齿轮箱润滑油磨粒分析研究现状与进展

唐 磊，沈 涛，王 熠，周 峰，史俊杰，何代全

（云南中烟工业有限责任公司红云红河集团红河卷烟厂，云南红河 652399）

0 引言

润滑油是机械设备运行中不可或缺的“血液”和重要的“流动部件”，世界范围的研究调查显示，60%～70%的齿轮箱寿命和故障失效与润滑直接相关[1-3]。由于磨粒的产生存在较强的复杂性、随机性，过去的润滑油磨粒分析技术较大程度上依赖于专家的专业知识和分析经验，且分析过程通常需要花费较高成本和较多时间，结果也具有一定的主观性，导致磨粒分析未能在工业企业中广泛应用，并成为有效的设备状态监测手段和策略[4]。近年来，随着检测仪器及相关软硬件的发展、在线监测传感技术的升级和计算机算力的增强，基于润滑油磨粒分析和监测的机械设备齿轮箱磨损故障诊断的研究发展迅速，已成为机械设备智能故障诊断的研究热点和重点。

齿轮箱作为机械传动中重要的零部件之一，因其长时间工作运转引起的磨损状况是影响设备正常工作和使用寿命的决定性因素。当齿轮箱内零部件出现异常磨损时，产生的磨损磨粒会第一时间进入润滑油液中，通过对润滑油中的磨损类、添加剂类、污染类杂质进行识别和判断，对磨损过程中产生磨粒的数量和大小、几何形态、表面光泽和颜色、磨粒元素和化学成分等特征进行分析，可以评估当前存在异常磨损的类型和模式，进而了解和评价齿轮箱的运行状态和磨损程度及倾向[5-8]，为重要机械设备齿轮箱开展以可靠性为核心的视情维修和前瞻性维护提供依据[9]，此外，也能为实现润滑油从“按期换油”向“按质换油”、避免盲目与浪费、提升节能减排水平提供依据。

1 磨粒分析发展历程

20 世纪40 年代，美国开始对设备液压系统、航空飞行器润滑系统、铁路运输设备等领域开展基于油液分析的机械零部件磨损研究[10]。40 年代初期，美国铁路公司实验室首先采用AES（Atomic Emission Spectrometry，原子发射光谱分析方法）[11-12]，对发动机磨损发生的过程、工作状态、润滑油磨粒元素种类、对应含量进行监测，发挥了提前判断发动机零件失效、异常磨损的重要作用。50 年代，美国军事领域首先使用了基于AES 润滑油监测技术，获得了明显的应用效果，后将该技术推广到相关的工业领域。60 年代中期，颗粒计数法（Particle Counting Method）[13]开始出现在润滑油监测研究中，该方法对于获取量化数据、用于评价润滑油受污染的程度，有着良好的支撑作用。70 年代初，铁谱技术（Ferrography Technology）问世[14]，并随即应用在机械设备的润滑系统故障诊断中，能够通过检测磨粒的形貌特征及数量，推测磨损的类型、模式及严重程度等信息。1982 年9 月，英国Swansea University 召开的国际铁谱技术学术会议[15]，把铁谱技术用于设备状态监测推到了新的高度。80 年代起，油液监测工作者持续探索，并大力推广基于红外光谱仪检测技术的润滑油成分变化程度及污染度分析，以此反映润滑油在使用过程中由于出现氧化、硫化、硝化而引起变质的情况。此外，随着傅立叶变换红外光谱仪（FTIR Spectrometer）的出现，极大加快了油液监测领域的发展。90 年代，利用气相色谱和质谱分析方法（GC-MS）检测润滑油成分变化也有相关研究和应用[16]。21 世纪初期，油液监测仪器发展更加快速、丰富，呈现功能多样、便于携带、在线监测等发展特点。互联网技术的急速发展，推动了油液监测技术研究的持续深化，如远程状态监测、预警和诊断等[17]。

通过以上文献回顾可以看出，磨粒分析技术在磨粒特征参数检测方法、特征参数拓展等方面得到了显著提升，相继出现了分析式、直读式、在线式铁谱仪，直读式发射光谱仪、原子吸收光谱仪、X 射线荧光光谱仪、红外光谱仪，以及各类在线磨粒检测传感器和仪器。随着计算机软硬件的不断升级，信号处理、图像识别和智能算法技术的不断发展，出现了许多针对不同应用场景和需求的新型磨粒分析技术，如基于专家系统、灰色系统理论、模糊理论、神经网络理论、信息融合理论的润滑油磨粒分析方法，使磨粒分析技术进入了新的发展阶段。当前，润滑油磨粒分析技术已成为设备状态监测的一种重要手段，成为一种融合多学科、在线与离线并举、监测诊断与维修管理的先进技术。

2 磨粒分析特征参数

润滑油磨粒分析的特征参数一般包括4 个方面的内容[18]：磨粒数量和大小、磨粒几何形态、磨粒表面光泽和颜色、磨粒元素和化学成分。根据这四个特征参数的检测数据，能够根据磨损机理推测磨损类型、磨损发生部位、磨损严重程度等，从而预报设备运行状态及可能的故障，为维护维修提供指导。

2.1 磨粒数量和大小

表征磨粒数量和大小的特征参数主要以每毫升颗粒数大于某个指定尺寸的单位表示，也可以根据ISO、NAS 或SAE 标准以清洁度等级或代码级别表示[19]。常用的表征磨粒大小的参数有磨粒的投影径、统计平均径、几何当量径、物理当量径等[20-24]，通过选取一种或几种大小特征参数来确定磨损磨粒的变化趋势。常用的磨粒数量和大小特征参数见表1。表中，dfmin、dfmax是最小/最大费雷特直径；dfmean是所有方向上的费雷特直径的平均值；Dfvol是与由以dfmin为直径、dfmax为长度构成的圆柱相同体积的球体直径。

表1 油液磨粒数量和大小参数

从研究进展可知，磨粒数量和大小检测通常作为油液定期测试的基础环节，同时也是前期油液分析的关键，以监测润滑油的污染水平。在实际应用中，如果润滑油磨粒监测出现磨粒数量的突然上升，或大尺寸磨粒开始出现，则需要根据生产情况，选择开箱检查的应急策略，或应用如铁谱分析、光谱分析、扫描电镜、X 射线能谱分析等复杂技术做进一步分析，以防止发生重大故障失效情况。

图1 油液磨粒数量和大小示意

2.2 磨粒几何形态

通过磨粒数量和大小的分析，可以评估设备齿轮箱的磨损状况及严重程度，但是，对于产生磨粒的磨损机制确定、磨损部位预测，则一般需要进行磨粒的几何形态分析[25-29]，常用几何形态特征参数见表2。

表2 油液磨粒几何形态

图2 油液磨粒几何形态示意

研究进展显示，由于磨损过程所处的温度、压力、环境、接触方式等磨损机制和原理存在差异，因而磨损磨粒表现出来的形状、轮廓、边缘、纹理等几何形态也不尽相同，如层状磨粒、块状磨粒、球状磨粒、条状磨粒等。因此，在实际应用中，通过对磨粒几何形态的分析，可为初步判断和明确不同磨粒类型和发生磨损的模式提供参考和指导。

2.3 磨粒表面光泽和颜色

磨粒的表面光泽和颜色主要由背景为“0”的像素点RGB 三色指标来决定，磨粒图像上的每个像素点以｝来表示其表面光泽和颜色特征，其中fR、fG、fB分别表示RGB 值的大小，值域范围0～255。颜色特征量定义见表3（以R 指标为例）。

表3 油液磨粒颜色特征

文献［30］对比了7 类典型特征磨粒的部分颜色参数计算值均值（表4）。

从表4 数据可得：黑色氧化物磨粒的颜色参数均值、标准值均明显小于其他类型磨粒，且R、G、B 分量的均值也接近，这与其近似的灰黑色（RGB 值为96，96，96）外观相符。因此，在实际应用中，通过对比磨粒颜色参数与典型特征磨粒的颜色参数均值与标准差，便可初步判断发生磨损的机制、部件和位置，进而为故障定位和诊断提供科学的参考。

表4 典型特征磨粒的部分颜色参数计算值均值

2.4 磨粒元素和化学成分

在润滑油磨粒分析的众多方法中，元素分析法[31-36]是对润滑油中磨粒进行定性、定量分析的有效方法之一，如原子发射光谱法，可以在高温源中将原子化的元素提高到激发态，当电子进入空轨道并以可见光或接近该范围的特定波长的光子释放出多余能量，用光子的波长即可识别发射原子的化学元素，进而确定磨损金属的元素组成。由磨粒金属的类别对实际磨损部位进行精准识别，快速定位异常磨损位置点，提高故障诊断的效率。齿轮箱润滑油中常见元素的射线特征波长见表5，几类常见磨损磨粒特征[37-41]见表6。

表5 常见磨粒元素射线特征波长

表6 几类常见磨损磨粒特征

从磨粒分析特征参数的综述可知，不同的磨损机理、磨损模式会产生不同种类的磨损磨粒，而这些磨损磨粒又具有与其对应和匹配的参数特征。在实际应用中，通过分析润滑油磨粒的数量和大小、几何形态、表面光泽和颜色、元素和化学成分等方面的特征参数，就可以判断磨损类型、磨损部位、磨损程度和严重性，从而预报设备运行状态及可能的故障，为机械设备、尤其是高速卷接包装设备的自主维护、深度维修提供指导和参考。

3 磨粒分析方法和检测手段

磨粒特征参数的分析是判断磨损类型、磨损部位、磨损程度和严重性的重要基础，而获得相应分析数据的检测方法和手段主要有以下3 类。

3.1 离线磨粒分析

3.1.1 磁塞分析

磁塞分析是将磁塞（图4）安装在润滑系统管道或油箱内，由磁塞芯对润滑油中悬浮的铁磁性磨损磨粒进行吸附，通过定期对收集的磨损磨粒特征参数进行观测、分析，了解机械部件的磨损状态。

图4 磁塞结构示意

磁塞分析是一种简易的离线检测手段，其加工制造成本低，配合普通显微镜即可进行磨粒分析，对磨损状态做初步判别。缺点是仅适用于较大铁磁性磨粒的收集，对设备故障的早期预报性较差；此外，由于收集到的磨粒是累积的结果，结果存在一定的偶然性，也难于对单个颗粒进行观察。

目前，针对磁塞的研究主要聚焦于在线磁塞传感器的应用研究，通过实时监测油液磨粒状态以监控铁磁性金属磨粒的变化趋势。

图3 常见磨损磨粒作用机理

3.1.2 铁谱分析

铁谱分析是借助磁力将油液中的金属颗粒分离出来，并使油液中的磨粒依据磁力的大小按磨粒尺寸依次排列、并沉积在玻璃基片上，结合可视铁谱显微镜对磨粒的数量及形貌特征进行测量、观察和分析，从而获得磨损相关信息（图5）。

图5 铁谱分析原理

铁谱分析仪主要有直读式铁谱仪、分析式铁谱仪、智能铁谱分析仪和在线式铁谱仪，其中使用广泛的智能铁谱分析仪主要是基于成像技术，获得油液中磨粒的数量及形貌特征，再通过专家识别系统，对磨粒的类型进行智能预测和判别。和传统铁谱技术相比，智能铁谱分析仪检测速度快、操作简单、检测范围和精度较高，可部分取代分析式铁谱仪。

目前，针对铁谱分析的研究主要包括两方面：一是铁谱分析仪器的改造和研制，二是基于计算机图像分析技术的磨粒识别、统计与诊断技术的研究。

3.1.3 光谱分析

光谱分析是根据不同物质的光谱谱线差异来鉴别物质的化学组成和相对含量的方法，根据分析原理可分为发射光谱分析（图6）与吸收光谱分析二种。对油液进行光谱分析可以获得油液的组成成分、磨损磨粒及污染杂质等元素的信息及其变化趋势，从而实现设备磨损状态评估及磨损部件的诊断。

图6 发射光谱分析原理

光谱分析方法灵敏度较高，分析范围广，对异常磨损现象的初期判别、磨损严重性趋势预测及磨损发生点定位的研究具有极强的指导意义，但是，受到仪器购置和维护成本偏高的制约，导致该方法的性价比不高，此外，有效识别范围一般在5 μm 以下，制约了其在润滑油磨粒分析中的广泛应用。

目前，光谱分析研究主要包含故障诊断范畴和状态监测范畴两个方向：基于磨损金属成分光谱分析的磨损故障初期定位和基于磨粒变化趋势光谱分析的磨损状态预测。

3.1.4 污染度分析

污染度分析是利用颗粒计数技术对油液中固体磨粒的尺寸、大小和数量进行分析，获得油液污染度等级评定的分析技术，目前应用的污染度分析技术按原理可分为遮光型、流量衰减型、滤膜阻塞型等颗粒计数器，其中遮光型颗粒计数器使用最为广泛，其原理是由遮光型传感器接收光源发出的平行光束，当油液从二者间流过时，部分光被磨粒遮挡，导致传感器接收到的电信号发生变化，通过与校准标准作对比，即可生成磨粒的尺寸和计数信息。

污染度分析仪器通常操作简单、计数快速、携带方便，适用于现场监测。缺点是易受流体阻光性、夹带气泡和水污染等影响，或不符合ISO 相关标准。

目前，污染度分析技术的研究主要集中在转变离线检测为在线、即时监测应用方面。

3.2 在线磨粒分析

3.2.1 基于磁性电子感应探头的磨粒探测仪

在线铁磁性磨粒探测技术是将离线磁塞技术转移到在线监测的具体应用，其结构由一个磁性电子感应探头和电子控制单元组成，当捕获到的金属磨粒达到设定值时，将产生报警电信号并传输到监控中心。可用于捕获和测量各类旋转和运动机械因疲劳损伤和润滑不良产生的铁或含铁金属磨粒，对于齿轮、轴承和其他运行机件，该仪器能捕获90%以上因疲劳损伤和润滑不良产生的铁或含铁金属磨粒。

3.2.2 基于超声散射回波法的超声波传感器

在线超声磨粒检测技术的核心是超声换能器，通过发出超声脉冲，基于油液和磨粒散射得到回波信号的差异，用计算机对回波信号进行采集和处理，进而识别出磨粒的尺寸并实时显示。具有实时性好、检测效率高、声波在高温油中穿透性强的特点，此外，由于超声传感对油液中气泡、水滴以及磨粒的形状、材质等均有检测能力，因此越来越受到研究应用的重视。

3.2.3 基于X-射线荧光光谱法的嵌入式分流传感器

在线荧光光谱磨粒检测技术是使用放射性同位素或电子X-射线管作照射源，对数分钟或数小时流经传感器的金属磨粒总量进行累计，并用平均累计结果建立基线，据此确定磨损率的增加量的一种方法。

3.2.4 基于过滤器碎屑分析法的嵌入式金属颗粒传感器

在线磨粒监测技术通常可分为两大类：一类是利用浸入式传感器，当探测到大的铁质颗粒时，能够起到预警作用；一类是油液颗粒探测器，当磨粒随油液流过传感器时，可按照粒度、数量和类型（铁质或非铁质）记录金属颗粒，可对粒度超过100 μm的磨粒连续探测和计数。该技术可以解决现代机械转速和功率越来越高，油过滤器孔径越来越小，导致油液取样分析提前发现异常磨损的有效性降低问题。常用的磨粒检测方法和仪器汇总[42-48]见表7。

表7 常用磨粒特征参数检测方法和仪器

通过对以上离线及在线润滑油磨粒分析方法的文献分析可知，针对不同的齿轮箱运行工况、运行场合、主要易损件及关键零部件制造材料和元素特点，可以结合不同的监测需求，选择一种或几种磨粒分析方法，如铁谱分析与光谱分析相结合，以获得较大的检测范围。并通过离线、在线或离线在线相结合的手段，设计更有针对性、更有效的分析策略，获得当前齿轮箱油液中磨粒的实际情况和真实情况，进而通过检测数据来实现齿轮箱状态和劣化趋势的精准跟踪和密切监控，确保磨粒分析达到预期目的。

然而，对于卷烟包装设备，基于磨粒分析技术的不同齿轮箱状态监控的通用性方法及个性化手段的研究仍有待更多关注。

3.3 智能磨粒分析

以上文献分析更多关注在用润滑油磨粒特征参数的传统获取方面的研究和方法，数据分析主要依赖于专家的知识经验，而随着检测仪器和在线传感技术、计算机和人工智能技术的不断发展，传统磨粒识别已无法满足现代设备状态检测的需要，对磨粒的自动识别和对当前磨损状态的自动感知，已经发展成为设备磨损状态检测研究中的又一关键问题。

当前，将先进的智能分析技术引入润滑油磨粒分析过程，实现磨粒的自动识别和精确预测已成为相关仪器和装置在线检测的研究热点和难点。目前应用比较广泛的智能理论主要有神经网络、模糊理论、灰色理论、支持向量机理论等，几种代表性的智能理论应用情况[49-60]见表8。

表8 典型智能油液分析方法

对上述有代表性的智能理论应用情况回顾可知，基于智能分析的数据分析方法，能够在一定程度上提高对磨粒自动识别和对当前磨损状态自动感知的经济性、准确性和时效性，是突破传统分析主要依赖于专家知识经验的有效方式。

4 总结与展望

油液磨粒分析技术对磨损磨粒的识别和预测具有较强的指导意义，可以实现设备齿轮箱在无拆解状态下的磨损故障分析，能够反映摩擦系统时变特征的系统输出，现已成为齿轮箱等封闭式润滑系统磨损状态监测的常用故障诊断技术。从现有文献回顾中，新型在线传感监测、智能算法自动识别和融合分析方法依然是润滑油磨粒分析的主要研究方向，但同样存在一些明显的挑战性问题亟待解决，主要体现在：

（1）在新型在线传感监测研究方面：随着复合功能润滑油的使用，一些润滑油改性添加剂（如纳米量级的添加微粒），对磨粒监测系统带来的影响缺乏必要研究。

（2）在智能算法自动识别方面：①现有磨粒分析方法普遍适用于常见种类的磨损磨粒材料识别，对某些稀有金属、改性金属等特殊金属或非金属元素的识别缺乏深入研究；②研究主要集中在常规机器学习方法的探索和应用，对深度学习、强化学习、迁移学习理论的应用研究还比较少。

（3）在检测模型构建方面：①典型深度学习方法的高性能与磨粒检测的小数据量之间的矛盾，导致深度学习方法在磨粒分析中的应用存在局限性；②大多数预测模型的适用范围仅仅局限在单一磨损机理方面，比如只适用于疲劳磨损，或粘着磨损等，普适性和泛化性仍需开展进一步研究。

（4）在融合分析方法方面，①随着智能分析方法的爆发式发展，不同模型的适用性与磨粒分析需求之间的对应性存在较大探索空间；②在各类智能理论的匹配性、泛化性研究方面，以及油液磨粒分析技术与其他故障诊断技术的融合研究方面，仍有一定的挑战性。

对卷烟包装设备的故障预警和诊断研究而言，结合新型金属或非金属材料、复杂传动机构的广泛使用，以及设计车速为14 000 支/min 左右高速设备的主流应用趋势，有必要继续开展基于智能油液磨粒分析技术的特殊材料元素识别研究、关键传动磨损机制研究、以及状态监测、故障预警和诊断等方面研究，借助新兴技术进一步提升烟机设备的运行效能和保障水平。

云南中烟工业有限责任公司科技项目：基于润滑油分析和监测的设备故障预警方法研究与应用（2021JC11）。