parametrov okolice. Uporaba ustreznega nadzora stanja in tehnik vzdrževanja pripomore k izboljšanju zmogljivosti, zanesljivosti in trajnosti proizvodnih sredstev. Izsledki mnogih študij na področju vzdrževanja so pokazali naslednje: v industriji se porabi za vzdrževanje obstoječih strojev in naprav tudi do tri krat toliko denarja kot za njihovo zamenjavo, stroški vzdrževanja predstavljajo v povprečju 5% celotnega prihodka tovarne, stroji in naprave bi lahko obratovali pri mnogo ostrejših delovnih pogojih, če bi bilo vzdrževanje dobro, relativno poceni računalniško vodeno vzdrževanje omogoča prehod od korektivnega vzdrževanja na vzdrževanje po planu, stroški vzdrževalnega posega po zaustavitvi mehanskega sistema so tri krat do štiri krat višji od stroškov enakega posega, ki je vnaprej planiran. Pri izpadu proizvodnje zaradi nenadne okvare celotni stroški niso samo stroški popravila, temveč nanje vplivajo še stroški: izpada proizvodnje, slaba kvaliteta proizvodov, poškodovani proizvodi, posredno povzročene poškodbe na drugih strojih in napravah v proizvodnji, izgube priložnosti prodaje, povečana poraba energije, nezadovoljstvo kupcev, poškodbe osebja, itd. 6

7 Uvod Iz naštetega sledi, da ima vzdrževanje velik vpliv na učinkovitost proizvodnje. Vpliv se še poveča s povečevanjem zahtevnosti proizvodnih tehnologij. V takih procesih so običajno že uveljavljeni integrirani sistemi za nadzor stanja, ki temeljijo na: nadzoru stanja ustreznih delovnih parametrov, preprečevanju nastanka poškodb in napovedovanju morebitnih poškodb. Vzdrževanje glede na stanje določa oceno stanja strojev na podlagi: zbiranja, pregledovanja, primerjanja in razlaganja podatkov izmerjenih z različnimi nadzornimi tehnikami. Vzdrževanje po stanju samo ali v kombinaciji z vzdrževanjem po planu: zmanjšuje stroške, izboljšuje varnost obratovanja, znižuje pogostost in zahtevnost poškodb, podaljšuje življenjsko dobo in povečuje razpoložljivost sistema zaradi zmanjšanja števila posegov v obratovalni proces. Brez sposobnosti sprotnega zajemanja podatkov je nadzor stanja mehanskih sistemov nemogoč. Pomembno vlogo v postavitvi diagnoze mehanskega sistema ima tudi ustrezno procesiranje zajetih podatkov in znanja. Na tem področju so se v zadnjem desetletju začeli uveljavljati ekspertni sistemi z metodami umetne inteligence. Ekspertni sistemi zagotavljajo orodja in tehnike za shranjevanje podatkov v računalniške programe, ki so sposobni izvrševati razne naloge mnogo hitreje in neodvisno od ekspertov. Na področju umetne inteligence se uveljavljajo predvsem nevronske mreže in mehka (fuzzy) logika. Uporaba nevronskih mrež ima nekatere specifične zahteve. V primerjavi z ekspertnimi sistemi so nevronske mreže na nekaterih področjih uporabe ustreznejše. 7

8 Diagnostični sistem 2.0 DIAGNOSTIČNI SISTEM Pomen tehnične diagnostike v vzdrževanju se odraža v povečanju kakovosti, zmogljivosti in zanesljivosti proizvodnje. Vzdrževanje na podlagi znanja vključuje napovedno vzdrževanje in vzdrževanje z odpravljanjem izvornih vzrokov napak. Odločitev za tako vzdrževanje pomeni, da moramo spremeniti filozofijo vzdrževanja iz»nazaj delujočega«(aktivnosti šele po okvari) v tako imenovano»vnaprej delujoče«vzdrževanje (aktivnosti že pred okvaro). Za takšno vzdrževanje morajo imeti vzdrževalci poleg znanja strojništva in elektrotehnike tudi osnovna znanja iz kemije, fizike in računalništva. Slika 1 prikazuje osnovne funkcije diagnostičnega sistema, ki je sestavni del vzdrževanja na podlagi znanja. Diagnostika se sestoji iz zajemanja podatkov, nadzora stanja, procesiranja zajetih podatkov in znanja, postavitve diagnoze stanja in napovedi ter ukrepanja [15]. Slika 1: Shema diagnostičnega sistema 8

9 Diagnostični sistem 2.1 ZAJEMANJE PODATKOV NA PODLAGI ZNANJA Sistem vzdrževanja na podlagi znanja potrebuje večletne informacije o delovanju stroja. Velik del teh informacij vzdrževalci prispevajo sami z osebnimi izkušnjami. Preostale informacije so na voljo v raznih standardih in tabelah ter v obliki znanja strokovnjakov. Nezanemarljivi delež imajo tudi že vsi poprej zajeti podatki. Sistem zajemanja podatkov mora biti grajen tako, da je omogočeno njegovo širjenje z naraščanjem števila razpoložljivih podatkov. Poseben poudarek je potrebno nameniti ustreznemu razvrščanju teh podatkov pri njihovem shranjevanju. Pri večanju števila podatkov lahko namreč pride do neurejenosti in nepreglednosti, kar kasneje povzroča probleme pri njihovem procesiranju. 2.2 ZAJEMANJE PODATKOV Z NADZOROM STANJA Poznani sta dve vrsti nadzora stanja: neposredni in posredni nadzor stanja. Kadar imamo merilno opremo vseskozi nameščeno na mehanskem sistemu, govorimo o neposrednem nadzoru stanja. Neposredni nadzor stanja je lahko neprekinjen ali občasen. Pri neprekinjenem nadzoru stanja se podatki iz senzorjev prenesejo direktno v računalnik. Pri občasnem nadzoru se podatki zajemajo v določenih časovnih intervalih. Za neposredni nadzor je potrebna sposobna programska oprema, ki mora shranjevati in analizirati veliko količino zajetih podatkov. Prednosti neposrednega nadzora so zmanjšanje napak vzorčenja, razpoložljivost podatkov o zgodovini obratovanja ter relativno enostavno upravljanje, ki je sistem postavljen. Slabost neposrednega nadzora je predvsem visoka cena in včasih zavajajoči rezultati meritev, ki lahko povzročijo lažne alarme. Pri posrednem nadzoru stanja zajemamo podatke iz senzorjev ali merilnikov, ki so ali niso vseskozi nameščeni na mehanskem sistemu. Časovno periodo določimo glede na specifičnost sistema. Posredovanje nadzora stanja se lahko poslužimo tudi po potrebi, ko nam to pokaže spremenjeno delovanje naprave. Prednosti posrednega nadzora stanja so v tem, da lahko ustanova z ustreznimi strokovnjaki in opremo opravlja nadzor stanja za več uporabnikov. To pomeni nižjo ceno in manjše zahteve po lastnih strokovnjakih. Slabost posrednega nadzora stanja so možne napake pri vzorčenju, potrebne izkušnje za določitev intervala vzorčenja in določen čas, ki je potreben, da dobimo rezultate analiz. 2.3 PROCESIRANJE PODATKOV IN ZNANJA V procesu zajemanja podatkov dobimo informacije o stanju mehanskega sistema. Če želimo postaviti diagnozo sistema ali napovedati poškodbo, moramo poiskati korelacije med podatki dobljenimi z nadzorom stanja in znanjem, ki ga imamo na voljo. Ta proces se imenuje procesiranje podatkov in znanja. Z razvojem računalniške tehnologije so se začele uveljavljati naprednejše tehnike za procesiranje podatkov in znanja, katerih glavna prednost je, da delujejo veliko hitreje in natančneje, kot je to opravilo sposoben izvesti človek. Rezultati tega je vse 9

10 Diagnostični sistem pogostejša uporaba ekspertnih sistemov z metodami umetne inteligence in mehke logike ter nevronske mreže za procesiranje podatkov in znanja v procesu vzdrževanja. 2.4 DIAGNOSTICIRANJE Postopek postavitve diagnoze se imenuje diagnosticiranje in vključuje določitev trenutnega stanja sistema ter mesto, obliko in vzrok nastanka poškodbe. Diagnosticiranje, ki se izvaja med obratovanjem sistema, se imenuje neprekinjeno diagnosticiranje. S pomočjo diagnostičnih znakov, kot so razni signali, parametri sistema in drugi indirektni znaki, določimo nepravilno delovanje, možnost in lokacijo poškodb ter možnost odpravljanja teh poškodb na diagnostičnem objektu. S procesom odkrivanja odklonov vrednosti diagnostičnega parametra od želene oziroma pričakovane vrednosti določimo obliko poškodb. Na podlagi trenutnih informacij o poškodbi in na podlagi predhodnega znanja izdelamo hipoteze. Hipoteza predstavlja možno razlago nastanka in stanja poškodbe. S pomočjo pridobljenega znanja nato izvršimo izbiro pravilne hipoteze. Če je izbrana hipoteza ustrezna, sledi ukrepanje.v nasprotnem primeru se postopek izdelave in izbire ustrezne hipoteze ponovi. Sistem diagnosticiranja ne vključuje le oceno poškodbe, ampak tudi vzroke za nastalo poškodbo, možne posledice in lokacijo nastanka. Največja težava ni določitev hipotez, pač pa potrditev pravilnosti izbrane hipoteze. V primerih, ko se je v mehanskem sistemu hkrati pojavilo več različnih poškodb, je največkrat potrebno izbrati in potrditi več hipotez. 2.5 NAPOVEDOVANJE POŠKODB Napovedovanje poškodb poteka z iskanjem medsebojnih korelacij, ki jih dobimo z nadzorom stanja mehanskega sistema in podatki, ki so na voljo iz zgodovine obratovanja istega ali podobnega mehanskega sistema Če vzdrževalci vedo za nepravilnosti v delovanju stroja, so pripravljeni na možne poškodbe, zato se čas za odpravo poškodbe zelo skrajša. 2.6 UKREPANJE Diagnosticiranje in napovedovanje poškodb predstavljata osnovo za ustrezno ukrepanje. Aktivnosti ukrepanja so zaustavitev napredovanja poškodbe, odstranitev poškodbe ali sprememba načina delovanja. 10

11 Integriran sistem 3.0 INTEGRIRAN SISTEM Učinkovita diagnostika je bistvenega pomena za ustrezno vzdrževanje mehanskega sistema, za povečanje zanesljivosti in za skrajševanje časa zastojev. Z diagnosticiranjem lahko zagotovimo daljši življenjski cikel sistema ter boljše, vendar tudi dražje vzdrževanje. Za diagnosticiranje je potrebno imeti dovolj informacij o sistemu in zadostno znanje za pravilno razlago ter ovrednotenje nastalih problemov. Včasih so vzdrževalci nadzorovali le osnovne parametre delovanja mehanskega sistema, kot so tlak, temperatura in pretok. Da bi izboljšali sistem diagnosticiranja, so začeli nadzorovati še onesnaženost olja, obremenitveni cikel, vibracije, hrup, mazanje in obrabo. Sodobne sisteme diagnosticiranja, ki vključujejo v nadzor stanja več različnih diagnostičnih metod, imenujemo integrirani diagnostični sistem. 3.1 METODOLOGIJA INTEGRIRANEGA DIAGNOSTIČNEGA SISTEMA Slika 2 prikazuje metodologijo integriranega diagnostičnega sistema, ki združuje nadzor stanja različnih diagnostičnih parametrov, diagnozo sistema, napoved poškodb in predloge za ukrepanje. Neprekinjen ali občasen nadzor stanja mehanskega sistema daje informacijo o stanju mehanskega sistema v obliki merilnih signalov. Vrednotenje merilnih signalov poteka glede na znane mejne vrednosti in medsebojna razmerja. Zaznane spremembe predstavljajo simptome, ki jih v procesu diagnosticiranja identificiramo po obliki in sestavi. Rezultat diagnoze sistema je določitev vzroka poškodb, lokacijo nastanka in stanja poškodb. V procesu napovedovanja poškodbe določimo ostanek življenjske dobe strojnih elementov, na katerih je prišlo do poškodbe, obliko poškodb in vplive na mehanski sistem. Za napoved poškodb potrebujemo poleg podatkov iz nadzora stanj mehanskega sistema tudi podatke o zgodovini obratovanja istega ali podobnega mehanskega sistema. Slika 2: Metodologija integriranega diagnostičnega sistema Na podlagi dobljenih spoznanj predpišemo ustrezen postopek ukrepanja, ki je lahko odstranitev, popravilo, ponovna izdelava ali zamenjava poškodovanega 11

12 Integriran sistem strojnega elementa. K ukrepanju štejemo tudi ponovno vzorčenje, spremembo pogojev obratovanja, ustavitev mehanskega sistema, remont ali zmanjšanje zahtevnosti obremenitvenega cikla. Z integriranjem podatkov, ki jih dobimo z različnimi merilnimi metodami dobimo boljše rezultate diagnosticiranja. Razne študije so privedle do standardnih testov, ki so osnova za oceno in ovrednotenje stanja mehanskega sistema in njihovih komponent pod različnimi pogoji delovanja. Z rezultati testov lahko vzdrževalci določijo kriterij poškodbe za različne oblike delovanja. Na podlagi znanja in opazovanja je možno poškodbe napovedati z določeno verjetnostjo. 3.2 INTEGRIRANI SISTEM ZA SPREMLJANJE STANJA NAPRAV Z ANALIZO OLJA Integriran sistem za spremljanje stanja naprav z analizo olja je namenjen spremljanju ter diagnosticiranju stanja mehanskega ter s pomočjo baze znanja določiti ustrezen postopek ukrepanja. Sestavljen je iz: mehanskega sistema in sistema vzorčenja, integriranega sistema analiz, procesiranja podatkov in znanja, baze znanja, diagnostičnega sistema in Ukrepov. Na sliki 3 je prikazana blokovna shema zasnove integriranega sistema za nadzor stanja mehanskega sistema. Slika 3: Zasnova integriranega sistema za nadzor stanja mehanskega sistema 12

13 Integriran sistem Podatke mehanskega sistema ter vzorce vodimo v integriran sistem analiz. Vzorce analiziramo ter jih zapišemo v bazo podatkov. Rezultate analiz nato procesiramo. Pri procesiranju primerjamo podatke analiz z mejnimi vrednostmi, ki so podane v bazi znanja, kar nam določa stanje analize. Na podlagi stanja analiz in baze podatkov lahko postavimo diagnozo mehanskega sistema in maziva ter predpišemo priporočene ukrepe, ki so podani v bazi znanja. S pomočjo integriranega sistema za nadzor stanja naprav z analizo olja lahko določim: stanje maziva (olja), stanje mehanskega sistema, izvor obrabe, preostala življenjska doba olja in mehanskega sistema oziroma elementa mehanskega sistema, ukrepe. Stanja mehanskega sistema in maziva lahko delimo na: Normalno stanje. Označuje stanje maziva in/ali mehanskega sistema, ko so fizikalno kemijske analize in analize delcev v predvidenem (normalnem, dopustnem) delovnem območju. Priporočilo: brez posega. Mejno stanje. Označuje stanje maziva in/ali mehanskega sistema, ko so fizikalno kemijske analize in analize delcev izven normalnega (dopustnega) delovnega območja. Priporočilo: povečanje frekvence vzorčenja. Kritično stanje. Označuje stanje maziva in/ali mehanskega sistema, ko fizikalno kemijske analize in analize delcev kažejo, da je mazivo izven dopustnega delovnega območja in se pojavi problem mazalnih lastnosti maziva in obrabe. Priporočilo: menjava olja in pregled elementov mehanskega sistema. Integrirani sistem je lahko pri takšni zasnovi uporaben za splošne mehanske sisteme. Edini gradnik integriranega sistema, ki je specifičen glede na mehanski sistem ter mazivo je baza znanja, v kateri so shranjena mejne vrednosti analiz ter priporočila oziroma predpisani postopki ukrepanja Integriran sistem analiz V večini primerov je integrirani sistem za spremljanje stanja maziva z analizo olja sestavljen iz analiz, ki: določajo lastnosti olja in merijo kontaminante (trdne in tekoče), določajo obrabne delce v olju ter indicirajo temperaturo. Integrirani sistem analiz lahko tako zajema poljubno število analiz. Običajno se uporabljajo analiza viskoznosti, analiza števila delcev ter analiza obrabnih delcev. 13

14 Vzorčenje 4.0 VZORČENJE Pri analizah olja lahko s shranjevanjem vzorca olja odločilno vplivamo na rezultate analiz (število delcev, spektroskopija, TAN, ), zaradi kontaminacije olja pri shranjevanju. V primeru prisotnosti prahu v okolici, v katerem vzorčimo, moramo preprečiti kontaminacijo olja. Rezultati analize olja so odvisni od vzorca olja. Dober vzorec olja pa dobimo s pravilnim vzorčenjem in pri tem moramo upoštevati: metodo vzorčenja, frekvence vzorčenja, označevanje vzorcev, lokacijo vzorčenja. 4.1 METODE VZORČENJA Pogoj preden olje vzorčimo je segreto in dobro premešano olje. Pri vzorčenju uporabljamo različne metode, ki pa imajo svoje prednosti in slabosti. Primerjava je podana v tabeli 1. Tabela 1: Metode vzorčenja olja [11] Metoda vzorčenja Stopnja zanesljivosti Komentar Igla, rezervoar, pred filtrom Prednost Najbolj učinkovit in zastopan Ventil, pred filtrom Prednost z zadržkom Rizik pri nepropustnosti Pipeta Sprejemljivo Rizik pri kontaminaciji sten pipete Drenažni vzorec Filter Rizik, napačen vzorec Varnostni problem (vroče olje) Rizik, napačen vzorec Verjetnost mirujočega olja Čep Nesprejemljivo Ni zastopan zaradi mirujočega olja Za boljše vzorčenje: Vzorčimo iz sredine rezervoarja, da preprečimo kontaminacijo vzorca zaradi oljnega blata iz dna rezervoarja. Vzorčenje mora biti čisto. Vzorčna steklenička mora biti čista in zaprta. 4.2 FREKVENCA VZORČENJA Vzorčenje mora biti opravljeno v določenih časovnih intervalih in naj bo izvedeno šele, ko sistem doseže delovno temperaturo. To naj bi zagotovilo, da je olje zagotovo premešano in zato naj bi vzorec predstavljal dejansko stanje olja v sistemu. Vzorec 14

15 Vzorčenje olja naj bo vedno vzet iz iste točke v sistemu. Priporočena frekvenca vzorčenja za različne sisteme je podana v tabeli 2. Tabela 2: Priporočena frekvenca vzorčenja [11] Mehanski sistem Ure Mehanski sistem Ure Dizelski stroji teren 150 Prenosi, diferenciali, končni izdelki Menjalniki nizko hitrostni / zanesljivi Ležaji 500 Hidravlika mobilna oprema 200 Letalski motorji Plinske turbine industrija 500 Letalske plinske turbin 100 Parne turbine 500 Letalski menjalniki Zračni/Plinski kompresorji 500 Letalska hidravlika Hladilniki 500 Menjalniki visoko hitrostni/zanesljivi LOKACIJA VZORČENJA Lokacijo vzorčenja ponavadi določimo pred filtrom in za mehanskim sistem, kar prikazuje slika 4 [11]. Slika 4: Mesto vzorčenja Pri kompleksnejših sistemih (slika 5), kjer imamo več različnih mehanskih sistemov vezanih na isti mazalni sistem, pa se poslužujemo metode, ki najprej pred filtrom zazna povečano koncentracijo obrabnih delcev (primarno vzorčenje), nato pa vzorčimo olje neposredno za posameznim mehanskim sistemom (sekundarno vzorčenje) tako, da določimo tisti mehanski sistem, ki je v stanju napredovanja poškodbe. 15

16 Vzorčenje Slika 5: Sekundarno mesto vzorčenja 4.4 OZNAČEVANJE VZORCEV Pri interpretaciji rezultatov moramo podati še podatke o: znamka, tip, serijska številka in starost komponente naprave/stroja, število ur / kilometrov uporabe komponente, število ur / kilometrov uporabe olja, aplikacija stroja oz. delovanje, znamka in tip olja, viskoznost, količina zadnjega dolitega olja, datum vzorčenja. Po navadi laboratoriji zahtevajo še vzorec čistega olja in popravila, ki so bila opravljena na komponenti od zadnjega vzorčenja. Ostale stvari, ki jih lahko še upoštevamo: sestavine, mast, čistila uporabljena pri popravilu, tip filtra. 16

17 Metode za spremljanje stanja 5.0 METODE ZA SPREMLJANJE STANJA MEHANSKEGA SISTEMA Z ANALIZO OLJA IN DELCEV V OLJU 5.1 METODE ZA SPREMLJANJE LASTNOSTI OLJA Nadzor olja vršimo s pomočjo fizikalno - kemijskih analiz olja: viskoznost olja, vsebnost vode v olju, nevtralizacijsko število, spektrografija, vsebnost goriva v olju, vsebnost glikola v olju, test oksidacijske stabilnosti olja (RBOT), vsebnost saj in netopnih snovi v olju Viskoznost olja Viskoznost je parameter, ki ima osnovno vlogo pri mazanju. S temperaturo in tlakom se spreminja tako, da je debelina filma ponavadi proporcionalna viskoznosti. Zato naj bi v osnovi bolj viskozna olja imela boljše lastnosti, ker bi bil mazalni film debelejši in zato bi bilo tudi ločevanje površin boljše. Vendar na žalost ni vedno tako, ker bolj viskozna olja potrebujejo večjo moč za striženje. Posledično so večje izgube moči, ustvari se več toplote, poveča se temperatura kontaktnih površin to pa lahko vodi do poškodbe površine. Poznavanje temperature, pri kateri naj bi olje delovalo, je kritičnega pomena, zaradi velike odvisnosti viskoznosti od temperature. Viskoznost je lastnost tekočin, ko se upirajo gibanju. V kapljevini med pretakanjem drsijo plasti ena ob drugo, pri tem se pojavijo zaradi notranjega trenja strižne napetosti τ, to so sile trenja na enoto površine plasti v smeri gibanja. τ = F S, (En. 1) Strižne napetosti skušajo hitrejšo plast zavreti, počasnejšo pospešiti. Številčno podajamo viskoznost s koeficientom viskoznosti η. Definiramo ga lahko kot razmerje med strižno napetostjo τ in strižno hitrostjo v/x, ki je relativna hitrost dveh paralelnih plasti, oddaljenih med seboj za enoto razdalje. F S = η du, (En. 2) d x Viskoznost je torej lastnost raztopine, ki se odraža, kot odpor proti premikanju dveh sosednjih plasti in je v Newtonovem zakonu proporcionalni faktor strižni napetosti. 17

18 Kinematična viskoznost Metode za spremljanje stanja Kinematična viskoznost je definirana kot razmerje dinamične viskoznosti maziva z njeno gostoto: Kinematična viskoznost (ν)= dinamična viskoznost (η)/gostota(ρ) Metod za merjenje viskoznosti je precej, vendar jih je le nekaj pogosteje v rabi. Le-te odlikuje preprostost in natančnost, prikladne pa so za matematično obdelavo. Za uspešno merjenje je potrebno, da je gibanje tekočine med meritvijo laminarno. Tokovnice se pri takem gibanju ne mešajo oziroma kako drugače prepletajo. Če pa se med gibanjem tekočinske plasti mešajo in nastajajo vrtinci, je gibanje turbulentno. Tedaj preproste zveze ne veljajo več. Med metode, ki izpolnjujejo omenjene zahteve, sodijo naslednje: Pretok skozi kapilaro (ISO 3104, ASTM D 445, DIN [4]): merimo pretok kapljevine skozi kapilaro. Padanje kroglice v kapljevini (DIN [4]): merimo hitrost kroglice, ki pada ali se vali v kapljevini. Rotacijski viskozimetri (ASTM D 4624, ASTM D 2983, ASTM D 2602 [4]): merimo navor valja pri rotaciji v kapljevini. Za merjenje viskoznosti se najbolj uporabljajo kapilarni in rotacijski viskozimetri Vsebnost vode v olju Vsebnost vode v olju označuje količino vode, ki je prisotna v olju. Posledice prisotnosti vode v olju so korozija in oksidacija. Voda zmešana z oljem tvori emulzijo. Emulzija pa ima veliko nižjo nosilnost, kot čisto olje, kar vpliva na poškodbe na delovnih površinah. Na splošno velja, da je zgornja še dopustna vrednost vode: v turbinskih oljih 2000 ppm (0,2%), v hidravličnih pa pod 1000 ppm (0,1%), v dielektričnih sistemih (transformatorska olja) lahko voda povzroči dielektrični razpad, zato ne sme preseči vrednosti 35 ppm. Voda v olju povzroča povečanje obrabe ter prekomerno korozivnost mehanskega sistema in vpliva na topnost aditivov (včasih povzroča obarjanje (izločanje) aditivov iz olja). Obstaja več metod za določevanje kontaminacije olja z vodo: Centifugiranje, Destilacijska metoda (ASTM D6304), Kalorimetrična Karl Fischer metoda (ASTM D1533), Bipotenciometrična Karl Fischer metoda, 18

19 Volumetrična Karl Fischer metoda (ASTM D1744), Dean in Stark metoda (ASTM D95), Kalcij Hidridna metoda. Metode za spremljanje stanja Metode se uporabljajo za določanje proste in kristalno vezane vode v organskih spojinah Nevtralizacijsko število Nova in rabljena olja vsebujejo različne kisline in baze organskega in anorganskega izvora. Nevtralizacijsko število olja je količina kalijevega hidroksida (KOH) v miligramih, potrebna za nevtralizacijo enega grama kislih ali alkalnih spojin v olju [mgkoh/g]. Rezultat zapišemo kot skupno kislinsko število (TAN) za kisla olja in kot skupno bazno število (TBN) za alkalna olja. TAN je parameter vsebnosti kislih spojin v olju, TBN pa parameter za vsebnost baz v olju. TBN se nanaša na olja z alkalnimi aditivi (motorna olja), ki preprečujejo nastanek žveplene kisline v prisotnosti nizko-stopenjskih goriv. TAN se nanaša na večino olj, ki so rahlo kisla. Nevtralizacijsko število odraža stopnjo oksidacije, ki je odvisna od delovne temperature in časa delovanja olja. Obstaja več metod za določevanje nevtralizacijskega števila: Titracija s bipotenciometrično indikacijo, Titracija z barvno indikacijo, Semimikro titracija z barvno indikacijo Spektrografija Spektrografska analiza se uporablja za določevanje prisotnosti kontaminantov v olju in načina obrabe mehanskega sistema. Uporablja se za sledenje delcev (tabela 1) v olju. Pozorni bi morali biti pri povečanju teh delcev v olju, predvsem pri preseganju neke določene (predpisane, mejne vrednosti) meje. Pri mnogih mehanskih sistemih je vsebnost kovin v olju normalno zelo nizka. Ta koncentracija bo z delovnim časom počasi naraščala. Sunkovit porast koncentracij kovin v olju naj bi nakazovalo na povečano obrabno stopnjo in abnormalno delovno stanje mehanskega sistema. Za odkritje tega stanja je nujno potrebno sledenje koncentracij elementov v neki periodi delovnega časa. Metode za spektrografsko analizo so: Atomska emisija. Ta tehnika se uporablja za določevanje (odkrivanje, detekcijo) neorganskih kontaminantov. Slabost je, da ne more zaslediti delce večje od 3 8 µm. Infrardeča analiza. Uporablja se za določevanje (odkrivanje, detekcijo) organskih kontaminantov. Na primer produkt degradacije olja in izčrpanosti aditivov kot je antioksidant. 19

20 Metode za spremljanje stanja Fluorescenca (povzročeno z X žarki). Uporablja se za določevanje (odkrivanje, detekcijo) specifičnih elementov. Uporablja se lahko za odkrivanje sestave večjih delcev, ki so po navadi posledica nenormalne obrabe. X žarki (povzročeni z elektroni). Uporablja se lahko v zvezi z SEM (Scanning Electron Microscope) za identificiranje sestave vsakega delca. Tehnika je precizna, vendar počasna in draga. Emisijska spektrometrija. Deluje na principu, da atomi določene kovine in drugih elementov oddajajo svetlobo pri določeni valovni dolžini, ko so vzbujeni s plamenom. Vzbujalna svetloba je vodena skozi špranjo v spektrometer. Ta svetloba pada na rešetko, se razprši in odbije. Spektrometer je kalibriran s standardnimi vzorci, ki vsebujejo znano količino elementov, ki nas zanimajo. Z vzbujanjem teh standardnih vzorcev lahko tvorimo analitično krivuljo, ki nam da relacijo med intenziteto svetlobe in njeno koncentracijo v fluidu Vsebnost goriva v olju Vsebnost goriva v olju lahko zmanjša viskoznost. S tem se ne moremo zagotoviti potrebno debelino oljnega filma na kritičnih mestih v stroju. Vendar se večina goriva izloči, ko olje doseže stabilno delovno temperaturo. Na primer, pri 100 o C izhlapi približno 50% bencina in pri 150 o C izhlapi 90% bencina. Vsebnost goriva v olja pomembno prispeva k znižanju oksidacijske stabilnosti olja. Delno oksidirane komponente goriva (nepopolno izgorevanje), pri kratkih zagonih, se kondenzirajo v olju in povzročijo povišanje TAN in padec TBN. Ta efekt se lahko včasih pri višjih temperaturah obrne. Vsebnost goriva v olju lahko določimo z: Destilacijska metoda (ASTM D322). Koncentracijo goriva v olju določimo tako, da dodamo vodo in gorivo oddestiliramo. Plinska kromatografija (ASTM D3525). Koncentracijo goriva v olju določimo z metodo plinske kromatografije Vsebnost glikola v olju Pri hladilniku olja lahko pride do puščanja glikola (antifreeze: etilen glikol+voda+aditivi) v olje. Vsebnost glikola v olju večja od 0.5% povzroča značilno blato (brozgo), hitrejšo staranje olja ter korozijo sistema. Vsebnost glikola je lahko določena z metodama: Semikvantitativna (ASTM D2982). Pri tej semikvantitativni metodi določimo koncentracijo glikola (po dodatku reagentov) s kalorimetrično indikacijo (sprememba barve). Plinska kromatografija (ATM D4291). Pri tej kvantitativni metodi določimo koncentracijo glikola s tehniko plinske kromatografije. 20

21 Metode za spremljanje stanja Test oksidacijske stabilnosti olja (RBOT) RBOT je analiza oksidacijske stabilnosti olja in je kratice za oksidacijski test v rotirajoči jeklenki (Rotating Bomb Oxidation Test). Test oksidacijske stabilnosti olja opravimo po naslednji metodi: RBOT (ASTM D 2272). Olje je izpostavljeno visoko obremenitvenim pogojem, ki povzročajo, da se lastnosti olja hitro poslabšajo. Olje, vodo in bakrene opilke vstavimo v testno jeklenko s tlačno merilno celico. Jeklenko napolnimo s kisikom tlaka kpa (6.2 bar) in temperaturo 150 o C, kar povzroči pospešeno oksidacijo olja in zaradi tega porabo kisika, kar povzroči padec tlaka. Število minut do padca tlaka za kpa (1.7 bar) nam pove oksidacijsko stabilnost olja. Daljši je čas, boljša je oksidacijska stabilnost Vsebnost saj in netopnih snovi v olju Če se povečanje netopnih snovi pojavi pri dolgem obratovanju pomeni, da disperzanti ne opravljajo več svoje funkcije, kar ima za posledice odlaganje delcev na ozkih prehodih olja. Pri kratkotrajnih obremenitvah v hladnem stanju (pozimi), kjer je vsebnost vode velika, je lahko vsebnost netopnih snovi še višja (>5%). Pomemben delež netopnih snovi določenih s pentanom najdenih v olju se po dolgotrajnem delovanju (segrevanje olja) zaradi povišanja temperature hitro zmanjša. Vsebnost saj vpliva na viskoznost olja. Pri povečani koncentraciji saj v olju se olje obnaša kot Ne-Newton-ova tekočina. Newton-ova tekočina je tista, pri kateri je tok proporcionalen sili medtem, ko je pri Ne-Newton-ovi tekočini tok odvisen od časa delovanja sile ter od same sile (velikost, smer delovanja). Ne-Newton-ove tekočine so nezaželene, ker je težko zagotoviti, da bo fluid pravilno krožil po sistemu in zagotavljal mazanje vsem komponentam. Sprememba povečanja koncentracije saj v olju se kaže s tvorjenjem gela, ki povzroča mašenje filtrov, tvorjenjem oljnega blata in povečanje obrabnih delcev v olju zaradi strjevanje brozge pri višjih temperaturah. Vsebnost saj in netopnih snovi v olju lahko določimo s: Pentan, toluen metoda (DIN 51452). Vsebnost netopnih snovi v olju dobimo s tehtanjem suhega dela mešanice primernega topila (pentan, toluen) in olja pri centrifugi. Pentan določa celotno količino netopnih snovi v olju, toluen pa anorganski delež. Delež organskih snovi dobimo z razliko celotne količine določene z pentanom in anorganskega deleža določenega s toluenom. Termogravitacijska analiza. Analiza bazira na tehtanju vzorca olja (15 mg), ko je termnično obdelan. Hlapljiv del odvedemo iz vzorca s segrevanjem pri temperaturi 600 o C v dušikovi atmosferi. Pri taki temperaturi dušik nadomestimo z zrakom, ki omogoči oksidacijo vzorca tako, da stabiliziramo maso. Maso saj določimo z razliko mase hlapljivega dela in mase pepela od začetnega vzorca. 21

22 Metode za spremljanje stanja Infrardeča analiza. Pri analizi vodimo žarek infrardeče svetlobe skozi vzorec. Pri tem merimo absorbcijo infrardečega žarka, kar nam v nekem razmerju poda vsebnost saj v olju. Slabost je v temu, da absorbcijo povzročajo tudi oksidacijski in nitracijski produkti v olju. Test madeža. Pri tem testu damo kapljico olja na filtrski papir, ga posušimo in obdelamo v topilu tako, da odstranimo del kemičnih delcev, ki so topljivi. 5.2 METODE ZA SPREMLJANJE DELCEV V OLJU Delce v olju lahko analiziramo (slika 6) kvantitativno in kvalitativno. Količina in velikost delcev, ki predstavljata kvantitativne podatke, povesta stopnjo in intenzivnost obrabe komponente. Kvalitativni podatki pa so morfološki podatki in podatki o kemijski sestavi in karakterizirajo mehanizem obrabe. Slika 6: Analiza obrabnih delcev Kvantitativna analiza delcev v olju Količina generiranih delcev in v nekaterih primerih tudi porazdelitev velikosti delcev lahko spremljamo s pomočjo metod za štetje delcev, ki izkoriščajo različne fizikalne lastnosti za detekcijo delcev. S temi metodami določamo število in porazdelitev velikosti delcev. Številu obrabnih delcev v olju sledimo predvsem v hidravličnih sistemih. Trdi obrabni delci plavajo v rezervoarju, kjer se v odvisnosti od časa mirovanja, veličine in gostote nalagajo v rezervoarju. Drugi delci pa se z oljem premikajo po mazalnem sistemu. Največji del delcev ne pride v kontakt s površinami, ki se mažejo in se gibljejo. Znano je, da večje število delcev v olju povzroča večjo možnost njihovega 22

23 Metode za spremljanje stanja intenzivnega kontakta s kovinskimi površinami, kar pove, da je glede na velikost delcev tako pomembno tudi število delcev v olju. Glede na konstrukcijo elementa, ki se nahaja v kontaktu z oljem se lahko analizira nekaj karakteristični odnosov površin (slika 7): dve paralelni površini, dve cilindrični površini s špranjo, dve konusni površini, dve cilindrični površini brez špranje, drsni ležaj, kotalni ležaj, zobnik. Slika 7: Karakteristični odnosi površin Delci v olju lahko nastopajo, kot: trdi delci v čistem olju, trdi delci, ki so posledica obrabe elementov, delci iz okolice, ki v sistem vstopajo preko tesnilnih elementov, delci pri zgorevanju goriva Magnetni senzorji Magnetni senzorji zaznavajo samo magnetne delce. Delce zbirajo na permanentnem magnetu, hkrati pa dajejo električni signal za štetje delcev. Boljša izvedbe so sposobne ločevati delce različnih velikosti. Magnetni senzorji za zbiranje delcev so zelo razširjeni v industriji. 23

24 Metode za spremljanje stanja Števci delcev Štetje delcev se uporablja za določevanja celotnega števila obrabnih in kontaminiranih delcev v olju. Veliko števcev delcev deluje na indirektni metodi, to je, da uporabljajo fizikalne principe za določevanje števila delcev v olju. Število delcev v olju določimo po naslednjih metodah [9]: Optična (prekinitev svetlobe). Delci, ki so v fluidu (olju), zmanjšajo (reducirajo) intenziteto svetlobnega žarka (slika 8). Po kalibraciji je zmanjšanje intenzitete svetlobe v razmerju z velikostjo delcev. Sistem je preprost in dovolj poceni, da se lahko uporabi za»on line«senzor. o Prednosti: o Slabosti: analiziramo lahko majhne količine vzorca, zazna lahko vse tipe obrabnih delcev. občutljivost na vibracije, problem prisotnosti zraka v vzorcu, problem pri mešanih fluidih in vsebnosti vode, delci lahko blokirajo senzor. Slika 8: Optični senzor 24

25 Metode za spremljanje stanja Distribucijski analizator. Delci se zaznajo z lomom laserske svetlobe. Kot loma je odvisen od velikosti delca. Blokada mreže. Prehod delcev skozi membrano povzroči blokado toka in s tem povečanje tlaka (slika 9). Če je število por membrane znano, potem lahko iz spremembe tlaka določimo število delcev na membrani. o Prednosti: o Slabosti: zazna lahko vsak tip delca (kovinski ali nekovinski), uporaba pri vseh fluidih ali mešanih fluidih, zrak v vzorcu ima manjši vpliv na rezultat. po preizkusu delce ne moremo posebej preučiti, fluidi z zelo slabo možnostjo filtracije lahko povzročijo permanentno blokado. Feromagnetna detekcija. Magnetni in paramagnetni obrabni delci v vzorcu olja so ločeni pod vplivom magnetnega polja. Kreira se indeks, ki je odvisen od celotnega števila delcev v vzorcu. Uporovna (Culter metoda). Pri prehodu fluida skozi odprtino se zaradi delcev v fluidu (vzorcu) spremeni upornost, ki jo z inštrumentom zaznamo (slika 10). Iz spremembe upornosti nato dobimo število delcev. o Prednosti: o Slabosti: Slika 9: Metoda blokade mreže zazna lahko volumen posameznega delca, zazna vse vrste delcev. fluid mora biti električno prevoden. 25

26 Metode za spremljanje stanja»direct Reading«Ferografija. DR Ferografija omogoča, da s pomočjo močnega magnetnega polja ločimo delce, ki jih nato s pomočjo optične metode na določeni površini preštejemo oziroma prikažemo in nato uporabimo za naknadno analizo. Ultrazvočna. Ultrazvočni signal pošljemo skozi fluid in zajemamo odbiti signal (slika 11). Če je fluid»čist«dobimo signal odbit od stene, če pa je fluid»umazan«pa dobimo odbiti signal od delca, ki je v fluidu. o Prednosti: o Slabosti: Slika 10: Uporovna metoda nima omejitve glede na tok, uporaba za vse fluide, zazna vse delce. poda samo celotno koncentracijo in ne število delcev, mehurčki/kapljice so lahko zamenjane za delce. 26

27 Metode za spremljanje stanja Slika 11: Ultrazvočni senzor Induktivna (cenitev magnetnih delcev). Vsebnost magnetnih in paramagnetnih delcev v olju vpliva na magnetne silnice oziroma na magnetni pretok (slika 12). S spremembo magnetnega pretoka dobimo število delcev v olju. o Prednosti: o Slabosti: nima vpliva na tok fluida (vzorca), izolira lahko zračne mehurčke, zazna lahko posamezne velike delce, lahko loči železne in neželezne delce. zazna delce samo manjše od 100 µm, zazna samo kovinske delce. Slika 12: Induktivni senzor 27

28 Metode za spremljanje stanja Obrabna (Fulmer) metoda. Pri tej metodi se meri upornost tankega prevodnega filmskega senzorja, ki je zaradi prisotnosti delcev podvržen obrabi (eroziji) in s tem spreminjanju upornosti (slika 13). o Prednosti: o Slabosti: zazna stopnjo vseh delcev v fluidu, občutljivost na majhne spremembe v stopnji delcev. senzor moramo kalibrirati moramo glede na dan fluid (viskoznost), poda na samo celotno stopnjo delcev. Slika 13: Obrabni senzor 28

29 Metode za spremljanje stanja Za hidravlične fluide lahko uporabljamo naprave, ki so kalibrirane po standardu ISO 4402 oziroma NAS S tem standardom določimo koncentracijski razred za določen fluid. Razredi so podani v tabeli 3 in tabeli 4. Tabela 3: Razredi čistoče hidravličnega olja fluidov po standardu NAS 1638 Razred čistoče 5 15 µm µm Velikostni razredi delcev µm µm > µm Razredi ISO / / / / / / / / / / / / / 18 Sistem klasifikacije čistoče olja po ISO 4406 Koda X 1 / X 2 / X 3 X 1 Koda števila delcev večjih od >2 µm na 100 ml olja, X 2 Koda števila delcev večjih od >5 µm na 100 ml olja, X 3 Koda števila delcev večjih od >15 µm na 100 ml olja. 29

30 Metode za spremljanje stanja Tabela 4: Sistem klasifikacije čistoče olja po ISO 4406 Koda X Število delcev na 100 ml Koda X Število delcev na 100 ml k 8 k k 16 k k 32 k k 64 k k 130 k k 250 k k 500 k k 1000 k M 2 M M 4 M M 8 M M 16 M 11 1 k 2 k M 32 M 12 2 k 4 k M 64 M 1 k = 1000 delcev 1M = delcev DR Ferografija DR ferografija je kombinacija optične in magnetne metode. Uporablja se za določanje parametra koncentracije obrabnih delcev in s tem za oceno stanja obrabe. Povečanje parametra koncentracije obrabnih delcev nad kritično mejo zahteva izdelavo ferograma in njegovo analizo pod mikroskopom. DR ferografija meri koncentracijo obrabnih delcev v mazalnem olju ali hidravličnem fluidu. Vrednotenje Vrednost velikih delcev označujemo z oznako D L, vrednost majhnih delcev pa z oznako D s. Ker se obe vrednosti z obratovanjem sistema spreminjata, sta funkciji časa. Pri normalni obrabi je njuno medsebojno razmerje približno konstantno. V primeru nastanka inicialne poškodbe se vrednost D L začne povečevati hitreje, kot vrednost D s. 30

31 Metode za spremljanje stanja Časovno odvisnost spremljamo z indeksom intenzivnosti obrabe WPC: WPC = D L + D S, (En. 3) Za sisteme, ki so prešli v fazo utekanja, pomeni naglo povečevanje indeksa WPC pojav inicialne poškodbe. Sprememba srednje vrednosti WPC za vrednost standardnega odklona je prva opozorilna meja, povečanje za dvakratno vrednost standardnega odklona pa predstavlja kritično mejo (slika 14). Presežek kritične meje zahteva izdelavo ferograma in njegovo analizo pod mikroskopom. Standardni odklon določimo po enačbi 4. Vrednost X i označuje vrednost WPC ja vzorca i, vrednost Xˆ označuje srednjo vrednost WPC ja predhodnih vzorčenj in n označuje število vzorčen. Če vrednost WPC ja prestopi kritično mejo se to vrednost pri izračunu kritične in opozorilne meje oziroma pri izračunu standardnega odklona ne upošteva. Standardni odklon: Slika 14: Indeks intenzivnosti obrabe - WPC σ = 1 n 1 i= 1 n ( X i Xˆ ), (En. 4) Opozorilna meja: Opozorilna = WPC + σ, (En. 5) Kritična meja: Kriticna = WPC + 2 σ. (En. 6) 31

32 Metode za spremljanje stanja Začetek nenormalnega delovanja sistema nazorno ponazori tudi izris kumulativne vsote vsote (D L +D S )in kumulativne vsote razlike (D L -D S ) izmerjenih vrednosti (slika 15). Začetek inicialne poškodbe oziroma presežek kritične meje se pokaže kot oster prelom obeh krivulj. Slika 15: Kumulativna vsota Procent velikih delcev (PLP) v olju dobimo po enačbi: DL DS PLP = 100. (En. 7) D + D L S Slika 16 prikazuje graf PLP-ja. Graf je sestavljen iz pravokotnikov, ki označujejo procent velikih delcev v olju pri času vzorčenja. Povečana vsebnost velikih delcev v olju nam označuje povečano obrabo mehanskih komponent. Slika 16: Graf PLP 32

33 Metode za spremljanje stanja Kvalitativna analiza delcev v olju Analitična Ferografija Analitične ferografije se poslužujemo, ko z določanjem trenda koncentracije obrabnih delcev zaznamo stanje nenormalnega obratovalnega sistema. Analitična ferografija proučuje vzorec obrabe. Cilj je natančnost, težavnost in identifikacija potencialnega strojnega problema. Pri analizi ferogramov pod bikromatskim mikroskopom lahko določimo: vrsto delcev in mehanizem obrabe, izvor delcev, stopnjo obrabe v sistemu. Naprava za izdelavo ferograma Ferogram se imenuje posebna steklena ploščica, na katero so adhezijsko vezani in po velikosti urejeni netopni delci iz maziva (slika 17). Na zgornjo površino steklene ploščice, ki je postavljena pod določenim naklonskim kotom, črpalka dovaja raztopino vzorca olja in topila. Na površini steklene ploščice je v graviran rob, po katerem teče raztopina do zbiralnika na dnu. Pod vplivom magnetnega polja, ki obdaja tok tekočine, se magnetni delci iz maziva razporedijo v smeri magnetnih silnic pravokotno na tok tekočine. Zaradi magnetnega polja nastane selektivna razporeditev magnetnih delcev. Veliki delci ostanejo na vrhu ferograma, proti dnu pa sledijo vedno manjši delci. Porazdelitev delcev po velikost olajša analizo, saj manjši delci ne prekrivajo večjih, zato tudi ne ovirajo opazovanja. Natančna analiza velikih delcev je pomembna, saj se povečana stopnja obrabe kaže ravno v naraščanju velikosti obrabnih delcev. Nemagnetni delci se na ferogramu razporedijo povsem naključno tako po velikosti, kot po legi in zato ne ležijo v smeri magnetnih silnic. Nanje deluje le sila gravitacije, veliko močnejša magnetna sila pa na njihovo razporeditev nima vpliva. Na koncu izdelave ferograma se preostalo olje na ploščici izpere s posebnim topilom fiksirjem, ki hkrati tudi adhezijsko veže delce iz maziva na podlago. Na ferogramu določamo: velikost delcev, obliko delcev, koncentracijo delcev ter, material delcev (s pomočjo barve). 33

34 Metode za spremljanje stanja Slika 17: Ferogram Filtergrafija Filtergram metoda ali analiza obrabnih delcev s filtergram-om izloči iz vzorca s pomočjo celulozno nitratnega filtra delce, ki so večji, kot so pore v filtru (ponavadi 3µm). Naslednji korak je odstranitev olja s filtra s pomočjo topila tako, da na filtru ostanejo samo delci (kontaminanti). Nato membrano pritrdimo in jo segrevamo 10 minut pri temperaturi 90 o C. S tem postane membrana prozorna tako, da lahko delce preučimo pod svetlobnim mikroskopom. Prozornost membrane nam omogoča, da lahko uporabimo tako svetlobo, ki jo prepušča membrana, kakor tudi odbito svetlobo. V primerjavi s ferografijo ima filtergram metoda tri značilne karakteristike[2]: Omogoča zajemanje vseh delcev, ki so večji od por filtra. Zaradi magnetnega izločevanja elementov je ferogramska metoda specifično narejena za železne obrabne delce in je predvsem slaba v zaznavanju neželeznih in nekovinskih obrabnih delcev. Magnetno izločevanje omogoča nekaterim»paramagnetnim«delcem, kot so baker in medenina, da so izločeni, vendar ne v pravem razmerju, kakor jih najdemo v vzorcu. Bela kovina, aluminij in krom so še redkeje najdeni na ferogramu, pa čeprav so prisotni v veliki količini v vzorcu olja. Zaradi tega razloga je uporaba ferografije omejena na mehanske sisteme, ki imajo kritične oziroma vitalne dele iz železnih materialov. Tabela 5 prikazuje različna uspeha zbiranja obrabnih delcev iz bakrene zlitine. 34

35 Metode za spremljanje stanja Tabela 5: Učinkovitost zbiranja bakrenih obrabnih delce z obema metodama [2] Velikost delcev [µm] Filtergram Ferografija Razmerje [%] > Omogoča večjo učinkovitost zbiranja večjih obrabnih delcev. Zaradi priprave vzorca pri ferografiji pride do zatikanja večjih delcev v vzorčni tubi tako, da število velikih delcev ni pravilno predstavljeno. Pri filtergrafiji pa je velikost števila delcev, ki jih kasneje analiziramo omejena samo navzdol z velikostjo por. Primer: Pri analizi s filtergrafijo so našli 67 velikih delce, od katerih je bilo 52 obrabnih delcev, medtem ko je ferogramska analiza pokazala, da ni nobenega delca večjega od 200 µm. Omogoča večjo zanesljivost preučevanja velikostne porazdelitve in morfoloških lastnosti obrabnih delcev. Pri ferografiji pride pri kreiranju ferograma do prekrivanja delcev, kar ima negativen učinek pri nadaljnji morfološki analizi, medtem ko pri se pri filtergrafiji verjetnost prekrivanja precej zmanjša zaradi veliko večje vzorčne površine. S tem dobimo boljše oziroma zanesljivejše morfološke podatke. 35

36 Metode za diagnosticiranje 6.0 METODE ZA DIAGNOSTICIRANJE Cilj diagnosticiranja je postaviti oceno stanja mehanskega sistema. Da pridemo do te ocene, moramo vhodne podatke (viskoznost, vsebnost vode, TAN,.) pravilno predstaviti in jih interpretirati. Za pravilno predstavitev ponavadi poskrbi računalniška aplikacija, ki nam številčno in grafično prikaže časovni potek analize. Ker pa s samim potekom analize še vedno nimamo oceno stanja, potrebujemo določen program oziroma algoritem, ki nam bo posamezne analize združil in nam na podlagi teh analiz podal oceno stanja mehanskega sistema. Te algoritme lahko imenujemo tudi metode, s katerimi postavimo diagnozo sistema oziroma metode za diagnosticiranje. V splošnem velja, da nam metode za diagnosticiranje podajo oceno stanja sistema glede na dane razpoložljive podatke. Te metode so: Vizualno ocenjevanje, Ekspertni sistem, Statistika, Nevronske mreže, Mehka ali fuzzy logika, Hierarhično razvrščanje, Bayesian razvrščanje,. 6.1 VIZUALNO OCENJEVANJE Subjektivna analiza je narejena, ko človeški ocenjevalec oziroma razvrščevalec rezultatov, opravi vizualen pregled rezultatov fizikalno kemijske analize ter analize obrabnih delcev in na podlagi svojih predhodnih izkušenj in znanja poda oceno stanja maziva in mehanskega sistema. Vizualno ocenjevanje je ponavadi dokaj zanesljivo, predvsem zaradi človeškega razvijanja vizualnega zaznavanja, namenjenega za določeno nalogo. Zmožni smo manipulirati z vidnimi predstavami (slikami), interpolirati manjkajoče detajle in uporabljati majhne vizualne namige za spreminjanje razlage (interpretacije) slik. Na žalost pa ima takšen način ocenjevanja dve slabosti: zahteva obsežno znanje eksperta in ocena analize je preveč subjektivna. 36

37 Metode za diagnosticiranje 6.2 EKSPERTNI SISTEM Definicija: Ekspertni sistem = baza znanja + mehanizem sklepanja Ekspertni sistem je računalniška aplikacija, ki opravlja naloge, ki bi jih opravljal človek ekspert. Ekspertni sistemi niso narejeni zato, da bi nadomestili človeka na enem področju, ampak da asistirajo oziroma pomagajo tako ekspertnim kakor tudi navadnim uporabnikom sprejeti določene včasih ključne odločitve. Pod mehanizem sklepanja (inference engine) razumemo del ekspertnega sistema, ki s pomočjo baze znanja (pravila, definicije, logične relacije, tabele, formule, vprašanja uporabniku,..) privede postavljeni problem do končne rešitve. Oba dela, baza znanja in mehanizem sklepanja, sta navadno ločena drug od drugega tako, da lahko bazo znanja čimbolj nemoteno izpopolnjujemo, dopolnjujemo in popravljamo, ne da bi pri tem spreminjali drugi del. Ne glede na velikost ali obseg podatkovne baze in pretanjenost mehanizma sklepanja lahko rečemo, da so, gledano z uporabnikovega stališča, le rezultati tisti, ki odločajo, ali je sistem»ekspertni«ali ne. Žal je zelo težko opredeliti enotne standarde, s katerimi bi merili (primerjali) kvaliteto različnih ekspertnih sistemov. To velja še posebej za sisteme, ki delujejo na različnih področjih. Danes poznamo ekspertne sisteme, ki: igrajo šah, napovedujejo vreme, postavljajo medicinske, ekonomske in sociološke diagnoze, simulirajo in rešujejo krizne položaje v nuklearnih elektrarnah, na podmornicah, letalih in vrtalnih ploščadih, razpoznavajo določene glasove in izgovorjene besede, z roko napisane črke, slabe izdelke na tekočih trakovih, določanje kemijske strukture neznanih spojin, izbira najugodnejšo konfiguracijo računalniškega sistema, poišče relevantne dokumente (ali dele tekstov) iz velike množice dokumentov. Vsem ekspertnim sistemom je skupno, da so narejeni za reševanje točno določenega problema, na primer za igranje šaha, določanje kemijskih struktur, itd. Stično točko vseh ekspertnih sistemov opišemo v izrazoslovju umetne inteligence s trditvijo, da mora sistem v problemskem prostoru (prostor, kjer rešuje dano nalogo) poznati vsa (ali vsaj bistvena) možna stanja, jih glede na dano situacijo oceniti in ustrezno ukrepati. Da je sistem kos tej nalogi, potrebuje znanje. Znanje je v ekspertni sistem lahko vgrajeno na mnogo različnih načinov. 37

38 Metode za diagnosticiranje Še boljše od tega, da zna sistem znanje uporabljati je, da se je sistem sposoben samostojno ali ob pomoči pravega eksperta (na)učiti novih dejstev in zakonitosti. Pomembno je tudi, da ekspertni sistem opozori na obstoj zanj nerešljive situacije in zahteva od uporabnika pojasnilo oziroma navodilo, kako naj nadaljuje. V najboljšem primeru pa ekspertni sistemi tak odgovor ohranijo (v primerni obliki) s tem, da ga vgradijo v bazo znanja in ga pri nadaljevanju že lahko uporabljajo. Podobno kot živi eksperti se tudi računalniško zastavljeni ekspertni sistemi ves čas izpopolnjujejo in razvijajo. Osnovni podatki, ki jih moramo pri gradnji ekspertnega sistema poznati, so: opis vseh možnih stanj, ki jih mora ekspertni sistem obvladovati, vsi možni odgovori na poljubno stanje, kriterij za ovrednotenje stanja, način/i, kako pri poljubnem stanju določiti optimalni odgovor, kriterij za vrednotenje odgovorov Cilji ekspertnega sistema Glavna naloga ekspertnega sistema je določiti pot in vmesna stanja med danim začetnim in iskanim končnim stanjem, Končno stanje je tisto, ki je za uporabnika najugodnejše, najustreznejše, najbolj pravilno, najbolj poučno itd. Cilji različnih ekspertnih sistemov so seveda različni, pri veliko sistemih je glavni namen poiskati v»prostoru rešitev«stanje, ki najbolj ustrezajo oziroma najbolj izpolnjujejo zahteve, izražene v začetnem stanju. V to vrsto sodi večina: diagnostičnih programov, identifikacij kemijskih struktur na osnovi različnih spektrov, napovedovanje vremena, prevajanje tekstov, razpoznavanje najrazličnejših objektov, inteligentno iskanje in podobno. Cilj je lahko tudi odkrita pot, ki vodi od začetnega stanja do končnega rezultata. Pri takih problemih običajno poznamo začetno in končno stanje, ne vemo pa, po kakšnih vmesnih stopnjah bi od prvega prišli k drugemu. V to vrsto sodi: večine sistemov, ki igrajo igre šah, backgammon ali kako drugo igro, kemijski sistemi za iskanje poti (možne kemijske reakcije) do ciljnih snovi iz spojin, ki jih imamo na zalogi, sistemi za določanje optimalnih konfiguracij opreme, najrazličnejša planiranja in podobno. 38

39 Metode za diagnosticiranje Cilj ekspertnega sistema je lahko tudi generacija čim večjega števila (ali vseh) možnih stanj nekega podprostora, ki ga definiramo s problemom Učenje Znanje je neobhodno potrebno v vsakem ekspertnem sistemu, lahko celo rečemo, da je to najpomembnejši del ekspertnega sistema. Znanje vgrajujemo v ekspertne sisteme na več načinov. Najenostavnejši je prenos obstoječega znanja v eni od naslednjih oblik: znana dejstva (konstante,..), matematične formule (y=ax 2 bx+c), tabela podatkov, opisi predstavnikov (opis črke»a«ali spektralnih značilnosti), logična pravila (če je izpolnjen pogoj, potem sledi akcija), hevristična pravila, procedure (algoritmi) za kompleksne rešitve podproblemov. Dejstva, formule, tabele, logična pravila in procedure so dokaj znane oblike znanja, hevristična ali izkustvena pravila pa zahtevajo nekaj več pojasnil. Hevristična pravila uporabimo takrat, ko do rešitve problema z ostalimi oblikami znanja in postopkov (formulami, tabelami, logičnimi pravili,..) ne moremo priti. Za hevristična pravila je značilno, da sicer velikokrat drže, lahko pa se zgodi, da tudi ne. Pri načrtovanju ekspertnega sistema moramo obravnavati hevristična pravila, kot prava pravila in vzeti v zakup njihovo netočnost, kot prispevek k celotni nezanesljivosti napovedi. Zelo dobro je imeti na voljo več hevrističnih pravil za isto stanje, oziroma imeti možnost, da pridemo do želenega odgovora po več poteh (dobiti oceno stanja iz več zornih kotov). S hevrističnimi pravili navadno pokrivamo»luknje«v formalnem znanju, ko problemov ne zmoremo več rešiti analitično ali procedualno s pomočjo logičnih pravil. Ekspertni sistem, naj bi pokrival čim večje problemske prostore z zelo različnimi stanji, kar zahteva na drugi strani reševanje različne pristope. Pogosto, zlasti na mejnih področjih med dvema ali celo več pristopi, se je potrebno odločati za pravilnega»po občutku«, ki ga živi organizem ima, v računalnik pa ga je treba vgraditi. V takih primerih je uporaba hevrističnih pravil navadno edina možnost. Hevristična pravila uporabljajo tudi pravi eksperti in, kar je najbolj zanimivo velikokrat sami ne znajo pojasniti ali natanko opisati postopka in/ali dejavnikov, na podlagi katerih so prišli do odločitve. 39

40 Metode za diagnosticiranje Torej kot smo že omenili imamo: En način učenja ekspertnih sistemov z vgrajevanjem znanja (enačbe, tabele, pravila,...). Tak način učenja je po navadi dokaj kompleksen, saj zahteva sodelovanje pravih ekspertov, programiranje ustreznih vnosov, predvsem pa je tako»nabiranje«znanja mnogo dolgotrajnejše od samega zapisovanja ali registriranja podatkov. Po Feigenbaumu, enem od očetov raziskav na področju umetne inteligence, imenujemo vgrajevanje znanja na opisan način»feigenbaumovo ozko grlo«. Drug način pa je vgrajevanje»samoučečih mehanizmov«v ekspertni sistem. S tem mislimo na avtomatično izpopolnjevanje obstoječega znanja z novim: podlaga učenja naj bi bila dobra zbirka obstoječega znanja (ki se seveda med reševanjem različnih problemov veča), mehanizmi, ki odkrivajo nove povezave med informacijami v obstoječi bazi in novo prihajajočimi (ali ponovno pregledovanimi podatki) in nasveti učitelja eksperta, ki pojasnjuje odkrite povezave. Sistem mora biti zmožen pregledovanja podatka iz različnih vidikov: najti moramo podobnosti med»vzorci«, grupami, razredi ali kako drugače zbranimi skupinami podatkov in identificirati tako znane, kot tudi neznane povezave med njimi. Predvsem je pomembno, da lahko sistem odkrije tako imenovane»izjeme«in nanje opozori eksperta. Ta mora s pravilno interpretacijo izjeme podate take informacije, da se izjema uspešno vklopi v reševanje problema. Sistem s tem pridobi znanje, predvsem pa razširi področje svojega delovanja. Vklapljanje odkritega izjemnega dogodka ali vzorca v že obstoječe znanje ekspertnega sistema lahko pomeni vgraditev popolnoma nove možnosti oziroma pot do rešitve, lahko pa le majhno spremembo ali prireditev nekega parametra. Najbolje je, če je ekspertni sistem zasnovan tako, da se lahko samostojno prilagaja izjemam, ki jih odkriva, in to le na podlagi ekspertove dodatne informacije (ne pa s spremembami ali dopolnitvami postopkov). Možno je celo, da izjemnega vzorca tudi pravi ekspert ne zna razložiti. V takih primerih je navadno najbolje poizkusiti rešiti čim več zelo podobnih problemov, s tem privesti sistem v podobna izjemna stanja in na podlagi večje množice ugotoviti smernice za pravilno reševanje. S časom naj bi bilo izjemnih situacij vedno manj, saj bi lahko večino primerov reševali na podlagi že»videnih«primerov. Skratka, učenje na primerih (asociativno učenje) je bolj zaželeno, kot pa učenje na podlagi pravil Komunikacija med uporabnikom in sistemom Prav zato, ker neposreden in nevezan pogovor med človekom in računalnikom še dolgo ne bo na sprejemljivi ravni, pa je čim boljši in čimbolj prilagodljiv način»pogovora«oziroma, bolje rečeno, sporočanja podatkov drug drugemu še kako pomembno. Osnovna želja vsake skupine, ki načrtuje in gradi ekspertni sistem je, da bi ta dajal čim uporabnejše odgovore in seveda, da bi ga uporabljalo čim več ljudi, ki jim je namenjen. Ker se mora večina ekspertnih sistemov posebno v začetku s»učiti«40

41 Metode za diagnosticiranje in si nabirati znanje, je zelo pomembno, da ga tisti, ki jim je sistem namenjen, pričnejo uporabljati že med gradnjo. Šele njihovi nasveti in opažanja lahko dajo načrtovalcu najbolj iskane in kvalitetne podatke. Ker pa je izdelava dobrega dialoga med uporabnikom in sistemom navadno nekje pri koncu prednostnega seznama opravil, dobijo uporabniki v začetku pogosto kar dvojno slab vtis: težave s prevajanjem in razumevanjem komunikacije rezultati niso najboljši oziroma taki, kot bi si jih želeli. Slabi rezultati so lahko tudi posledica ne samo nizkega začetnega nivoja znanja, ampak tudi nesporazuma med uporabnikom in ekspertnim sistemom. Zato je jasno, zakaj so med kritiki ekspertnih sistemom navadno uporabniki, torej tisti, ki jim je sistem namenjen. Eden najpogostejših vzrokov, ki se skrivajo za kritikami (čeprav večinoma to ni povedano naravnost), je prav slaba komunikacija med uporabnikom in sistemom. Da pogovor med uporabnikom in računalnikom dobro zasnujemo, je treba imeti popolnoma jasno sliko o namenu in delovanju ekspertnega sistema. Prva zahteva dobre komunikacije je ta, da omogoča čim enostavnejši vnos različnih vrst podatkov (posameznih števil, tekste, slik, podatkov iz inštrumentov) in njihovo hranjenje za kasnejši pregled ali ponovitev. Poleg tega mora biti sistem v vsakem trenutku na voljo z različnimi pojasnili in preprostimi primeri, ki uporabniku omogočijo čim pravilnejši opis njegovih želja in zahtev. Ne smemo pozabiti, da so glavni uporabniki ekspertnih sistemov tisti, ki sami niso eksperti na izbranem področju in torej niso vešči izrazoslovja, formuliranja vprašanj, ocene odgovorov in podobnih kritičnih dejavnikov, s katerimi ekspertni sistem ravna. Zaradi tega so psihološko zasnovana pomoč, primeri in navodila za uporabo, veliko večjega pomena za uspeh ekspertnega sistema, kot to prizna večina snovalcev in graditeljev ekspertnih sistemov. 6.3 STATISTIČNE METODE Tehniški opis narave sloni na merjenih. S primerjanjem rezultatov meritev lahko ocenimo ali je nek predmet ali pojav enak drugemu, kar je podlaga za nadzor izdelkov in delovnih procesov. Stanje narave (mehanskega sistema) običajno opišemo z različnimi meritvami, potek pojava pa z zaporedjem enakih meritev. Med pojavi so nekateri ponovljivi. Zanje je značilno, da se pri ponovitvah pojava ujemajo vsi rezultati zaporednih meritev, kakor hitro se ujemajo rezultati meritev v začetnem stanju. Takšne pojave opisujemo z determinističnimi naravnimi zakoni, ki so funkcijske zveze med rezultati meritev. Vsi naravni pojavi pa niso ponovljivi. Značilen primer neponovljivega pojava je prosti pad drevesnega lista v mirujočem zraku. Čeprav spuščamo list z določene višine vedno enako, ubira pri ponovitvah poskusa splošno različne poti. Širina področja, kamor list pada, narašča z višino oziroma s časom padanja. Dokler je ta širina manjša od napake, ki jo naredimo pri merjenju lege je gibanje podobno determinističnemu, ko pa preraste njena vrednost rezultata poskusa ne moremo več 41

42 Metode za diagnosticiranje napovedati. Zato pravimo, da je gibanje kaotično, prehod iz začetnega v končno stanje pa naključen. Očitno je kaotično gibanje lista posledica naključno spremenljivih vplivov zraka, ki se pri ponovljenih preizkusih razlikujejo. Različen prehod iz začetnega v končno stanje opazimo v vseh primerih, kjer učinek nezaznavno majhnih vplivom z razvojem gibanja narašča [13]. Statistika se pri ocenjevanju stanja mehanskega sistema ter maziva uporablja predvsem na podlagi predhodnih rezultatov, ki so dobljeni v enakih oziroma zelo podobnih pogojih. Glede na predhodne podatke, se lahko izračunajo statistične spremenljivke (srednja vrednost, standardni odklon,..) analiz in s tem določimo oceno stanja mehanskega sistema ter maziva. 6.4 NEVRONSKE MREŽE Metoda nevronskih mrež je učenje s pomočjo računalniško simuliranih nevronskih mrež. S simuliranjem nevronskih mrež so naredili že nekaj precej uspešno učečih se sistemov. Ko bodo v splošni uporabi tudi specializirana nevronska vezja (hardwired neurons), s katerimi bo mogoče premagati trenutno najslabšo lastnost počasnost pri učenju, igrale računalniške nevronske mreže pomembno vlogo pri učenju, shranjevanju in urejanju znanja, pri napovedih in pri odločanju v ekspertnih sistemih. Računalniške nevronske mreže skušajo v bistvu posnemati organizacijo bioloških nevronskih mrež. Osnovni gradniki prave nevronske mreže je živčna celica nevron. Velika zmogljivost in prilagodljivost nevronskih mrež za reševanje najrazličnejših problemov praktično ni odvisna od delovanja posameznih nevronov, pač pa od delovanja celote, torej od urejenosti, organiziranosti in prepletenosti posameznih signalov in nevronov med seboj. Podobno, kot ne poznamo delovanje možganov (vseh procesov, notranjih povezav in dejanskega pretoka informacij), tudi delovanje nevronov ne poznamo do podrobnosti. Če želimo narediti vsaj približno uspešne računalniške simulacije, se moramo omejiti na bistvena spoznanja. Pri presoji o tem, kaj je na nivoju nevronov bistveno za delovanje možganov in za uspešno izbiro ustreznih modelov, je nujno upoštevati fiziološke in časovne omejitve, ki so jim izpostavljeni živi organizmi. Zelo zgovorna je primerjava hitrosti obdelave podatkov v računalnikih in nevronih na eni ter kvaliteta obdelave pri obeh procesih na drugi strani. Medtem, ko računalnik prekaša možgane pri hitrosti za faktor 10 6 (nanosekunde 10-9 v primerjavi z milisekundami 10-3 ), je kvaliteta teh obdelav v možganih (seveda le pri določeni vrsti problemov) neprimerno hitrejša celo v primerjavi z najmočnejšimi računalniki. Samo primer: človeški možgani so sposobni v desetinki sekunde prepoznati poljuben obraz izmed tisoč možnih oziroma znanih. S časovno omejitvijo ene desetinke sekunde je izbira modela delovanja možganov (ali bolje nevronskih povezav) precej omejena. 42

43 Očitni sta dve ugotovitvi: Metode za diagnosticiranje vpeljano je t.i. pravilo»stotih korakov«, po katerem se mora vse, kar se v možganih zgodi, izvršiti v procesu, ki ne sme biti daljši od nekaj sto zaporednih»dogodkov«in obdelovanje podatkov mora biti praviloma vzporedno izvedeno (parallel processing). Pravilo stotih korakov prihaja iz preprostega povezovanja obeh zgoraj navedenih dejstev, da se lahko v eni desetinki sekunde opravi le 100 milisekundnih prenosov po nevronih. Glede na dejstvo, da se v 100 zaporednih prenosnih signalov ne da narediti kdove kako zapletenih podatkovnih transformacij, mora biti paralelnost obdelav v primerjavi z zaporednimi uporabljena najmanj v razmerju ena proti milijon. S takim razmerjem lahko možgani izenačijo prednost, ki jo imajo računalniki zaradi svoje hitrosti (nanosekunde v primerjavi z milisekundami). Glede na kvaliteto obdelav v možganih pa mora biti to razmerje še precej večje. Iz omenjenega vidika je povsem sprejemljiva hipoteza, da mora pri vsaki zavestni razpravi v možganih sodelovati vsaj nekaj stotin milijonov nevronov, verjetno pa še precej več. Naslednji fiziološki podatek, ki zoži izbor modelov, je dejstvo, da je delovanje posameznih nevronov, torej nevronov kot celic pri vseh živalih, od najpreprostejših do vretenčarjev v bistvu skoraj povsem enako. Seveda obstajajo manjše razlike, vendar so v primerjavi s podrobnostmi zanemarljive. S tem vzamemo na znanje, da je bistvo delovanja možganov skrito v povezavah med nevroni, torej v številu in načinu povezav na druge nevrone ter v zmožnosti spreminjanja signalov (blokiranje, prevajanje in skaliranje) na sinapsah, torej na mestih med nevroni, kjer se signali prevajajo. Osnovne ideje modela nevrona so znane že 60 let, a z njimi ni bilo mogoče prodreti, ker ni dajal ustreznih rezultatov. Šele Hopfieldova idej o nelinearnosti nevronskega odgovora (leta 1982), ki se je sijajno ujela z nekaterimi drugimi raziskavami na tem področju, predvsem z deli finskega raziskovalca T. Kohonena, je pospešila ponovni prodor metode. Ko pa je leta 1986 D. Rumelhart s sodelavci objavil tako imenovan model nadzorovanega učenja z»vzvratnim širjenjem napake«(error back-propagation), se je uporaba nevronskih mrež pričela bliskovito širiti na vsa področja sodobne znanosti. Z nevronskimi mrežami lahko simuliramo: Nenadzorovano učenje (unsupervised). Kohonenov algoritem za nenadzorovano učenje nevronskih mrež. Mreži nevronov se prepusti, da z neprestanim ponavljanjem učnih signalov stabilizira sama sebe. Ocenjevano učenje. Ocenjevano učenje se imenuje učenje, ki ne zahteva poznavanja pravilnega izhoda mreže in tarče. V tem primeru preslikave, ki jo mora opravljati mreža, ne določimo natančno, ampak le približno. Med učenjem mrežo usmerjamo s pomočjo ocen. 43

44 Metode za diagnosticiranje Nadzorovano učenje ali vsiljevanje (supervised learning). Algoritem za učenje z vzvratnim širjenjem napake: nevronski mreži toliko časa vsiljujemo želeni odgovor, da se na njega»navadi« Računalniški nevron, pretvorbena funkcija in nevronska mreža Nevronska mreža je množica preprostih, med seboj povezanih elektronskih enot (računalniških»nevronov«), ki vsa opravljajo natanko enak niz računskih operacij. Cilj teh računalniških operacij je določiti, ali bo»nevron«glede na vhodne signale, ki jih sprejme, oddal izhodni signal ali ne in, če ga bo oddal, kako velik bo. Pridevnik nevronski pri izrazu»nevronska mreža«poudarja podobnost med delovanjem osnovnih enot (računalniških»nevronov«) in nevronov osnovne živčne celice. Primerjava med pravim in računalniško simuliranim nevronom je podana v tabeli 6. Tabela 6: Primerjava med pravim in računalniško simuliranim nevronom Pravi nevron Računalniški nevron Vhod Veliko število dendridov Veliko število vhodnih linij. oblika vhoda Pulz s frekvenco»a«realno število z velikostjo»a«vstop v nevron Preko sinapse, ki pulz spremeni Množenje števila»a«z utežjo»w«. Sprememba vhodnih pogojev Vpliv sinaps na pulz se spreminja s časom, s pulzi, ki prihajajo, glede na okolico in glede na predhodne pulze. Uteži se spreminjajo glede na želeno reakcijo signala s pomočjo povratnih zank, ki upoštevajo tudi okolico in predhodne učinke. Signal v nevronu Če integralni učinek vseh vhodnih signalov, preseže neko mejno vrednost se v nevronu sproži pulz. Izračun»utežne vsote«vhodnih signalov in glede na neko mejno vrednost se izračuna izhodni signal, ki ni linearno odvisen od»utežne vsote«. Prenos po aksonu Izhod signala se prenese na celo množico dendridov naslednjih nevronov Izhodni signal se prenese na vhode»nevronov«v naslednji plasti. Po dendridih prihajajo signali iz okoliških nevronov. Glede na intenziteto vseh signalov, ki jih nevronska celica v določenem času sprejme, in glede na»stanje«, v katerim s nahaja, lahko posamezen nevron odda nek izhodni signal ali pa tudi ne. 44

45 Metode za diagnosticiranje Slika 18 prikazuje računalniški ekvivalent nevrona, ki je predstavljen s krogom, puščice zgoraj so vhodni signali iz drugih nevronov, izhodni signal pa je rezultat preproste računalniške operacije. Vhodni signal X v nevronsko mrežo je praviloma mnogo-dimenzionalen. Vhodni dražljaji ali signal je lahko: slika, beseda, spekter, diagnoza, analiza, itd. ter ga lahko zapišemo na znani način: X=(x 1, x 2, x 3,... x i,... x m ). Recimo, da pride celotni dražljaj X, ki je sestavljen iz m komponent, na nevron»j«. Vsaka komponenta x i dražljaja X vstopi preko sinapse i, ki je opisana z utežjo w ij. Izračunati (simulirati) moramo izhodni impulz y i. Ta operacija je običajno seštevanje, ki mu sledi nelinearna pretvorba (transformacija). Slika 18: Primerjava med nevronsko celico v živem organizmu in računalniško simuliranim nevronom. 45

46 Metode za diagnosticiranje Podobnost med pravim nevronom in računalniško enoto, ki jo imenujemo»nevron«, je seveda zelo groba. V prvi vrsti se je treba zavedati, da ne poznamo»mehanizma«(funkcija ali načina), ki pove (ali izračuna), kdaj in na podlagi katerih vrednosti vhodnih signalov se v nevronu sproži izhodni signal z določeno frekvenco. Prav tako ne poznamo dovolj dobro»mehanizmov«, ki spremljajo in spreminjajo sinaptične učinke. Prvi problem, ki ga moramo rešiti pri računalniški simulaciji nevronov, se torej tiče postopka, ki določa, kako in kdaj bo nevron reagiral. V nadaljevanju pa moramo rešiti še problem, kako reagiranje nevrona prilagoditi tako, da bo ustrezalo našim zahtevam. Postopek, ki poteka v nevronu je torej dokaj preprost. Sestavljen je iz seštevanja vhodnih signalov, pomnoženih s t.i. nevronskimi utežmi in iz nelinearne pretvorbo (transformacijo), ki dobljeno vsoto»preslika«v območje med 0 in 1. Pretvorba v omejen interval je nujna zaradi tega, da izhodni signal, ki je vsota vseh vhodnih, med prehajanjem iz ene plasti v drugo ne bi prekomerno naraščal. Nelinearnost pretvorbe je v bistvu tista osrednja lastnost posameznega nevrona, ki celotni nevronski mreži omogoči izredno prilagodljivost najrazličnejšim oblikam in intenzitetam vhodnih signalov. Da nevronski model sploh lahko operacionaliziramo, moramo uporabiti karseda enostavno pretvorbeno funkcijo (n.pr. utežno povprečje, stopničasto funkcijo, hiperbolni tangens itd.). Poudariti je potrebno, da bistvo nevronskih mrež ni toliko v izbiri pretvorbe med vhodnimi in izhodnimi pulzi (pomembno je predvsem, da pretvorba ni linearna), kot v tem, kako so nevroni med seboj povezani. Najpogostejši način, kako izračunamo izhodni signal y i, ki ga da nevron je glede na vse posamezne komponente vhodnega dražljaja x i, je opisan z enačbo: y i = 1+ e 1 m i= 1 w ij x i.»učenje«nevronske mreže je torej prilagajanje pretvorb (nelinearnih transformacij) v vseh posamičnih nevronih na tak način, da je celoten učinek vseh nevronskih izhodov na koncu učenja enak želenemu signalu. Nelinearne transformacije se prilagajajo tako, da spreminjamo uteži w ij, ki simbolizirajo učinke posameznih sinaps. Ker so»naučene«mreže zelo stabilne (majhna sprememba vhodnega signala ne spremene izhoda, domnevamo, da bo pravilno»naučena«nevronska mreža dajala ustrezne, t.j. pravilne odgovore tudi takrat, ko bodo vhodni signali popolnoma neznani oziroma bodo tistim signalom, s katerimi smo mrežo»učili«le podobni. Če dosežemo tako stabilnost nevronske mreže, lahko rečemo, da se je nevronska mreža nečesa»naučila«in, da»zna«pridobljeno»znanje«tudi uporabiti. Osnovne računalniške enote, ki jih bomo v nadaljevanju označevali, kot»nevrone«, so razporejene v vrstah (nizih) ali v 2-dimenzionalnih plasteh tako, da dobijo vsi»nevroni«ene plasti hkrati iste vhodne signale. Čeprav je osnovna oblika pretvorbe vhodnih signalov pri vseh nevronih enaka, pa vsak»nevron«v plati 46

47 Metode za diagnosticiranje pretvori niz vseh vhodnih signalov na svoj način, ki se praviloma razlikuje od vseh drugih. Zaradi tega so tudi izhodni pulzi posameznih»nevronov«v določeni plasti povsem različni, čeprav so dobili vsi nevroni ene plasti enake vhodne signale. Različnost izhodnih signalov izvira iz tega, ker ima vsak»nevron«svoje»sinapse«(uteži w ij ) v povsem različnih stanjih (imajo različne vrednosti). Vsi izhodni signali ene plasti nevronov (slika 19) pridejo, kot vhodni signali na vsak posamezen nevron naslednje plasti. Zaradi tega lahko vse izhodne signale y j, ki jih je naredilo n nevronov v plasti p, zapišemo kot vektor Y p : Y p = (y 1 p, y 2 p, y 3 p,.. y j p,... y n p ). Slika 19: Enoplastna nevronska mreža Ker je procedura pretvorbe signalov v vseh»nevronih«enaka (razlikuje se samo vrednost števil), so izračuni izhodnih signalov narejeni v približno istem času. Shema, ki predpisuje, od kod posamezni nevroni sprejemajo in katerima nevronom signale oddajajo, se imenuje nevronska mreža ali nevronska arhitektura. Nevronske mreže so lahko eno- ali večplastne. Čas, ki je potreben za izračun izhodnih signalov je pri vseh nevronih enak, ne glede na to, ali je v mreži eden ali milijon nevronov, zatorej vidijo raziskovalci nevronskih mrež bodočnost svojih raziskav predvsem v razvoju visoko paralelnih računalnikov in programskih jezikov, ki omogočajo visoko paralelnost postopkov. 47

48 6.4.2 Problemi, ki jih rešujemo z nevronskimi mrežami Metode za diagnosticiranje Ti problemi sodijo v tri skupine dejavnosti, ki jih opravljajo tudi možgani: Grupiranje. Klasifikacija kompleksnih signalov (slik, zvokov, diagnoz,..) v eno ali več vnaprej predvidene skupine. Možen rezultat je tudi»neuvrstitev«, kar pomeni, da nevronska mreža spozna, da ji je signal, ki ga je sprejela, popolnoma»tuj«. Primeri za take probleme so razpoznavanje črk in znakov (kompleksni vidni signali) in razpoznavanje zvokov in besed. Iskanje v kontekstu. Iskanje informacij, ki so z vhodnim podatkom (vidni ali slušni signal) povezani le v kontekstu, oziroma iskanje, pri katerih je vhodni podatek nepopoln, in želimo z njegovo pomočjo dobiti celostno informacijo. V to vrsto problemov uvrstimo vse vrste asociacij (asociativni spomin) glede na različne vhodne signale (sliko, zvok,..). Pretvorba signalov v novo predstavitev. Področje transformacij, ki pretvarjajo kompleksen signal (sliko, zvok) na drugačen, navadno bolj zgoščen oziroma krajši način. Predstavitve (reprezentacije) pojavov, s katerimi se srečujemo vsak dan, so sorazmerno zapletene: vidna slika je na mrežnici ali na video kameri predstavljena z matriko črno belih ali barvnih točk, zvočni signal sestavlja zelo kompleksna mešanica zelo najrazličnejših nihanj in podobno. Da lahko ogromne množice takih signalov hranimo, pregledujemo in predelujemo, potrebujemo bolj preprost oziroma jedrnate zapise in te je, vsaj v načelu možno dobiti z nevronskimi mrežami. 6.5 FUZZY LOGIKA Razvoj mehke logike Razvoj mehke logike»fuzzy Logic«se je začel v letu 1965 ko je L. A. Zadeh v svojem članku obravnaval tako imenovane mehke ali zamegljene veličine, ki jih ni možno opisati s formalnim matematičnim zapisom, vključno s teorijo verjetnosti. Razvoj teorije mehke logike je utemeljil s tem, da človek lažje opisuje biološke ali mehanske sisteme brez natančno definiranega matematičnega orodja, izrazoslovja in poznanega zakona porazdelitve. V članku iz leta 1973 je uvedel pojem lingvistične spremenljivke, ki ni določena s številčnim vrednostmi, temveč z besedami iz naravnega jezika. Teorija mehke logike je najprej naletela na nasprotovanje pri mnogih raziskovalcih tako, da se je dodobra uveljavila šele po letu Uporaba mehke logike se je do danes razširila na mnoga področja, kot so razpoznavanje vzorcev, procesiranje signalov, elektronika, področje vodenja (regulacija) in identifikacij sistemov. Mehke metode identifikacije, kot se imenujejo identifikacijske metode s pomočjo mehke logike (aproksimacija) sta prva predlagala Takagi in Sugeno leta Tako imenovana mehka identifikacija sistema se danes 48

49 Metode za diagnosticiranje uporablja pri klasičnih shemah vodenja, ki zahtevajo znan dinamičen model objekta vodenja (regulacijske proge). Slabost standardnih pristopov k identifikaciji sistemov (gradientni postopki) je, da ne upoštevamo informacij nastalih na izkušnjah inženirjev in operaterjev, ki poznajo omenjeni sistem. Ljudje seveda dosti lažje opišejo sistem z besedami naravnega jezika kot z zahtevnimi matematičnimi formulacijami, zato so tehnike identifikacije z mehko logiko izjemno primerne. Tudi v primerjavi z nevronskimi mrežami, ki posnemajo delovanje (hardware) možganov se s pomočjo mehke logike (software možganov) da opisati nek sistem bistveno lažje. Dejansko je osnova mehke logike, da posnema človekov način sklepanja (psihični procesi) in s tem lahko vključuje predznanje človeškega načrtovalca, ki je nastalo, kot rezultat istih psihičnih procesov v človeških možganih. Torej, najpomembnejša prednost sistemov identifikacije s pomočjo mehke logike je, da lahko sistem opišemo s pomočjo integracije lingvističnega znanja o sistemu in numeričnih podatkov v eni sami strukturi. Ker pa lingvistično znanje vedno ni na razpolago se v zadnjem času uveljavlja tudi postopek razvoja mehkih sistemov na podlagi numeričnih podatkov, ki so bližje klasični identifikaciji sistemov po metodi črne škatle. Ločimo torej dva pristopa: Tradicionalni pristop, kjer se znanje v lingvistični obliki zapiše v obliki ifthen mehkih pravil. S tem določeni vhodi in izhodi mehkega sistema, ki jih določi ekspert oziroma poznavalec sistema. Slabost takšnega pristopa pa je morebitna pomanjkljivost v znanju eksperta, ki pa se jo delno da odpraviti z adaptacijo posameznih parametrov izgrajenega mehkega sistema na podlagi numeričnih podatkov. Zaradi podobne strukture nekaterih tipov mehkih sistemov in nevronskih mrež se pogosto uporabljajo za adaptacijo parametrov mehkega sistema učne metode nevronskih mrež. Princip črne škatle se uporabi, kadar ni na razpolago lingvističnega znanja za izgradnjo mehkega modela. Ta princip bazira na uporabi klasičnih identifikacijskih tehnik na podlagi numeričnih podatkov. Na ta način zgrajena baza pravil predstavlja interpretabilen zapis znanja, sicer vsebovanega v numeričnih podatkih. Končna rešitev je torej uporabniku razumljiva. Zato je takšna identifikacijski model lažje preveriti, enostavnejše pa so tudi morebitne modifikacije Identifikacijski modeli Najpogosteje uporabljene vrste mehkih identifikacijskih modelov so: Mamdami model, ki uporablja mehka vhodna in izhodna lingvistična pravila. Za te modele skoraj ni na voljo adaptacijskih postopkov, izjema so le genetski algoritmi, ki pa v aplikacijah realnega časa zaradi visoke računalniške zahtevnosti niso uporabni za mehatronske sisteme. Takagi Sugeno model uporablja mehka pravila, kjer je izhodna spremenljivka definirana z linearno kombinacijo vhodnih vrednosti. Singelton model, ki ima za izhodno vrednost namesto funkcije kar število in je v nekem smislu poenostavljen Takagi Sugeno mode. 49

50 Metode za diagnosticiranje Mehka logika je pri identifikaciji nelineranih sistemov z veliko neodločnostjo močno orodje, posebej če imamo na razpolago opis sistema v lingvistični obliki. Njena učinkovitost je rezultat zlitja pristopov iz mnogih sorodnih področji, kot so statistika, aproksimacija funkcij, umetna inteligenca in baza znanj. Za mehko identifikacijo trenutno ni na voljo enotnega postopka načrtovanja, pač pa se ta razlikuje od primera do primera, kar pa posebej za začetnike ni lahko Definicija mehke logike Obstaja več definicij mehke logike, zapisal bom samo dve: Mehka logika je tehnika, ki namesto števil uporablja za računanje in določevanje kar besede naravnega jezika. Mehka logika je skupek postopkov, ki se uporabljajo pri delu z mehkimi množicami. Definicije izrazov s področja mehke logike: Mehka množica. Mehko množico predstavimo s funkcijo, ki določa stopnjo pripadnosti elementov x U mehki množici A. Njeni elementi stopnjo pripadnosti mehki množici v intervalu [0,1] izkazujejo tako, da je prehod elementov, ki ne pripadajo množici do tistih, ki ji pripadajo, postopen in določen s pripadnostno funkcijo. Lingvistična spremenljivka. Vrednost lingvistične spremenljivke je podana z besedami iz naravnega jezika (velik, majhen, počasen,..). Te vrednosti so običajno mehke množice, lahko pa so tudi števila. Določimo jo s tremi podatki: [X, A(X), Pravilo], kjer je X ime spremenljivke, A(X) nabor vrednosti, ki jih lahko zavzame in Pravilo določa povezavo med lingvističnimi izrazi in njihovim fizičnim pomenom. Mehki operatorji in operacije. Nabor originalnih operatorjev sestavljajo unija, presek in komplement. Nabor je znan iz teorije množic in je funkcijsko poln. Če sta A in B mehki množici v prostoru x U, za kateri poznamo stopnji pripadnosti µ A (x) in µ B (x) lahko te operacije definiramo kot: Presek: µ A B (x) = min [µ A (x), µ B (x)], (En. 8) Unija: µ A B (x) = min [µ A (x), µ B (x)], (En. 9) Komplement: µ A- (x) = 1-µ A (x). (En. 10) Čeprav se operator max pogosto uporablja pri mehki vodenju, pa ni najbolj primeren za uporabo v problemih estimacije neznane funkcije, saj povzroča nezveznosti, kar lahko povzroči težave pri izračunu odvoda. Zato so raziskovalci kasneje predlagali več drugih naborov operatorjev. Izbira med temi operatorji je 50

51 Metode za diagnosticiranje odvisna predvsem od uporabnikove interpretacije mehkih logičnih operacij preseka, unije in komplementa. Za operacijo preseka se največ uporablja razred T-norm, za operacijo unije pa S-norm (T-Co-norme). Baza mehkih pravil Mehki sistemi so zgrajeni iz if-then mehkih pravil. Baza mehkih pravil za sistem z več vhodi in enim izhodom je torej unija mehkih pravil, kjer ima vsako posamezno pravilo obliko. Mehko pravilo Rl razložimo, kot mehko implikacijo oziroma preslikavo iz prostora V v U. Mehki sistem s pravili takšne oblike in z več vhodi in enim izhodom, je v literaturi obravnavan kot splošen. V takšni obliki je možno zapisati tudi sistem z več, medsebojno neodvisnimi izhodi. Vsako pravilo z več izhodi razdelimo v več pravil, vsako z enim izhodom. Čeprav se s tem poveča število mehkih pravil v sistemu, so postopki mehkega sklepanja enostavnejši in razumljivejši. Zapis mehkih pravil omogoča zapis množice izjav drugačnih oblik, kot so: o zapis pravil z nepopolnim if delom, o zapis pravil z or, o zapis mehkih izjav, o zapis izjav oblike, kjer vpeljemo mehko množico X z vrednostjo manjši, in mehko množico Y, o zapis pravil z operatorjem razen-če. Mehko sklepanje o Razširitveni princip. Osnova mehkega sklepanja je razširitveni princip. To je orodje, s katerim lahko matematične metode sklepanja za običajne množice razširimo na mehke množice. Upoštevamo element z največjo stopnjo ujemanja. o Mehke implikacije. o Kartezijski produkt ali mehka agregacija. o Kompozicijsko pravilna inference. Je temeljna operacija mehkega sklepanja, ki omogoča, da na podlagi znanih izjav pri sklepanju prihajamo do novih. Mehko sklepanje v sistemu mehke logike z if-then bazo pravil Mehčanje ostrih vrednosti Le redko se zgodi, da so vhodne vrednosti v mehki sistem že v osnovi mehke, saj gre običajno za numerične podatke iz senzorjev. Potreben je torej prehod iz ostrih v mehke vrednosti. Za numerične podatke se običajno uporablja singleton mehčanje, to je, ostri vhodni vrednosti se priredi stopnja pripadnosti 1 singletonski mehki množici: 1 if x = a µ A( x) =, (En. 11) 0 sicer 51

52 Metode za diagnosticiranje kjer je x X A vhod v mehki sistem, a pa središče definirane mehke singletonske množice. Če pa vhodni podatek ni povsem opredeljen, na primer pri prisotnosti šuma, pa ga je možno opredeliti tudi, kot mehko množico z ustrezno funkcijo pripadnosti, ki ima od nič različne vrednosti v podanem intervalu. Ostrenje mehkih vrednosti Rezultat postopka mehkega sklepanja je mehka množica z ustrezno funkcijo pripadnosti, kar pa ni primerno za nadaljnjo uporabo, če gre na primer za eno od vrednosti pri vodenju realnih mehanizmov. Zato se s postopkom ostrenja priredi mehki množici µ B (x,y), ki je rezultat mehkega sklepanja, ostra vrednost. Na razpolago je več metod ostrenja: o metoda največje vrednosti, o težiščna metoda, o poenostavljena težiščna metoda Načrtovanje mehkega identifikacijskega modela Podobno, kot pri običajnih pristopih pri identifikaciji sistemov z mehko logiko lahko problem razdelimo v dva dela: določitev strukture in določitev parametrov sistema mehke logike. Določitev strukture mehkega sistema lahko razdelimo v več podproblemov: Izbira vhodnih in izhodnih spremenljivk. Če uporabljamo mehki sistem za identifikacijo zelo kompleksnega dinamičnega sistema ni zmeraj na prvi pogled razvidno, katere spremenljivke morajo biti vhod v mehki sistem. Zraven razpoložljivega znanja je pri tej odločitvi pomemben tudi namen uporabe, ki določa potrebno točnost modela. Zato je včasih pri iskanju potrebnih vhodov potrebnih več iteracij. Določitev tipa pravil (lingvistična, Takagi-Sugeno, singleton). Za tip pravil se običajno odločimo glede na to, kakšne oblike je razpoložljivo znanje. Če ga ni na razpolago lahko uporabimo vsa možna pravila, ki jih je glede na število vhodnih spremenljivk in njihovih lingvističnih vrednosti možno zapisati. V nasprotju z zapisom pravil glede na lingvistično znanje (naravni jezik daje dokaj gost opis) je običajno potrebno velikost tako določene baze pravil zmanjšati z brisanjem nepotrebnih pravil. Ker različni tipi pravil pomenijo tudi različno računsko zahtevnost pri računanju izhoda in ostrenju izhodnih vrednosti, je pri izbiri pomembna tudi razpoložljiva računska moč procesorja krmilnika. Izbira metode sklepanja in ustreznih mehkih operatorjev. Mamdani metoda sklepanja z max-min operatorjema je enostavna. Kljub temu v novejših sistemih mehke logike prevladuje uporaba vsota-produkt sklepanja, saj se v tem primeru izhodne vrednosti spreminjajo bolj zvezno, lažji pa je tudi zapis ustreznih enačb za uporabo adaptacijskih algoritmov. 52

53 Metode za diagnosticiranje Izbira metode mehčanja vhodnih spremenljivk. Je odvisna od tipa vhodnih spremenljivk. Za vhodne podatke, ki so natančno določena števila, je običajna uporaba singleton mehčanja. Izbira metode ostrenja izhodnih spremenljivk. Večino se uporabljajo metode, pri katerih se izhod izračuna na podlagi vseh aktivnih pravil. Ker je prav ostrenje računsko najzahtevnejši del mehkega procesiranja je pomembna tudi razpoložljiva procesorska moč. Določitev parametrov mehkega sistema zajema: Določitev števila, položaja in oblike izhodnih in vhodnih mehkih funkcij. Glede na njihovo obliko in položaj je potrebno definirati dovolj mehkih funkcij, da pokrivajo vso možno območje vrednosti, ki ga lahko zavzamejo vhodne in izhodne spremenljivke. Število pravil je običajno neposredno določeno z razpoložljivim znanjem. Pri sistemih mehke logike, ki so zgrajeni na numeričnih podatkih, pa je število mehkih pravil določeno s številom mehkih množic, saj mora biti pravil zadosti, da zajamejo vse možne vhodne kombinacije. Gostota mehkih množic določa, kako hitro se lahko spreminja izhod na določenem področju. Tako je v območju, kjer so potrebne hitrejše spremembe izhodne vrednosti včasih potrebno uporabiti več mehkih funkcij. Vključitev numeričnih informacij, ki se lahko uporabijo za adaptacijo parametrov sistema mehke logike. Pri klasični pa tudi pri mehki identifikaciji sistemov avtorji poudarjajo pomen pristopa, kjer je prvi identifikacijski model kar najenostavnejši, tako glede strukture, kot uporabljenih adaptacijskih postopkov. Šele, če se izkaže, da takšen model ne zadosti zahtevam se preide na bolj fleksibilne identifikacijske strukture Nekaj dejstev o mehkih sistemih Prednosti: Večje število mehkih funkcij in pravil povečuje točnost mehkega sistema. Mehke pripadnostne funkcije in pravila morajo biti izbrana tako, da za vse možne vhode v sistem obstaja vsaj eno pravilo, katerega izpolnjenost je večja od nič. Če so v mehkem sistemu uporabljene zvezne mehke pripadnostne funkcije in operatorja produkt/vsota, potem je tudi izhod sistema zvezna, odvedljiva funkcija. Če so v mehkem sistemu uporabljene odsekovno zvezne (trikotne, trapezne) mehke pripadnostne funkcije, potem je tudi izhod odsekovno zvezen. Za časovno spremenljive sisteme je potrebno uporabiti adaptivne sisteme mehke logike. Nevronske mreže lahko smatramo kot poseben primer adaptivnih mehkih sistemov. Prednost mehkega sistema je predvsem v tem, da imajo vsi njegovi parametri nek pomen in je zato celoten sistem transparenten. Izkaže se tudi, 53

54 Metode za diagnosticiranje da je potreben mehki sistem za izvedbo neke naloge manj kompleksen kot nevronska mreža, ki nalogo opravi enako kvalitetno. Slabe lastnosti uporabe mehke logike v sistemih vodenja: Ni formalnega načina za dokazovanje stabilnosti mehkih sistemov vodenja (morda mehka Ljapunova funkcija). Ni predpisanega postopka za načrtovanje mehkih sistemov za uporabo v sistemih vodenja. Obstaja samo nekaj splošnih napotkov, načrtovanje pa poteka od primera do primera drugače. Pogosto ni na razpolago zadostnega izkustvenega znanja. Pogosto je to znanje delno napačno in nepopolno. Delno lahko to pomanjkljivost odpravimo z uvedbo adaptacije. Pri uporabi mehkega sistema za opis dinamike sistema, baza pravil pogosto preraste vse razumne meje (nekaj 100 pravil). Izvedba večine mehkih sistemov vodenja, posebej adaptivnih, je računsko zahtevna. Za izvedbo v realnem času zato potrebujemo visoko zmogljive krmilnike Mehka logika in nevronske mreže Sistemi mehke logike je z umetnimi nevronskimi mrežami primerljiv po strukturi, možna pa je tudi uporaba enakih adaptacijskih algoritmov. Obe strukturi sta tudi univerzalna aproksimatorja za zvezne, nelinearne funkcije. Ostajajo pa naslednje zelo pomembne razlike: Sistem mehke logike omogoča vključitev lingvističnega znanja na sistematičen način. Pri adaptivnih sistemih mehke logike to pomeni, da so začetni parametri sistema lahko zelo dobro nastavljeni. Če nato uporabimo gradientno adaptacijski metodo, kot je posplošeno delta pravilo, bodo parametri zelo hitro konvergirali k pravim vrednostim. Pri umetnih nevronskih mrežah netransparentna zasnova mreže onemogoča vključitev lingvističnega znanja in je zato potrebna naključna izbira začetnih parametrov, kar podaljša fazo učenja. Vsi parametri sistema mehke logike imajo fizičen pomen. Tako so y pri singletonskemu modelu središča THEN dela pravil in x i,1 središča IF dela pravil. Pri umetnih nevronskih mrežah ni tako jasne povezave med vhodi, posamezni parametri in izhodi. Z definicijami iz klasične identifikacije sistemov lahko uvrstimo umetne nevronske mreže v pristope po metodi črne škatle in sisteme mehke logike v pristope po metodi sive škatle. Le v zelo redkih primerih ni na razpolago vsaj osnovnega lingvističnega znanja o sistemu ali procesu. V takšnih primerih je možno izgraditi sistem mehke logike z adaptacijskim algoritmom, ki deluje na enak način kot umetna nevronska mreža. Morebitno kasneje pridobljeno znanje se lahko vključi v obliki začetne nastavitve parametrov sistema mehke logike ali spremembe baze pravil. Sistem mehke logike z adaptacijo parametrov lahko 54

55 Metode za diagnosticiranje torej zmeraj nadomesti umetno nevronsko mrežo, medtem ko mreža ne more nadomestiti sistema. Poleg tega je v učni fazi pridobljeno znanje v adaptivnih sistemih mehke logike interpretabilno. Pri uporabi umetne nevronske mreže in adaptivnega sistema mehke logike pri reševanju enake naloge se izkaže, da je sistem mehke logike z adaptivnimi parametri občutno manj obsežen, kot po učinkovitosti enakovredna umetna nevronska mreža. Za enak učinek torej potrebujemo manj procesorskega časa, kar je pri izvedbi v realnem času zelo pomembno. 6.6 HIERARHIČNO GRUPIRANJE OZ. RAZVRŠČANJE Hierarhično grupiranje oziroma združevanje je matematični algoritem, ki je zmožen povezati, združiti n dimenzionalne podatke v zaporedne grupe bazirane na podobnosti ali razdalji v n dimenzionalnem oblikovanem prostoru. Končni rezultat je dendrogram oziroma odločitveno drevo, ki prikazuje povezave med podatki v množici podatkov. 6.7 BAYESIAN RAZVRŠČANJE Na Bayesian razvrščanje vpliva populacija (verjetnost) posameznega tipa razreda (delca). To je pokazano na sliki 20, kjer povečanje v populaciji Razreda 2 vpliva na premik odločitvene površine proti Razredu 1 in tako zmanjša verjetnost razvrščanja. To je uporabno pri razvrščanju delcev iz različnih mehanskih sistemov, ki imajo lahko povsem različno populacijo obrabnih delcev. Z razliko od preostalih razvrščanj, kot je na primer nevronska mreža, ima to razvrščanje prednost v tem, da je zmožen zaznati stopnjo zaupanja za njegovo razvrščanje. To pride v upoštev pri dvomu operaterja v razvrščanje. Slika 20: Bayesian razvrščanje 55

56 Procesiranje 7.0 PROCESIRANJE Oceno stanja mehanskega sistema in maziva določimo s pomočjo integriranega sistema analiz, ki zajema razne fizikalno kemijske analize, analize obrabnih delcev ter analize temperature. Te analize nato v procesiranju podatkov in znanja, primerjamo z mejnimi vrednostmi (priporočenimi mejami), ki naj bi ločevale normalna in kritična območja delovanja mehanskega sistema in s tem določale mejna stanja posamezne analize. Glede na stanje analiz bi določen algoritem (ekspertni sistem, nevronske mreže,..) določil stanje mehanskega sistema in maziva. 7.1 MEJNE VREDNOSTI ANALIZE OLJA Velik problem integriranega sistema je določitev mejnih vrednosti analize. Zaradi specifičnosti mehanskih sistemov imajo tako različna olja za različne mehanske sisteme različne mejne vrednosti. V splošnem velja, da je mejna vrednost horizontalna premica, ki opozarja na nenormalno stanje. Nekateri podatki imajo zgornjo mejno vrednost, kot na primer število delcev, nekateri imajo samo spodnjo mejno vrednost, kot na primer TBN, nekateri pa imajo obe mejni vrednosti, kot na primer viskoznost. Računalnik s pregledovanjem podatkov primerja lego parametrov (podatkov) glede na mejno vrednost, ki jo lahko imenujemo tudi meja in s tem sporoča stanje analize. Da pa zagotovimo maksimalne prednosti računalniške obdelave, pa moramo pazljivo določiti tip mejne vrednosti in njene nastavitve. Tako lahko delimo mejne vrednosti oziroma meje na [11]: statične meje, postavljene meje, meje staranja, meje gradienta spremembe, plavajoče meje Statične meje Statične meje (slika 21) so horizontalne premice, ki ločujejo prostor na normalno in kritično stanje analize. Meje se ponavadi določi s priporočili raznih ekspertov in so odvisne tako od mehanskega sistema, kakor tudi od okolice. Določimo lahko tudi opozorilno mejo, kjer je stanje analize izven normalnega območja, vendar je sprejemljivo. Ponavadi se takšne meje določi z odstotki od začetnega stanja analize. 56

57 Procesiranje Slika 21: Statične meje Postavljene meje Ker so zahteve in cilji različni od posamezne organizacije oziroma bolje rečeno od posameznega mehanskega sistema, so te meje najbolje določene v odvisnosti od zanesljivosti mehanskega sistema in življenjske dobe maziva. Te meje imenujemo postavljene meje (»Goal Based Limits«) (slika 22). Z določanjem mejnih vrednosti imamo tako določeno zanesljivost mehanskega sistema oziroma življenjsko dobo maziva. Meje takšnega tipa lahko uporabimo pri analizi: število delcev, vsebnost glikola, vsebnost goriva, TAN, Slika 22: Postavljene meje 57

58 Procesiranje Meje staranja Od trenutka, ko olje vstavimo v delujoči mehanski sistem, se njegove fizikalno - kemijske lastnosti odmaknejo od začetnega stanja. Za nekatere lastnosti je lahko ta odmik počasen, za nekatere pa je lahko zelo nenaden in dinamičen. Meje, ki se nanašajo na poslabšanje lastnosti olja imenujemo meje staranja (slika 23). Določene so, da opozorijo na iztrošenost olja oziroma na kritično stanje olja, ki je predvsem posledica degradacije aditivov in termične ali oksidacijske degradacije baznega olja. Da bi pravilno določili starostne meje, moramo analizirati vsako novo olje, da dobimo informacijo o začetnem stanju fizikalno kemijskih analiz. Te informacije postanejo nekakšen»podpis«oziroma identifikacija olja. Meje staranja so tako lahko določene za analize: viskoznost, TAN, TBN, RBOT, Spektrografijo. Tabela 7 podaja primer uporabe namenske in starostne meje za različne analize olja. Tabela 7: Primer namenske meje in starostne meje[11] Namenske meje (zgornje) Starostne meje Opozorilna Kritična Opozorilna [%] Kritična [%] Čistoča 14/11 16/13 Viskoznost TAN RBOT Gorivo 1.5% 5% Cink Glikol 200 ppm 400 ppm Kalcij Saje 2% 5% TBN

59 Procesiranje Slika 23: Meje staranja Meje gradienta spremembe Meje gradienta spremembe so v splošnem napovedne meje (slika 24). Napovedne meje so postavljene tako, da opozorijo na prisotnost stanja nenormalne obrabe ali odpoved mehanskega sistema. Uvrščajo se med cilje napovednega vzdrževanja. Te meje uporabljamo pri obrabnih delcih, kjer lahko določimo razmerje razlike parametra po času. V nasprotju s preostalimi mejami, te meje ignorirajo absolutne vrednosti parametra in poudarjajo hitrost (razmerje) pri kateri se stopnje spreminjajo. Te meje se uporabljajo za analize: obrabnih delcev, število delcev, ferografijo, TAN in RBOT. 59

60 Procesiranje Slika 24: Meje gradienta spremembe Plavajoče meje Mnogo let so bile plavajoče meje uspešno uporabljene v analizi olja. Praksa zahteva uporabne podatke iz zgodovine za določen parameter. Izračuna se standardni odklon (σ - sigma) srednje vrednosti populacije. V praksi se je uveljavilo, da je položaj opozorilne meje določen z σ (sigmo) ali dvokratnikom σ, medtem ko je kritična določena z dvo- ali trikratnikom σ. Bazo statističnih meja lahko uporabimo za nastavitve meja gradienta sprememb. Plavajoče meje se uporabljajo predvsem pri ferografiji. 60

61 Baza znanja 8.0 BAZA ZNANJA Za postavitev diagnoze stanja mehanskega sistema ter maziva moramo podatke procesiranja primerjati s podatki, ki so shranjeni v bazi znanja. Baza znanja je zgrajena iz različnih podatkov. Ti podatki so lahko: vzrok stanja analize, lokacija, vzrok in stanje poškodbe, priporočeni oziroma predpisani ukrepi, stanje mehanskega sistema ter maziva, itd. Podatki baze znanja so lahko različni in jih pri gradnji baze znanja poda ekspert. Ekspert na podlagi svojega znanja in na podlagi rezultatov analiz postavi oceno stanja mehanskega sistema, lokacijo, vzrok in stanje poškodb oziroma napredujočih poškodb ter priporočene ukrepe. Vse to ekspert zapiše v bazo znanja, ki jo nato z mehanizmom sklepanja uporabimo pri ekspertnem sistemu oziroma pri ocenjevanju učenja nevronskih mrež. 8.1 PRIPOROČENE ANALIZE ZA DOLOČEVANJE STANJA OLJA Za določitev problema oziroma stanja mehanskega sistema in olja, uporabimo priporočene analize, ki so podane v tabeli 8. Tabela 8: Priporočene analize za določevanje stanja mehanskega sistema in olja [14] Analiza Viskoznost, TAN, TBN, netopljive snovi, glikol, delci. Problem Zgostitev olja Gorivo. Delci, viskoznost, netopljive snovi, TAN, TBN, Voda, Glikol. Delci, TAN, TBN, viskoznost. TAN, TBN, delci, voda, glikol. Voda, netopljive snovi, glikol. Redčenje olja Obraba Nalaganje trdnih delcev Korozija Usedline Če se pojavi odklon določenih analiz, ki so podane v tabeli, preko mejne vrednosti potem nam te analize dajo diagnozo stanja mehanskega sistema oziroma maziva. 61

62 Baza znanja 8.2 ELEMENTI OBRABNIH DELCEV Za določevanje izvora obrabnih delcev uporabljamo metodo spektrografije, ki nam določa kemijsko sestavo posameznih delcev v olju. Iz kemijske sestave obrabnih delcev v olju (tabela 9) pa lahko, glede na material mehanskih komponent, določimo izvor obrabe. Tabela 9: Mogoč izvor elementov oziroma obrabe [14] Aluminij Barij (Al) Podložka, ležaji pri odmični gredi, vležajenje turbine, ležaji na odmični gredi. (Ba) Detergrenti, aditivi za mast. Brom (B) Aditivi v hladilni tekočini, aditivi za mast, EP aditivi (omejeno). Kalcij (Ca) "Trda" voda, detergenti, inhibitorji oksidacije, cestna sol. Klor (Cl) Protiobrabni (AW) aditivi, EP aditivi. Krom (Cr) Batni obročki, aditivi v hladilni tekočini, komponente črpalke. Baker Železo Svinec Magnezij Mangan (Cu) (Fe) (Pb) Batni sornik, (povezovalni) drog in ležaji ročične gredi, drsalka, nihalni vzvod, proti-korozijski aditivi (omejeno), bakreno tesnilo pri boilerju. (Cu + Zn=Medenina; Cu + Sn = Bron) Siva litina, cilindri, bat, odmična gred (kaljena), ročična gred, zobniki, nihanji vzvod (lito železo -indukcijsko kaljenje). Prevleka ležaja, aditivi v masti, bencinski aditivi, EP aditivi, protiobrabni (AW) aditivi, detergenti. (Mg) Sestavina aluminijeve zlitine, detergenti, indikator trde vode. (Mn) Detergenti, neosvinčeni bencinski aditivi. Molibden (Mo) Zmanjševalci trenja, batni obročki, protiobrabni (AW) aditivi. Nikelj (Ni) Prevleka ležajev, sestavina surovega olja, komponente nerjavnega jekla. Fosfor (P) Protiobrabni (AW) aditivi, EP aditivi. Kalij (K) Aditivi v hladilni tekočini. Silicij Srebro Natrij (Si) Aditivi proti penjenju, umazanija/prah, mazalni aditivi, hladilna tekočina, plinska tesnila. (Ag) Ležaji, lot, spajka. (Na) Cestna sol, hladilni aditivi, detergenti (omejeno), mazalni aditivi. Žveplo (S) Protiobrabni (AW) aditivi, EP aditivi, detergenti. Kositer (Sn) Prevleka ležajev (odmične gredi in droga), površinska prevleka nekaterih komponent (bata). 62

63 Vanadij (V) Površinska prevleka, ventili. Cink (Zn) Baza znanja Protiobrabni (AW) aditivi, inhibitorji oksidacije, inhibitorji korozije. 8.3 ZUNANJA KONTAMINACIJA Zunanja kontaminacija pomeni vdor nekega medija na primer goriva, glikola, vode, itd., v sistem mazanja. Kontaminanti običajno povzročijo slabšanje mazalne lastnosti olja. V tabeli 10 so podane običajne zunanje kontaminacije olja. Tabela 10: Zunanja kontaminacija [14] Glikol (Antifreez) Gorivo Silicij Voda Puščanje hladilnika olja. Povzroča poškodbo ležajev, obrabo bata, batnih obročkov in cilindra. Vsebnost goriva nam pove, da gre za resen problem. Gorivo povzroči spremembo lastnosti olja, in sicer se zniža viskoznost olja, ki vodi do poškodbo ležajev in batov. Silicij vstopa v olje iz okolice v obliki umazanije prahu in postane brusna komponenta, ki odstranjuje kovinske delce s komponent stroja med delovanjem. Dobimo ga tudi v hladilnih tekočinah (antifreeze) in se lahko dodaja olju, kot aditiv. Voda pride v oljni sistem s kondenzacijo v posodi (karterju). Majhna količina ne povzroči veliko škode. Vendar velika količina povzroči tvorbo emulzije, ki zamaši filter in prispeva k formiranju korozivne kisline, ki povzroča poškodbo ležajev, batov in batnih obročkov. Na podlagi analize kontaminantov lahko določimo izvor kontaminantov ter posledice, ki jih kontaminanti povzročijo. 63

64 Računalniška aplikacija 9.0 RAČUNALNIŠKA APLIKACIJA INTEGRIRANEGA SISTEMA ZA SPREMLJANJE STANJA NAPRAV Z ANALIZO OLJA 9.1 NAMEN IN CILJ RAČUNALNIŠKE APLIKACIJE Namen računalniške aplikacije integriranega sistema je računalniško spremljanje in diagnosticiranje stanja mehanskega sistema z analizo olja. Za dosego namena potrebujemo: Integrirani sistem metod za analizo, Procesiranje podatkov in znanja, Bazo znanja ter Metodo za diagnosticiranje. Rezultat računalniške aplikacije je diagnostika stanja mehanskega sistema na osnovi procesiranja podatkov in znanja s pripadajočimi ukrepi. 9.2 ZASNOVA INTEGRIRANEGA SISTEMA Na sliki 25 je osnovna shema integriranega sistema. Računalniška aplikacija integriranega sistema zajema: opis in podatke mehanskega sistema z vzorčenjem, integriran sistem metod za analizo, procesiranje podatkov in znanja z bazo znanja in diagnosticiranje z ukrepi. 64

65 Računalniška aplikacija Slika 25: Zasnova računalniške aplikacije integriranega sistema 65

66 Računalniška aplikacija 9.3 IZDELAVA RAČUNALNIŠKE APLIKACIJE INTEGRIRANEGA SISTEMA Vhodni podatki Vhodnih podatki računalniške aplikacije so podatki: analiz olja, analiz obrabnih delcev v olju in analize temperature. Vrednotenje podatkov analiz (nevtralizacijsko število, DR ferografija, spektrografija, RBOT,..) je dokaj obširno in počasno, zato je računalniška aplikacija zasnovana tako, da se podatki vnašajo v bazo podatkov po sistemu»off-line«. To pomeni, da vse podatke, ki jih izmerimo vpišemo preko tipkovnice v bazo podatkov. Naj omenim še možnost»on-line«vhodnih podatkov, seveda z omejenimi analizami olja in s primernimi napravami. Tako bi s pomočjo primerne naprave lahko okvirno določili vrednost posamezne fizikalno kemijske veličine in bi pri prestopu neke kritične meje opravili še ostale analize, ki bi naknadno določile stanje olja in mehanskega sistema Zgradba računalniške aplikacije Računalniška aplikacija vhodne podatke (slika 26), ki jih dobimo iz analiz vzorčnega olja, sprejme preko tipkovnice. Podatke vpisujemo glede na analizo (viskoznost, TAN, ) v tabele. Te podatke nato grafično prikaže in jih nato glede na mejne vrednosti primerja z vpisanimi priporočili ter poda oceno stanja olja in mehanskega sistema ter s tem pomaga uporabniku do končne ocene stanja. Ocena stanja mehanskega sistema in maziva je odvisna od uporabnika, ki pa mu jo lahko priporoča baza znanja. Torej oceno poda uporabnik na podlagi rezultatov analiz ter priporočil baze znanja. S tem rešimo specifičnost uporabe računalniške aplikacije integriranega sistema za točno določene mehanske sisteme oziroma maziva. 66

67 Računalniška aplikacija Slika 26: Blokovna shema računalniške aplikacije integriranega sistema 67

68 Računalniška aplikacija Opis zgradbe računalniške aplikacije Zaradi boljšega pregleda na celotnim sistemom se aplikacija deli na pet glavnih sklopov: Podatki o mehanskem sistemu (stroju) in naročniku. Podatki o mazivu in mejne vrednosti. Analize. Baza znanja. Poročila Podatki o mehanskem sistemu (stroju) in naročniku Sklop je sestavljen iz dveh delov. V prvem delu se nahajajo glavni podatki o naročniku in stroju. Podatki o stroju Polni naziv in tip. Identifikacijsko število. Mesto delovanja. Serijska številka. Glavni tehnični podatki. Podatki o naročniku Ime odgovorne osebe. Podjetje. Naslov. Telefon. Faks. V drugem delu pa so podatki o komponentah in materialu komponent mehanskega sistema. 68

69 Računalniška aplikacija Podatki o mazivu in mejne vrednosti Ta sklop se deli na dva manjša dela. V prvem delu imamo podatke o vzorčnem mestu, torej podatke o vzorcu (datum, številka vzorca, obratovalni čas) ter podatke o mestu vzorčenja. Vzorčno mesto Datum; datum vzorčenja v obliki [mesec/dan/leto]. Primer 01/23/01. Vzorec; številka vzorca. Čas; čas obratovanja v urah, minutah ali pa podamo razdaljo [km]. Opis vzorčnega mesta; opis mesta in načina vzorčenja. V drugem delu pa imamo podatke o mazivu, torej o vrsti olja, obremenitvi maziva, filtrih, dolivanju olja ter mejne vrednosti. Podatki o mazivu Ostalo Olje vrsta; vrsta olja. Naziv olja in proizvajalec. Viskoznost pri 40 o C. Datum zadnje popolne zamenjave. Datum zadnjega dolitega olja. Vrsta in naziv dolitega olja. Količina dolitega olja. Obremenitev olja: o Temperatura olja v sistemu. o Tlak olja v sistemu. Oljni filter, vrsta. Finost filtra. Možnost mešanja z drugimi fluidi. Način mazanja. Opombe. Dolivanja olja Čas. Datum. Količina [l]; količina dolitega olja. Opomba. 69

70 Računalniška aplikacija Mazivo; mejne vrednosti Olje; ime olja. Viskoznost 40 o C, 100 o C. Voda[%]; vsebnost vode. Nevtralizacijsko število [mgkoh/g]; TAN, TBN. Število delcev; ISO 4406 / 5, ISO 4406 / 15. Gorivo [%]. Glikol [%]. RBOT [h]. Saje / netopne snovi [%]. Železo [mg/kg]. Baker [mg/kg]. Kositer [mg/kg]. Silicij [mg/kg]. Temp. sp. [ o C]; Temperatura spodnja. Temp. zg. [ o C]; Temperatura zgornja Analize Ta sklop se deli glede na analize in sicer analize olja, analize obrabnih delcev ter analizo temperature. Pod analize olja štejemo fizikalno kemijske analize, pod analize obrabnih delcev pa štejemo DR ferografijo ter analitično ferografijo. Tako imamo v prvem delu naslednje podatke: Fizikalno Kemijske analize Viskoznosti; čas, viskoznost pri 40 o C, viskoznost pri 100 o C. Vsebnosti vode; čas, vsebnost vode. Nevtralizacijskem številu; TAN, TBN. Številu delcev; ISO 4406/5, ISO 4406/15, NAS. Spektrografiji;čas, Fe, Pb, Cu, Si, Al, Ba, B, Zn, F, P, Ca, Sn, Cr, Mg, Mo, Na, Ni, Ag, T, V. Vsebnosti goriva; čas, vsebnost goriva. Vsebnosti glikola; čas, vsebnost glikola. RBOT; čas, RBOT. Vsebnosti saj oziroma netopnih snovi; čas, vsebnost saj / netopnih snovi. 70

71 V drugem delu imamo podatke o DR ferografiji: DR Ferografija Računalniška aplikacija Začetni vzorec / Razlika vrednosti. Nastavitve za izračun opozorilne in kritične meje. Faktor redčenja. Vzorec. Številka vzorca. Datum. Čas obratovanja. Dl-meritev. Ds-meritev. zračunane vrednosti: D L, D S, WPC, Opozorilna meja, Kritična meja. PLP in Kumulativna vsota PLP. Kumulativna vsota vsote in razlike. V tretjem delu podatke o analitični ferografiji: Železni delci (ocena od 1 do 10): Normalna obraba. Intenzivna obraba. Odrezki. Zobniki. Ležaji. Ciklično utrujanje. Črni oksidi. Rdeči oksidi. Korozija. Ostali. Neželezni delci (ocena od 1 do 10): Normalna obraba. Intenzivna obraba. Odrezki. Zobniki. Ležaji. Ostali. 71

72 Računalniška aplikacija Kontaminanti (ocena od 1 do 10): Degradacija maziva. Prah / umazanija. Naravna vlakna. Sintetična vlakna. Oblika kroglic. Ostalo. V četrtem delu pa podatke o temperaturah: Temperature Čas. Temperatura 1. Temperatura 2. Temperatura 3. Temperatura Baza znanja Baza znanja je sestavljena iz treh sklopov. Prvi sklop zajema opažanja, ki ji zasledimo med samimi analizami (slika 27). Opombe Čas. Datum. Vzorec. Komentar. Slika 27: Izgled forme OPOMBE-OPOMBE Drugi sklop zajema grafično predstavitev stanja analiz (slika 34) na podlagi katere lahko poiščemo mogoče korelacije med analizami. Tretji sklop pa zajema priporočila v obliki komentarjev (slika 28), ki jih ekspert napiše na podlagi stanja analiz in na podlagi opažanj. 72

73 Računalniška aplikacija Slika 28: Izgled forme OPOMBE - PRIPOROČILA Baza priporočil oziroma baza znanja je baza podatkov, v katero ekspert zapisuje opažanja, posledice ter ukrepe k nastalemu stanju. Baza znanja je sestavljena iz dveh povezanih tabel. V prvi tabeli so stanja analiz, ki jih vpiše računalnik ter stanje sistema, ki ga vpiše uporabnik. V drugi tabeli pa so stanja analiz ter komentarji. Tako imamo dve polji z enakim naslovom v obeh tabelah, ki ju nato povežemo. Bazo priporočil tako sestavlja stanje analiz, stanje sistema ter komentarji. Priporočila so torej komentarji stanja. Pod komentarje spadajo opisi opažanj, posledic ter ukrepi, ki naj bi jih uporabnik izvedel. Torej z bazo podatkov ter z mehanizmom sklepanja tvorimo ekspertni sistem, ki nam nadomesti eksperta. Izgradnja baze Zadnje stanje maziva ter mehanskega sistema dobimo s pomočjo stanja analiz, ki pa so vidna s klikom na kontrolno polje KONTROLA. S klikom se nam na posebnem polju izpišejo vse vidne analize (slika 29). Tekst imen analiz na polju se obarvajo glede na stanja analiz, in sicer: črno: stanje določene analize je v mejah normalnega delovanja, rumeno: stanje analize je v mejah mejnega delovanja (samo pri DR ferografiji), razen pri viskoznosti, kjer je pod spodnjo kritično mejo. rdeče: stanje določene analize je v mejah kritičnega delovanja. S klikom na gumb KONTROLA na formi OPOMBE nam program glede na stanje analiz tvori novo polje za komentarje (priporočila) oziroma se prikažejo komentarji, ki pripadajo danemu stanju. Komentarje lahko ob novem stanju analiz kreiramo, lahko pa jih ob že obstoječem stanju analiz dopisujemo. Baza nam omogoča tudi, da na podlagi izbranih komentarjev oziroma stanj kontroliramo stanja analiz. 73

74 Računalniška aplikacija Slika 30: Programska shema OPOMBE Jedro baze znanja sestavlja forma OPOMBE (slika 30), ki zajema: Opombe, ki jih uporabnik oziroma ekspert poda ob posameznem času, Kontrola, ki nam prikaže zadnje stanje analiz ter Slika 29: Izgled forme Kontrola Priporočila, ki so sestavljena iz Komentarjev (vzroki, posledice, priporočila, ukrepi) ter iz Stanja analiz v odvisnosti od časa (slika 34). Torej na podlagi Opomb, Kontrole in Stanja analiz lahko ekspert tvori Komentarje in s tem povečuje oziroma gradi Bazo Znanja (slika 31). Slika 31: Baza znanja Na podlagi stanja analiz zgradimo bazo znanja, v našem primeru bazo komentarjev. Ta baza je seveda specifična glede na mehanski sistem, mazivo ter okolico. Vendar lahko kljub temu tako bazo znanja zaradi večjega števila komentarjev prilagodimo splošni uporabi. 74

75 Računalniška aplikacija Vzamemo primer, ko so analize viskoznosti, TAN, vsebnosti vode in goriva prestopile mejne vrednosti in so zato te analize označene kritične (rdeča barva), medtem, ko so ostale analize v normalnem območju, torej so označene normalno (črno). Ko kliknemo na gumb KONTROLA, ki se nahaja na formi OPOMBE (slika 28), nam računalniška aplikacija zapiše stanje analiz (rbbrrrbbbb.. rdeče, črno, črno, rdeče,.. oziroma kritično, normalno, normalno, kritično, ). To stanje računalniška aplikacija primerja z bazo podatkov, v kateri imamo shranjene podatke o stanju analiz. Ko se stanji analiz ujemata se nam izpišejo priporočila (vzroki, posledice, ukrepi). Seveda je potreben pogoj za izpis priporočil, da imamo zgrajeno bazo znanja oziroma bazo priporočil. Če stanja analize v bazi podatkov stanj analiz ni, nam računalniška aplikacija sama kreira novo stanje, za katero lahko vpišemo nove komentarje Poročila Cilj aplikacije je izdelati poročilo oziroma poročila, na podlagi katerih bi potem uporabnik izvedel priporočene ukrepe. Poročila so sestavljena iz podatkov o naročniku, stroju in mazivu ter iz pripadajočih grafično in številčno prikazanih analiznih podatkov.. Poročila: O stanju olja. To poročilo zajema podatke fizikalno kemijskih analiz. Glej priloga 1. O stanju maziva. To poročilo zajema podatke o analitični ferografiji, o DR ferografiji, o vsebnosti vode in glikola ter posnetek in podatki ferograma. Glej priloga 2. O temperaturi. Poročilo zajema grafični potek temperature v odvisnosti od časa. Glej priloga 3. Analitična ferografija. Zajema podatke o morfologiji delcev, torej podatke o železnih, neželeznih delcih ter o kontaminantih. Glej priloga 4. Vsa poročila vsebujejo tudi polja za vpis priporočila laboratorija oziroma eksperta. 75

76 Računalniška aplikacija Delovanje računalniške aplikacije integriranega sistema Računalniška aplikacija je napisana v programskem paketu DELPHI 5, ki ima izvorno kodo Pascal. Zagon računalniške aplikacije opravimo z datoteko CTDN.exe. Delphi je programski jezik, kjer pri programiranju ne uporabljamo samo pisanih ukazov, ampak tudi v naprej izdelane elemente, ki jih z miško vstavljamo v programsko okno. Delphi je torej zgrajen na ukazih objektnega Turbo Pascala. Računalniška aplikacija je sestavljena iz različnih Delphi-jevih komponent. Te komponente imajo točno določeno nalogo, ki jo združene v neko celoto opravljajo v sklopu aplikacije. Program ima naslednje značilne komponente: Button (gumb), Checkbox (potrditveno polje), Edit (polje za vnos besedila), TabControl (ploskev z zavihki), Table (tabela s podatki),.. V Delphi so vgrajeni programi, gonilniki in komponente, ki omogočajo delo s podatkovnimi zbirkami. Podatkovne zbirke so sestavljene iz večjega števila tabel, ki so običajno med seboj povezane. Tabele so sestavljene iz polj in zapisov. Polja so stolpci z različnimi podatki, zapisi pa so vrstice. Presečišče stolpca in vrstice imenujemo celica. V standardni različici Delphija so zastopane podatkovne zbirke tipa Paradox, dbase, Access in FoxPro. Za obdelavo podatkov s pomočjo računalniške aplikacije, potrebujemo dodatne programe. V našem primeru smo uporabili BDE (Borland Database Engine). BDE omogoča dostop računalniške aplikacije do podatkov v podatkovni zbirki (slika 32). 76

77 Računalniška aplikacija Slika 32: Podatkovni sistem Računalniška aplikacija zapiše podatke, ki jih dobi s pomočjo BDE-ja v obliki tabele, ki ji moramo definirati izvor podatkov. Te podatke nato s pomočjo komponent podatkovne baze prikažemo v računalniški aplikaciji (slika 33 ). Slika 33: Delovanje podatkovnega sistema v računalniški aplikaciji. V računalniški aplikaciji sem uporabil Paradox-ove tabele, do katerih dostopam preko BDE-ja. Računalniška aplikacija je zgrajena tako, da za posamezni mehanski sistem tvori glavno datoteko, ki vsebuje podatke o mehanskem sistemu in o nastavitvah. Ob kreiranju nove datoteke pa se kreirajo še dodatne datoteke, ki jih aplikacija uporablja za vodenje podatkov: Ime.bpd, vsebuje podatke o mehanskem sistemu, komponente, materiali komponent, nastavitve. Ime.opo, vsebuje podatke o vzorčnem mestu. Ime_1.db, tabela za DR ferografijo. Ime_2.db, dodatna tabela za DR ferografijo. Ime_3.db, dodatna tabela za DR ferografijo. Ime_ana.db, tabela o rezultatih analitične ferografije. Ime_meje.db, tabela mejnih vrednosti. Ime_temp.db, tabela temperature. Ime_tabela.db, tabela o rezultatih fizikalno kemijskih analiz. Ime_tabela.px, tabela opomba. Ime_tabela.mb, tabela komentarjev. Vse datoteke se nahajajo v istem imeniku na računalniku. Računalniška aplikacija kreira dodatne datotek, v katerih so shranjeni podatki analiz (končnica *.db) tako, da iz določenega imenika, v našem primeru BAZA, 77

78 Računalniška aplikacija kopira osnovne datoteke v nove ter jim doda predpono imena glave datoteke. Imenik BAZA vsebuje: 1.db, 2.db, 3.db, ana.db, meje.db, meje.px, temp.db, temp.px, tabela.db, tabela.px, tabela.mb, stanja.db, stanja.px; tabela stanj analiz v odvisnosti od časa z vrednostmi [-1,0,1], komentar1.db,komentar1.px; tabela stanja analize ter komentarjev, kontrola1.db, kontrola1.px; tabela stanja analize ter stanje sistema. 9.4 UPRAVLJANJE Z RAČUNALNIŠKO APLIKACIJO Računalniška aplikacija omogoča: nastavitve, vnos podatkov, obdelavo podatkov, izgradnjo in uporabo baze znanja, grafično iskanje korelacij med analizami, shranjevanje podatkov, grafični prikaz podatkov, tiskanje grafov, izpis podatkov v tekstovni datoteki, izdelava in tiskanje poročila Nastavitve Ker se ponavadi za popolno analizo olja malokrat odločimo, torej uporabimo samo določene analize, nam aplikacija omogoča, da imamo na sami računalniški aplikaciji vidne samo uporabljene analize ter sklope. S tem povečamo preglednost nad samim sistemom računalniške aplikacije. Z nastavitvami tako manipuliramo z: Osnovno formo: 78

79 splošni podatki o stroju, materiali, podatki o mazivu, fizikalno-kemijska analiza, ferografija, temperatura. Fizikalno Kemijsko analizo: viskoznost, vsebnost vode, nevtralizacijsko število, število delcev, spektroskopijo, vsebnost goriva, vsebnost glikola, vsebnost saj/netopnih snovi, legende na grafih. Poročili: Analitična ferografija, Poročilu o stanju olja (število podatkov na poročilu), Poročilo o stanju stroja, Poročilo o temperaturi Vnos podatkov Računalniška aplikacija Podatke vnašamo v aplikacijo preko tipkovnice v tekstovni obliki. Vsi podatki analiz so nato shranjeni in grafično prikazani. Pri spreminjanju že obstoječih podatkov v aplikaciji se na formi pojavi ikona EDIT, ki označuje, da je bil eden ali več podatkov spremenjenih. To velja za vsa tekstovna polja razen za tabele. Ob shranitvi dokumenta ikona izgine Obdelavo podatkov Ko podatke analiz vpišemo v tabele, jih računalnik shrani in jih nato grafično prikaže. Nadalje podatke primerja z mejnimi vrednostmi in tvori stanja analiz. Pri DR ferografiji vhodne podatke računalnik s pomočjo algoritma obdela in določi WPC indeks intenzivnosti obrabe, opozorilno ter kritično mejo, ter jih grafično prikaže. Dobljene podatke aplikacija uporabi še za izračun in prikaz PLP procent velikih delcev ter za kumulativno vsoto vsot in razlik. 79

80 Računalniška aplikacija Izgradnja baze znanja Bazo znanj zgradimo po že prej opisnem načinu ( ) Grafično prikaz stanja analiz Ker je vplivanje (korelacije) med analizami težko določiti, jih lahko s pomočjo grafa stanj analiz vizualno predstavimo. Graf (slika 34) je stopničast in predstavlja stanje posamezne analize torej, normalno (stanje 0) ali kritično stanje (stanje 1) ter pri DR ferografiji mejno stanje in pri viskoznosti kritično stanje glede na spodnjo kritično mejo (-1). S klikom na gumb VMESNA STANJA lahko zaradi preglednosti pogledamo stanja analiz pri določenem času, in sicer nam čas, ki ga vpišemo izenači z najbližjim časom vzorčenja (desna stran forme na sliki 34). Pri tem se teksti analiz obarvajo s pripadajočo barvo, torej barvo značilno za stanje analize (črno, rumeno, rdeče). Slika 34: Stanje analiz Na podlagi tega diagrama lahko sledimo mogočim korelacijam med posameznimi analizami in ugotovitve zapisujemo v priporočila, kar še poveča učinkovitost baze znanja Shranjevanje podatkov Podatke lahko shranimo v že obstoječo datoteko ali pa jih shranimo pod drugim imenom. Če podatke ne shranimo nam program pri izhodu ali odpiranju drugih datotek sam predlaga shranitev. 80

81 Računalniška aplikacija Zaradi velikega števila datotek lahko podatke tudi odstranimo z ukazom ODSTRANI, ki izbriše vse datoteke, ki so povezane z glavno datoteko Grafični prikaz podatkov Vnesene podatke aplikacija prikaže tako številčno kakor tudi grafično. Grafe lahko s pomočjo miške povečamo in premikamo. Grafi se osvežijo ob vsaki spremembi, ki jo uporabnik povzroči v tabeli. Grafe lahko naknadno shranimo v BMP formate in s tem omogočimo uporabniku, da sliko grafov uporabi v preostalih računalniških programih Tiskanje grafov Graf lahko povečane natisnemo na papir in sicer na list A4 format Izpis podatkov v tekstovni datoteki Vse podatke iz tabel lahko shranimo v tekstovno datoteko, ki jo lahko nato odpremo v preostalih programih, na primer v EXCEL-u. S klikom na Izvozi podatke v meniju DATOTEKA, se nam odpre dialog za shranjevanje. Tu vpišemo ime datoteke, pod katero želimo shraniti podatke. Program nato vse podatke zapiše v tekstovno datoteko tako, da so številke ločena z»:«(dvopičjem). Če podatka ni se nam namesto številke izpiše znak»/«. Ime na nastalih datotek se kreirajo tako, da program uporabi vpisano ime v dialogu in doda še ime tabele, iz katere so podatki: Ime.txt_FERO, podatki o DR ferografiji. Ime.txt_FK, podatki o fizikalno kemijski analizi. Ime.txt_PLP, podatki o PLP analizi. Ime.txt_SPEKT, podatki o spektrografiji Izdelava in tiskanje poročila Poročila kreiramo s klikom na gumb s poročili: ANALITIČNA FEROGRAFIJA, POROČILO O STANJU OLJA, POROČILO O STANJU STROJA, POROČILO O TEMPERATURI. S klikom na gumb odpremo novo formo, kjer vpišemo vse potrebne podatke, nato kliknemo na gumb PREDOGLED in izpiše se nam poročilo. S klikom na gumb z oznako tiskalnika, poročilo natisnemo. 81

82 Primer uporabe računalniške aplikacije 10.0 PRIMER UPORABE RAČUNALNIŠKE APLIKACIJE Kot primer praktične uporabe računalniške aplikacije sem obdelal rezultate analiz sončničnega in mineralnega olja, ki je bilo testirano v enostopenjskem reduktorju v CTD [12] PODATKI ANALIZ Na vzorcih olja so bile opravljene naslednje analize: viskoznosti pri 40 o C. viskoznosti pri 100 o C. nevtralizacijskega števila: TAN. delcev v olju: o Vrednost velikih delcev: D L. o Vrednost majhnih delcev: D S. Rezultati so podani v tabeli 11. Med preizkusom smo merili tudi: temperaturo okolice in temperaturo olja. Rezultati so podani v tabeli 12. Tabela 11: Tabela rezultatov analiz Sončnično olje Mineralno olje Čas brat. [h] vis. 40 o C vis. 100 o C TAN DL DS Čas brat. [h] vis. 40 o C vis. 100 o C TAN DL DS ,

83 10.2 OBDELAVA PODATKOV IN IZRIS GRAFOV Primer uporabe računalniške aplikacije Sončnično olje Slika 35 prikazuje časovno odvisnost viskoznosti pri 40 o C, slika 36 pa prikazuje časovno odvisnost viskoznosti pri 100 o C. Na slikah je izrisan graf viskoznosti s točkami vzorčenja. Poleg viskoznosti sta izrisani tudi mejni vrednosti (horizontalni črti), ki opredeljujeta območje normalnega delovanja. Spodnja kritična (mejna vrednost) meja je bila definirana, kot 10% odstopanje od začetne vrednosti viskoznosti, zgornja kritična (mejna vrednost) meja pa je bila definirana, kot 20% odstopanje od začetne vrednosti viskoznosti. Slika 35: Sončnično olje: viskoznost pri 40 o C Slika 36: Sončnično olje: viskoznost pri 100 o C 83

84 Primer uporabe računalniške aplikacije Slika 37 prikazuje časovno odvisnost TAN. Na sliki je izrisan graf TAN-a ter točke vzorčenja. Poleg TAN je izrisana tudi kritična (mejna vrednost) meja (horizontalna črta), ki je bila definirana z vrednostjo TAN-a pri 5 vzorcu. Slika 37: Sončnično olje: TAN Slika 38 prikazuje časovno odvisnost WPC-ja oziroma indeksa intenzivnosti obrabe. Na sliki je izrisan graf WPC-ja, opozorilna meja, kritična meja (glej legendo) ter točke, ki označujejo čas vzorčenja. Iz same slike so razvidna tri področja delovanja, in sicer: področje utekanja pri času od 0 do 300 ur, področje normalnega delovanja pri času od 300 do 648 ur in področje nestabilnega delovanja.pri času 648 do 890h. Slika 38: Sončnično olje: WPC 84

85 Primer uporabe računalniške aplikacije Slika 39 prikazuje časovno odvisnost kumulativne vsote vsote in kumulativna vsota razlike izmerjenih vrednosti D L in D S (poglavje ). Na sliki sta izrisani kumulativni vrednosti vsote in razlike ter točke vzorčenja. Slika 39: Sončnično olje: kumulativna vsota Slika 40 prikazuje časovno odvisnost vrednost PLP-ja (poglavje , en. 7). PLP vrednost označuje vsebnost velikih delcev v primerjavi z majhnimi delci, kajti povečanje vsebnosti velikih delcev označuje povečano obrabo. Slika 40: Sončnično olje: PLP 85

86 Primer uporabe računalniške aplikacije Mineralno olje Slika 41 prikazuje časovno odvisnost viskoznosti pri 40 o C, slika 42 pa prikazuje časovno odvisnost viskoznosti pri 100 o C. Na slikah je izrisan graf viskoznosti s točkami vzorčenja. Poleg viskoznosti sta izrisani tudi mejni vrednosti (horizontalni črti), ki opredeljujeta območje normalnega delovanja. Spodnja kritična (mejna vrednost) meja je bila definirana, kot 10% odstopanje od začetne vrednosti viskoznosti, zgornja kritična (mejna vrednost) meja pa je bila definirana, kot 20% odstopanje od začetne vrednosti viskoznosti. Slika 41: Mineralno olje: viskoznost pri 40 0 C Slika 42: Mineralno olje: viskoznost pri 100 o C 86

87 Primer uporabe računalniške aplikacije Slika 43 prikazuje časovno odvisnost TAN. Na sliki je izrisan graf TAN-a ter točke vzorčenja. Poleg TAN je izrisana tudi kritična (mejna vrednost) meja (horizontalna črta), ki je bila definirana z vrednostjo TAN-a pri 5 vzorcu Slika 43: Mineralno olje: TAN Slika 44 prikazuje časovno odvisnost WPC-ja oziroma indeksa intenzivnosti obrabe. Na sliki je izrisan graf WPC-ja, opozorilna meja, kritična meja (glej legendo) ter točke, ki označujejo čas vzorčenja. Slika 44: Mineralno olje: WPC 87

88 Primer uporabe računalniške aplikacije Slika 45 prikazuje časovno odvisnost kumulativne vsote vsote in kumulativna vsota razlike izmerjenih vrednosti D L in D S (poglavje ). Na sliki sta izrisani kumulativni vrednosti vsote in razlike ter točke vzorčenja. Slika 45: Mineralno olje: kumulativna vsota Slika 46 prikazuje časovno odvisnost vrednost PLP-ja (poglavje , en. 7). PLP vrednost označuje vsebnost velikih delcev v primerjavi z majhnimi delci, kajti povečanje vsebnosti velikih delcev označuje povečano obrabo. Slika 46: Mineralno olje: PLP 88