Обсуждение статьи "Анализ отработанного масла: как определить, что является нормой?"

[torcon 83,914]

Обсуждение статьи "Анализ отработанного масла: как определить, что является нормой?"

Привожу перевод с гугл переводчика... 

Просмотр данных UOA

Анализы отработанного масла (UOA) — это инструменты. И как большинство инструментов, они могут использоваться как правильно, так и неправильно, в зависимости от применения, пользователя, окружающих условий и т. д.=

Уже существует много хороших статей и публикаций, которые рассказывают нам, как интерпретировать информацию, которую мы видим в отчете UOA; они говорят о том, какие элементы и физические свойства указывают на определенные компоненты и условия. Цель этой статьи не в том, чтобы обсуждать или опровергать этот тип информации. Скорее, цель этой информации — дополнить эти другие статьи. Большинство этих статей не затрагивают одну очень важную тему: статистическую нормальность. То, что является «нормальным» в наборе данных, представляет собой типичные средние значения и ожидаемые отклонения в пределах этой группы. Короче говоря, это вопрос того, как рассматривать серию UOA и видеть, как результаты могут формировать наше представление о здоровом или больном элементе оборудования и жизнеспособности непрерывной службы смазки.

Не вдаваясь глубоко в теорию статистического анализа и образование, я просто представлю то, что важно и полезно для понимания данных, которые мы получаем из ресурсов UOA, чтобы можно было принимать обоснованные решения и избегать ошибочных выводов. Многие слышали о подходе «Шесть сигм» с использованием статистики и других подобных концепциях. Они применимы к миру смазочных материалов так же, как и к любой другой теме. Я применю эти концепции к интерпретации нескольких серий UOA, используя для иллюстрации примеры из реального мира.

Во-первых, поймите, что статистический анализ может применяться как в малых, так и в больших форматах точек зрения. Обычно их называют микроанализом и макроанализом. Я буду различать эти две концепции, с особым намерением рассмотреть, как эти инструменты полезны при интерпретации UOA. В любом случае, и за редким исключением, протокол диктует, что для установления достаточно надежных результатов необходимо 30 или более образцов данных; это можно сделать и с немного меньшим количеством, но данные не будут такими же надежными, и возникнут математические проблемы. Кроме того, вы не можете объединить одну методологию с другой ради накопления достаточного количества данных; количества должны быть самодостаточными. У вас, конечно, может быть один или несколько поднаборов полных микроданных в больших популяциях макроданных, но вам не следует смешивать их для достижения минимального набора. Короче говоря, вы не можете накопить достаточно данных, просто добавляя их из разных методологий или дублируя их, чтобы удовлетворить требованию минимального набора.

Микроанализ рассматривает одну конкретную сущность и позволяет данным развиваться по мере того, как на нее влияют входные данные. Примером этого может служить выполнение серии UOA на одном двигателе с использованием постоянной марки/класса смазочного материала с достаточно постоянными схемами использования. Насколько это практически возможно, все входные данные (смазочное вещество, топливо, фильтрация, цикл выборки UOA и т. д.) поддерживаются постоянными (или с минимальными изменениями), чтобы мы могли видеть естественное развитие информации. Мы делаем это для установления диапазонов и допускаем развитие любых тенденций. Со временем эту методологию можно использовать для определения того, какой продукт или процесс превосходит другой для любого конкретного применения. Очень важно отметить, что даже при наличии чрезвычайно постоянных условных и ресурсных входных данных существуют отклонения, даже когда процесс находится под контролем. Нам нужно много данных из этого единого источника, чтобы точно определить, что является средним и нормальным; для этого требуется много времени, денег и терпения.

Макроанализ рассматривает не одну сущность, а все сущности в желаемой группе и моделирует не индивидуальные эффекты, а скорее детализирует или предсказывает поведение (результаты) массовой реакции населения на изменяющиеся условия (множественные входы). Здесь мы можем рассмотреть большую группу UOA, которые представляют часть оборудования (двигатель, коробка передач, дифференциал, трансмиссия и т. д.) из разных точек происхождения, и искать то, что является «нормальным» в широкой базе приложений. Этот подход часто используется; он преобладает при разработке многих продуктов, от медицинских испытаний до обычной электроники, бытовой техники, автомобилей, расходных материалов, таких как зубная паста и питьевая вода. Список того, как можно применять макроанализ, почти бесконечен. И пока понятны предписания и ограничения, можно сделать правильные выводы. Макроанализ происходит намного быстрее, поскольку принимаются множественные источники. Однако следует проявлять осторожность, чтобы убедиться, что не делаются нелогичные выводы, основанные на ложных предположениях или на путанице корреляции с причинно-следственной связью.

Обратите внимание, что ради последовательности, целесообразности и читабельности я часто округляю значения вверх или вниз, чтобы сделать их презентабельными для быстрого восприятия. Данные могут терять свою человеческую ценность в моменты, когда мелочи цифр подавляют сообщение, которое данные пытаются передать.

Учитывая все это, теперь переходим к самому интересному…

Откуда берутся данные…

Я собирал UOA в течение многих лет из различных источников на всех видах оборудования. Я также получил большой объем данных UOA от Blackstone Laboratories. Они были достаточно щедры, чтобы сотрудничать в этом начинании, и Райан Старк был особенно полезен в получении информации, необходимой для создания нескольких ключевых примеров. Не волнуйтесь, ни один профиль клиента не был скомпрометирован. Мне были предоставлены только необработанные данные, а не какая-либо конфиденциальная личная информация. Blackstone очень хорошо защищает конфиденциальность клиентов, и это начинание не является исключением. Кроме того, я могу добавить некоторые данные UOA из других источников.

Давайте рассмотрим несколько примеров популярных движков. Я воспользуюсь ими, чтобы показать, как разрабатываются данные и как нужно быть осторожным, чтобы не дать данным выйти из-под контроля. Я покажу, как следует использовать «универсальные средние» (среднее), и как «дисперсия» (стандартное отклонение) влияет на нереализованную историю. Я укажу, какие выводы справедливы, а какие нелогичны.

Я собираюсь обсудить только металлы износа, поскольку это результаты, а не входные данные. Мы могли бы применить эти же принципы анализа к элементарным входам (кальций, магний, фосфор, бор и т. д.) или физическим свойствам (температура вспышки, вязкость и т. д.), но они намеренно манипулируются производителями смазочных материалов. Фактически, сама природа методологии макроанализа учитывает огромную изменчивость этих входных данных. Поэтому мы сосредоточимся на металлах износа, потому что они являются «рассказчиками сказок»; они сообщают нам, насколько износ произошел, и могут позволить нам иметь разумное понимание того, насколько больше может произойти, если OCI будет продлен. Короче говоря, манипулируемые физические свойства жидкости и критерии пакета присадок являются входными данными, тогда как результаты данных об износе являются выходными данными.

Другие моменты, которые следует отметить: мое обсуждение и анализ здесь основаны на предположении, что смазочные материалы, представленные в данных, не сильно или гротескно отличаются от указанных OEM-параметров. Хотя разумно ожидать, что кто-то будет использовать другой сорт смазочного материала, отличный от указанного, представленные данные вряд ли представляют собой полностью неподходящий выбор смазочного материала, такой как использование гипоидного трансмиссионного масла в картере двигателя или очень старого масла с рейтингом «CD» в современном дизельном двигателе и т. д. Короче говоря, большинство UOA представляют смазочные материалы, которые находятся на (или почти) правильном выборе жидкости для применения.

Быстрый ключ для отображения используемых терминов :

• Avg = средняя числовая величина
• HDEO = моторное масло для тяжелых условий эксплуатации (общепринято как смазочный материал для дизельных двигателей)
• МАКС = наибольшая величина, наблюдаемая в потоке данных для этого элемента
• Нормальный = в пределах приемлемых или желательных статистических стандартных отклонений
• OCI = интервал замены масла
• OLM = монитор срока службы масла
• На 1000 миль = среднее количество ppm за период воздействия в 1000 миль
• PPM = частей на миллион
• Std Dev = стандартное отклонение; сигма-узел; (символ греческой буквы «∑»)
• UL = верхний предел, с использованием 3-кратного значения сигмы
• UOA = анализ отработанного масла

Элементы износа перечислены в соответствии с периодической таблицей элементов:

• Al = алюминий
• Cr = хром
• Cu = медь
• Fe = железо
• Pb = свинец

( примечание : все данные по износу металла приводятся в ppm)

Пример микроанализа

Я собираюсь привести один пример серии UOA микроанализатора. OCI были выполнены неукоснительно (цель была 5000 миль +/- 100 миль). Эта серия UOA является воплощением последовательных входных данных; владелец был очень предан протоколу параметров тестирования. Это транспортное средство видело очень распространенное и типичное использование в своем жизненном цикле и окружающей среде, включая погоду, циклы вождения и т. д. Эта серия типов, честно говоря, очень редка. Очень немногие люди ездят так далеко ежегодно и имеют преданность и желание оставаться на курсе, тратить деньги и мириться с монотонностью таких ограниченных границ.

Ford 3.0L OHV бензиновый V-6

Один из самых производительных двигателей Ford; он выпускается уже очень давно с минимальными обновлениями, за исключением компонентов, связанных с выбросами.
(Примечание: это двигатель «Vulcan». UOA были изготовлены местной компанией, а не Blackstone. Мы должны признать, что в ходе этой серии произошли изменения в спецификациях API с SJ на SN.)

Нефтяные мили	Мили автомобиля	Эл	Кр	Фе	Cu	свинец
5002	49997	3	1	14	4	3
4976	54973	4	1	13	7	4
4998	59971	3	2	18	6	2
5012	64983	3	1	11	3	6
5003	69986	4	1	15	4	5
5101	75087	5	1	15	3	2
4968	80055	2	1	16	2	6
4899	84954	3	2	18	8	8
5060	90014	4	1	17	5	6
4937	94951	5	1	13	6	3
5014	99965	3	1	15	6	5
5028	104993	3	1	11	3	3
4949	109942	5	1	18	6	7
4993	114935	3	1	15	2	2
5093	120028	4	2	15	5	5
4953	124981	2	2	16	5	4
5001	129982	4	1	14	6	3
5009	134991	3	1	15	2	5
5029	140020	6	1	12	4	2
4920	144940	4	1	17	5	4
4936	149876	3	1	13	4	2
5065	154941	2	3	14	5	6
4956	159897	6	1	13	6	3
4952	164849	3	1	12	8	2
4993	169842	5	1	12	2	5
4927	174769	2	2	14	7	5
5086	179855	4	2	13	5	5
5023	184878	4	1	15	2	3
5001	189879	3	1	18	5	4
5058	194937	3	1	13	3	2
5027	199964	3	2	15	4	4
5019	204983	5	1	13	3	4
4987	209970	6	3	12	4	3
5003	214973	2	1	16	3	5
4989	219962	6	1	15	5	3
4901	224863	5	1	18	2	2
4896	229759	3	1	12	5	6
5023	234782	2	2	18	2	4
4919	239701	4	1	13	4	2
5102	244803	3	2	14	3	3
5014	249817	5	1	11	6	4
5019	254836	2	3	12	2	4
5027	259863	6	2	13	3	5
4966	264829	2	1	14	3	4
4976	269805	5	1	12	3	7
5020	274825	2	1	18	4	3
5030	279855	6	1	15	2	5
4960	284815	3	2	13	6	4

Нефтяные мили	Транспортные средства. Мили		Эл	Кр	Фе	Cu	свинец
4996	н/д	Среднее	3.7	1.4	14.4	4.2	4.0
52	н/д	Стандартное отклонение	1.3	0,6	2.1	1.7	1.5
5151	н/д	УЛ	7.6	3.2	20.7	9.3	8.6
5102	284815	Макс	6.0	3.0	18.0	8.0	8.0
		Ppm/1K	0.7	0.3	2.9	0,8	0,8

Это хороший пример микроанализа. Полученные данные являются согласованными и могут использоваться для принятия надежного решения о смазке для указанных условий эксплуатации; никаких отклонений не выявлено. Все стандартные отклонения значительно меньше средних значений; это ожидаемо и желательно в контролируемом наборе микроданных.

Этот автомобиль перешел с постоянного питания одним популярным фирменным синтетическим маслом с фильтром премиум-класса на качественное обычное масло с использованием типичного фирменного фильтра. Можете ли вы найти сдвиг диапазона данных, указывающий на то, что синтетика и высококачественная фильтрация были «лучше» в этом применении? Можете ли вы обнаружить точку пробега, где произошло изменение и привело к статистически значимым изменениям тенденции износа? Данные показывают, что средние металлы износа сместились менее чем на один пункт после этого изменения. Я дам вам подсказку: после изменения Al и Cr оба выросли, а Fe, Cu и Pb упали. Однако все изменения были в пределах одного стандартного отклонения для каждого отдельного металла. Короче говоря, нормальная изменчивость использования жизненного цикла значительно затмевает очень небольшое изменение износа. И когда два металла немного повышаются, а три снижаются, это можно было бы справедливо назвать спорным изменением; оно было статистически незначимым по всем критериям.

Мы можем предположить, что для этого плана обслуживания и эксплуатационной модели не было никакой ощутимой выгоды от использования высококачественных продуктов. Высококачественные продукты не давали ощутимого преимущества; наоборот, типичные качественные базовые продукты не представляли дополнительного риска ускоренного износа. Мы не можем сделать вывод, что этот результат будет верен для всех потенциальных обстоятельств; только то, что он верен при применении к OCI на 5 тыс. миль при данных условиях эксплуатации. Значительно более длинные OCI, вероятно, могли показать статистическую разницу между двумя вариантами смазки/фильтра, но это не было частью протокола испытаний.

Примеры макроанализа

Я собираюсь привести несколько примеров макроанализа, чтобы проиллюстрировать, как можно использовать данные массового рынка. Здесь мы можем увидеть, как большие группы объединяются, чтобы сделать объемные данные пригодными для использования. Я сделаю подробный анализ первых двух примеров, а затем представлю обобщения для следующих примеров. Ключевая концепция, которую нужно почерпнуть, заключается в том, как макроанализ, когда данные правильно управляются, определяет «нормальные» результаты. Все эти серии UOA были из Blackstone.

Ford 4.6L «модульный» бензиновый V-8

Эти выборки охватывают более 5 лет UOA, с августа 2007 по август 2012. Здесь почти 550 UOA; достаточно данных, чтобы определить, что «нормально», а что нет. В первом блоке данных показаны все выборки, а в последующих блоках данных показаны отдельные годы по дате процесса.

4.6л Форд	Время Нефть	Время на оборудование		Эл	Кр	Фе	Cu	свинец	Pb'
5 лет и 548 образцов	5516	94078	Средний	3.3	0.9	14.6	4.8	2.8	1.2
	5159	62211	Стандартное отклонение	2.4	0,6	9.7	4.7	27.4	2.8
	20992	280710	УЛ	10.4	2.7	43,6	19.0	85.0	9.7
	85372	487625	Макс	42.0	4.0	88.0	46.0	602.0	34.0
			За 1000 миль	.6	0.2	2.6	0.9	0,5	0.2
2007: 38 образцов	4492	79906	Средний	2.7	0,6	10.2	4.9	0.4	0.4
	2602	62244	Стандартное отклонение	1.0	0,6	5.9	5.6	0.7	0.7
	12297	266637	УЛ	5.6	2.5	27.9	21.7	2.4	2.4
	12926	300362	Макс	5.0	2.0	27.0	27.0	3.0	3.0
			За 1000 миль	0,6	0.1	2.3	1.1	0.1	0.1
2008: 100 образцов	4687	89521	Средний	2.9	0,8	14.0	4.3	9.5	1.5
	2980	62861	Стандартное отклонение	1.1	0,6	10.3	4.9	63.3	4.3
	13626	278103	УЛ	6.1	2.5	44,8	19.0	199,5	14.3
	20000	452602	Макс	6.0	4.0	68.0	40.0	602.0	28.0
			За 1000 миль	0,6	0.2	3.0	0.9	2.0	0.3
2009: 94 образца	4931	87685	Средний	2.8	0.7	12.7	4.1	1.3	1.3
	3893	64726	Стандартное отклонение	1.3	0,6	8.5	3.6	2.4	2.4
	16610	281861	УЛ	6.7	2.4	38.2	14.8	8.6	8.6
	22541	487625	Макс	9.0	2.0	65.0	21.0	17.0	17.0
			За 1000 миль	0,6	0.1	2.6	0,8	0.2	0.3
2010: 123 образца	5320	96641	Средний	3.4	0.9	14.6	5.4	1.5	1.1
	3078	61329	Стандартное отклонение	3.8	0.7	8.8	6.0	3.4	1.6
	14555	280628	УЛ	14.7	3.0	41.0	23.3	11.9	5.8
	18186	280817	Макс	42.0	4.0	49.0	46.0	34.0	9.0
			За 1000 миль	0,6	0.2	2.7	1.0	0.3	0.2
2011: 125 образцов	5720	96805	Средний	3.9	0.9	15.9	5.0	1.5	1.5
	3409	57271	Стандартное отклонение	2.4	0,6	10.4	3.7	3.4	3.4
	15948	268620	УЛ	11.2	2.6	47.1	16.1	11.9	11.9
	16400	359000	Макс	23.0	3.0	88.0	31.0	34.0	34.0
			За 1000 миль	0.7	0.2	2.8	0.9	0.3	0.3
2012: 68 образцов	8157	109594	Средний	3.7	1.0	18.1	5.1	1.6	0,6
	11520	66474	Стандартное отклонение	1.8	0.7	10.6	4.5	8.3	1.4
	42718	309017	УЛ	9.1	3.1	50.0	18.7	26.5	4.7
	85372	351645	Макс	12.0	4.0	57.0	31.0	68.0	9.0
			За 1000 миль	0,5	0.1	2.2	0,6	0.2	0.1

Обратите внимание, что для Pb есть два столбца: один — необработанные данные, а другой — тот же поток данных, из которого удалены всего три точки данных. Зачем удалять данные? Потому что эти три точки сильно искажали развитие потока данных. Большинство показателей Pb во всех других образцах были значительно ниже 35 ppm, но три образца имели величину 68 ppm, 204 ppm и 602 ppm. Когда я просмотрел отдельные детали UOA, эти три подозрительных отчета не содержали никаких указаний на разумное объяснение того, почему Pb был настолько высоким; OCI был коротким, другие металлы износа не были сильно искажены и т. д.

Хотя я могу подозревать, что, возможно, подшипник был поврежден или использовалось этилированное топливо (или этилированная топливная добавка), я не могу знать первопричину наверняка. Независимо от этого, эти три точки данных влияли на «нормальность» данных. Поэтому я создал столбец «свинец-первичный» (Pb') с этими тремя удаленными точками данных. Поскольку всего 548 выборочных UOA, и только три были удалены (что составляет всего половину одного процента от общей численности населения), определенно осталось много данных для использования. И посмотрите, как сильно эти три точки данных искажали результаты:

	Средний Pb	Стандартное отклонение
Полный набор данных:	2.8	27.4
Пересмотренный набор данных:	1.2	2.8

Посмотрите, как средний показатель Pb упал более чем на 57%, а стандартное отклонение уменьшилось почти в десять раз! Только 3 образца из 548 были ответственны за такой явный акт искажения этих данных. Вот где математика и здравый смысл объединяются, чтобы сделать разумный вывод о том, что некоторое вмешательство в данные оправдано и желательно. Удалив всего 0,5% совокупности данных Pb, мы очень значительно сместили диапазон. Это указывает на то, что эти три образца не были «нормальными», а оставшиеся 99,5% являются таковыми. В макроданных, когда стандартное отклонение является некоторой большой величиной, кратной среднему, есть основания полагать, что в потоке данных есть аномалии. Когда отклонение меньше (возможно, примерно на 150% больше или меньше), это указывает на то, что популяция массового рынка представляет изменчивость входных данных так, как и хотелось бы, и не подвержена влиянию спойлеров. Нет жесткого и быстрого правила; обучение, опыт и знание предмета данных помогают определить и разграничить, когда и где вмешиваться.

Продолжая, я разбил годы (определяемые по дате обработки UOA), чтобы выяснить, были ли какие-либо существенные изменения с течением времени; очевидно, что их нет. Например, взгляните на Fe. Средняя скорость износа Fe, рассматриваемая на основе «ppm / 1k mile», является достаточно стабильной и изменяется менее чем на 1 ppm за 5 лет данных.

Но давайте теперь рассмотрим тему износа Fe подробно; здесь есть отличная сюжетная линия. Как на него влияет продолжительность UOA в общей популяции? Если масло эксплуатировать дольше, Fe растет, и весьма предсказуемо. В 2007 году средний образец UOA для популяции был взят на 4,5 тыс. миль, и средний показатель Fe составил 10,2 ppm. Пять лет спустя средний образец UOA для популяции был взят на 8,1 тыс. миль, и средний показатель Fe составил 18,1 ppm. 80%-ное увеличение продолжительности пробега отразилось в результирующем 80%-ном увеличении Fe. Это очень предсказуемая кривая отклика; износ последователен. Но данные можно анализировать еще дальше и глубже.

Вот где износ Fe становится действительно интересным. Что произойдет, если мы разобьем данные из массовой популяции и попадем в подгруппы направленной продолжительности? Я вытащил образцы в пределах UOA и обнаружил, что средний износ Fe был таким:

Средняя продолжительность UOA	3К	5К	7К	10К
Fe ppm / 1000 миль	3.2	2.5	2.5	2.3

На самом деле верно, что при частой замене масла UOA будет демонстрировать более высокое содержание металлов износа Fe. Существует два разумных объяснения этого явления повышенного содержания металлов износа вскоре после OCI: остаточное масло и трибохимическое взаимодействие. Когда вы меняете масло, независимо от того, сколько вы «капаете-капаете-капаете» масла в поддон, в двигателе всегда остается умеренное его количество. Райан Старк из Blackstone оценивает, что до 20% старого масла остается, более или менее, в зависимости от уникальных особенностей каждой единицы оборудования. Таким образом, когда вы начинаете новый OCI, вы действительно не начинаете с нуля ppm. Кроме того, есть указания на то, что износ увеличивается после каждого OCI из-за химических реакций свежих пакетов присадок. Это утверждение подтверждается исследованием SAE, проведенным Ford и Conoco ( ссылка № 1) , которое предположило это самое явление, и дополнительно ссылается на предыдущее исследование с тем же выводом, предшествовавшее ему.

Итак, реальность такова, что мы наблюдаем комбинацию двух явлений: одно из них — остаточное масло, а другое — химические реакции. Повышенные показания к началу OCI обычно (для большинства двигателей) менее одного пункта, что составляет десятые доли изменения. Я не могу вывести из этого набора макроданных, какая часть износа вызвана остаточным маслом, а какая — химическим воздействием, но, честно говоря, это действительно не имеет значения, потому что в реальной жизни невозможно разделить эти два явления, и они действуют вместе, чтобы дать один результат. Износ металлов фактически повышается после OCI из-за химии и искусственно завышается остаточными металлами; мы не можем избежать этой истины.

Хотя скорость износа не сильно увеличивается в передней части OCI, она, безусловно, не уменьшается (не уменьшается) из-за частой замены OCI. Короче говоря, ранняя замена масла не снижает скорость износа, если вы не допустили, чтобы загрузка поддона стала скомпрометированной при предыдущей загрузке. Это тонкое, но очень важное различие. Когда у вас достаточно здоровое масло, наклон скорости износа, как правило, отрицательно плоский (лучше сказать «приглушенный», так как всегда есть некоторая дисперсия). Только после того, как масло станет скомпрометированным (перегруженным) каким-либо образом, вы увидите статистический сдвиг в скорости износа. Следовательно, более высокий износ в передней части OCI правдоподобен, но утверждение о меньшем износе со свежим маслом, безусловно, ложно. Скорость износа для Fe достаточно постоянна, если все остальные вещи находятся в хорошем рабочем состоянии. Те, кто часто меняют масло через 3 тыс. миль, не помогают своему двигателю. Те, кто оставляет его в течение более длительного времени, не вредят двигателю. На этом этапе я отмечу признание проблем, не связанных с износом металлов. Окисление, сажа, охлаждающая жидкость, топливо и т. д. могут вызвать необходимость в OCI. Но эти вещи также разумно отслеживаются в UOA. Так что, если состояние вашей жидкости хорошее, а износ металлов в порядке, нет смысла проводить OCI, пока что-то не изменится статистически значимым образом.

Что касается списка «UL», то это другая часть истории. «UL» представляет собой то, что можно было бы считать 3 ^-м ∑ верхним пределом нормального распределения. Рассматривая типичную дисперсию металла износа, мы можем установить стандартный предел серии узлов мульти-сигма, который определяет «нормальность» для широкого отклика рынка. Каждый раз, когда ваши результаты находятся в пределах 3- ^й сигмы, вы можете считать их «нормальными» (после того, как отклонения будут устранены). Это позволяет нам включать всевозможные переменные, такие как марка и сорт масла, факторы использования, факторы окружающей среды, факторы обслуживания и т. д. Если ваши результаты близки к одной сигме или меньше, вы находитесь в пределах нормального набора откликов.

Эти образцы представляют группу UOA двигателей Ford 4.6L, которые Blackstone получила в течение этого пятилетнего периода. Есть несколько постоянных клиентов, которые предоставляют образцы с одного и того же автомобиля, но они не более и не менее достоверны, чем отдельные UOA из разных источников. Образцы представляют не только бабушкин доставщик продуктов, но и многие двигатели грузовиков Triton, некоторые двигатели Police Interceptor, двигатели такси, высокопроизводительные двигатели Mustang, двигатели коммивояжеров с большим пробегом, двигатели для буксировки прицепов и т. д. Существует большой, необъятный мир входных данных для этих данных двигателя 4.6L; люди, которые используют жидкое 5w-20, и те, кто использует густое 5w-40. Включены люди, которые используют обычные смазочные материалы, и те, кто использует синтетические. Здесь все те, кто живет в жаркой пустыне юго-запада и в холодной Канаде. Включены те, кто доливает масло в картер, и те, кто этого не делает. Зачем упоминать все это? Когда входные данные так сильно различаются, данные уже включают разнообразие вклада массового населения. Или, проще говоря, широкий диапазон входных данных уже учтен в «нормальной» дисперсии результатов данных. Это одно из преимуществ макроанализа. Только если мы увидели большую разницу в скорости износа между подгруппами или огромные величины ∑, мы могли бы сделать вывод, что входные данные оказали большое влияние на результаты. С двигателем 4,6 л это просто не так; износ, как правило, не зависит от условий эксплуатации и OCI. Насколько это было практично, я взял эти данные о массовой популяции и разбил их на направленные подгруппы по пробегу автомобиля, воздействию смазки, году обслуживания, прогнозируемому фактору серьезности и т. д. Я намеренно пытался найти статистически значимое разграничение, где какой-либо фактор мог бы выделиться как уникальный; я не смог его найти. Следовательно, вывод, к которому следует прийти, заключается в том, что марка и класс масла, выбор фильтрации, а также различные факторы обслуживания и продолжительность OCI на самом деле не имеют большого значения в этом примере; двигателю 4,6 л действительно все равно, что вы используете или как вы им управляете.

GM-Isuzu 6,6 л Duramax дизельный двигатель V-8

Duramax известен как один из самых износостойких маломощных дизельных двигателей на рынке, и на то есть веская причина. Похоже, ему все равно, какое масло вы заливаете в поддон, если только это квалифицированное и правильно специфицированное HDEO. Насколько мне известно, GM не публикует предельные значения брака металла для этого двигателя. Вот как выглядят данные:

Нефтяные мили	Транспортные средства. Мили		Эл	Кр	Фе	Cu	Cu Prime	свинец
7261.2	100398.8	Среднее	2.7	0.3	16.3	16.0	3.4	2.1
4006.1	76147.9	Стандартное отклонение	1.2	0,5	10.5	53.0	4.3	2.5
19279.6	328842.6	УЛ	6.4	1.8	47.9	175.1	16.2	9.6
28417	843817	Макс	8	1	75	484	34	29
		Ppm / 1000 миль	0.4	0.0	2.2	2.2	0,5	0.3

Из этих 527 образцов все были из анализа в 2012 году. Образцы также представляли некоторые транспортные средства с довольно большим пробегом. Было 179 образцов из 527, которые имели пробег более 100 тыс. миль; многие были транспортными средствами с пробегом более 250 тыс. миль. Из-за своей родословной и типичного использования на рынке легких грузовиков эти двигатели находятся в эксплуатации в течение длительного времени.

Опять же, мы видим необходимость манипулировать данными, чтобы удалить отклонения. Было 41 образец с ультравысоким содержанием Cu; многие из них с кратной величиной 100 или более. Было много показаний Cu свыше 200pm и 300ppm, а одно достигло 484ppm. Поэтому я снова создал отдельный столбец (Cu' = copper prime), чтобы искоренить высокомерных. Хотя некоторые осудят удаление данных, вы можете ясно увидеть, как эти всплески могут негативно повлиять на то, что считается «нормальным». И хотя 41 образец кажется большим объемом данных для удаления, они представляют всего 7,7% от общей популяции, и тем не менее их удаление привело к снижению «средней» величины Cu почти на 79%. Это было правильно. Важно отметить, что это состояние всплеска Cu имеет спекулятивную причину; я не буду вдаваться в это здесь. Также важно признать, что очень часто эти скачки Cu самокорректируются после нескольких промывок OCI. После удаления образцов с высоким содержанием Cu посмотрите, как среднее значение Cu упало с 16,0 ppm до 3,4 ppm (сдвиг вниз почти на 80%), а стандартное отклонение для Cu сократилось более чем в 10 раз!

Вы можете понять, почему этот двигатель считается очень хорошим; он очень хорошо изнашивается. Интересно, что стандартное отклонение для продолжительности UOA в этих отчетах составляет 4 тыс. миль, а среднее значение — 7 тыс. миль. Если вы пробегаете OCI до 11 тыс. миль, вы «нормальны» в пределах одного стандартного отклонения. Именно здесь OLM часто берет владельцев в их поездку по техническому обслуживанию. OLM в этом автомобиле — это «умный» OLM, который отслеживает условия работы двигателя, а не является «тупым» счетчиком миль. Нередко можно увидеть, как OLM показывает OCI между 9–11 тыс. миль на этом двигателе во многих случаях. Очевидно, что OLM достаточно точен и заслуживает доверия. По сути, люди склонны слишком часто проверять OCI этого двигателя, но достаточно много из них выжимают OCI, чтобы сделать первую ∑ прямо около того места, где OLM обычно указывает на необходимость OCI.

И снова, я хотел узнать, как жизненный цикл масла влияет на скорость износа, поэтому я рассмотрел три подгруппы: 3,5 тыс. миль, 7,5 тыс. миль, 11,5 тыс. миль. И, снова, более высокие скорости износа Fe выявляются в передней части OCI…

Средняя продолжительность UOA:	3.5К	7.5К	11.5К
Fe ppm / 1000 миль	3.0	2.3	2.0

Это ни в коем случае не означает, что двигатель серьезно пострадал, но это прямо противоречит мантре, что «больше значит лучше» («больше» указывает на частоту OCI, а «лучше» означает меньший износ). То, что мы видим, является повторением этой «золотой середины» (похожей на пример Ford 4.6L). Где-то скорость износа Fe начнет расти и, вероятно, станет параболической, но эта точка находится гораздо дальше по пути, чем думает большинство людей. Однако, поскольку образцы становятся редкими при гораздо более длительных UOA-продолжительностьх, недостаточно данных, чтобы определить, где скорость износа Fe может начать расти. Скорость износа все еще снижается даже приближаясь к 12 тыс. миль, хотя при такой небольшой величине дисперсия имеет значение. Ясно одно: вы можете заменить масло раньше, но это не снизит скорость износа. Вы можете отложить OCI на долгое время (по крайней мере, до 12 тыс. миль), и это все равно не повлияет на скорость износа.

Далее позвольте мне проиллюстрировать, как макроанализ может использоваться для определения того, что является «нормальным» для отдельных объектов. Рассмотрим следующее…
Два грузовика 2006 года, оборудованных Duramax, которые использовались в очень похожих обстоятельствах в течение одинаковой продолжительности UOA. Оба грузовика были в основном стандартными, оба тянули тяжелые автофургоны в горы примерно на 6,5 тыс. миль, оба видят похожие друг на друга модели тепла и холода, которые представляют собой полные сезонные колебания. По сути, они примерно настолько похожи, насколько можно было бы ожидать от двух транспортных средств, которыми управляет не один и тот же человек. Есть одно существенное различие: одно транспортное средство работало на премиальном синтетическом масле 15w-40 HDEO и использовало байпасную фильтрацию, другой грузовик использовал обычное 10w-30 HDEO с обычным фильтром. Вот точные результаты в отношении износа, а также универсальное среднее значение и стандартное отклонение от приведенных выше данных:

	Эл	Кр	Фе	Cu	свинец
Грузовик А	2	1	15	4	1	Синтетическое масло и байпас (ссылка 2)
Грузовик Б	2	0	14	3	5	Обычное масло и фильтр (ссылка 3)
УА	2.7	.5	16.3	3.4	2.1
Стандартное отклонение	1.2	.5	10.5	4.3	2.5
UL (3 сигма)	6.4	1.8	47.9	16.2	9.6

Можем ли мы сказать, что один из грузовиков показал себя «лучше», чем другой? Нет, без настоящего микроанализа мы не могли бы сделать такое определение. Но мы можем сказать, что ни один из грузовиков не показал себя лучше другого, потому что они оба легко уложились в 3-сигмальное отклонение от «нормы». Железо является самым большим показателем совокупного износа, и эти образцы были на «средних» уровнях, несмотря на буксировку. На первый взгляд, можно было бы утверждать, что синтетический показал себя «лучше», потому что Pb был ниже в грузовике A и выше в грузовике «B», но они оба находятся в пределах типичной дисперсии. По иронии судьбы, Cr, Fe и Cu на самом деле были выше в грузовике A с синтетическим и байпасным, но, опять же, они находятся в пределах нормального отклонения. Вполне ожидаемо, что количество износа металла «подпрыгивает» вверх и вниз от UOA к UOA. «Нормально» для металлов изменяться в массовых популяциях, и «нормально» для металлов изменяться в отдельных единицах. Но когда вы видите, что один образец хорошо соответствует «норме» массовой популяции, вы можете сделать вывод, что он работает не лучше и не хуже, чем любой другой образец, использующий любую другую комбинацию жидкости/фильтра.

То небольшое изменение, которое произошло, было ожидаемым нормальным изменением, свойственным любому двигателю в этом семействе. Два совершенно разных входа (смазки и фильтры) не привели к какой-либо значительной разнице при почти идентичных условиях эксплуатации при одинаковой продолжительности воздействия.
Итак, мы можем справедливо сказать следующее об этих двух примерах: в этих очень похожих условиях эксплуатации и условных ограничениях не было никакой ощутимой выгоды от использования высококачественных продуктов. Высококлассные продукты не отличились, проявив себя в статистически значимых результатах.

Toyota 3.4L бензин V-6

Вот некоторые хорошие данные о знаменитом двигателе, который существует уже очень давно. Эти данные получены за десять лет и почти 400 образцов; не было никаких выдающихся лет, которые можно было бы упомянуть, поскольку все они были достаточно похожи.

Вот данные:

Нефтяные мили	Мили автомобиля		Эл	Кр	Фе	Cu	свинец
5818	106612	Средний	2.2	0.1	6.4	4.5	3.0
2813	56776	Стандартное отклонение	1.0	0.2	3.6	4.5	3.9
14258	276940	УЛ	5.3	0,8	17.3	18.1	14.7
16000	310254	частей на миллион / 1 тыс.	0.4	0.0	1.1	0,8	0,5

Цифры говорят о том, какой это замечательный двигатель.

Опять же, если разбить на подгруппы в зависимости от продолжительности воздействия:

Средняя продолжительность UOA	2.0К	3.5К	7.0К	10К
Fe Ppm / 1 тыс. миль	2.6	1.3	1.1	.9

«Сладкая точка» наступает на этом двигателе немного раньше, чем на двух других образцах двигателей, но она действительно существует. Опять же, остаточное масло и химическая реакция влияют на скорость износа заранее. Как только она устанавливается, «сладкая точка» простирается дальше, чем большинство может себе представить. Я не могу сказать, где износ начнет расти; слишком мало образцов, чтобы получить хорошее разрешение данных анализа. При пробеге в 10 тыс. миль он все еще демонстрирует чрезвычайно низкие скорости износа. Сказать, что это фантастически изнашиваемый двигатель, было бы грубым преуменьшением.

GM 5.7L OHV бензиновый V-8

Здесь рассмотрен старый добрый Chevy 350. Все образцы проанализированы в 2012 году; их более 500.

Нефтяные мили	Мили автомобиля		Эл	Кр	Фе	Фе'	Cu	Ку'	свинец	Pb'
3357	115790	Среднее	4.1	1.1	22.8	16.0	8.8	4.6	9.1	5.1
2419	84193	Стандартное отклонение	2.7	1.1	24.1	11.5	18.2	4.7	11.7	4.2
10613	368368	УЛ	12.1	4.4	95.0	50.6	63.3	18.6	44.1	17.7
31000	550000	Макс	32.0	12.0	314.0	49.0	177.0	24.0	200.0	15.0
		частей на миллион / 1 тыс.	1.2	0.3	6.8	4.8	2.6	1.4	2.7	1.5
		Образцы удалены				46		93		77
						>50 частей на миллион		>25 частей на миллион		>15 частей на миллион

UOA на 3 тыс. миль ~ скорость износа Fe на уровне 6,8 ppm / 1 тыс. миль

UOA на 5 тыс. миль ~ скорость износа Fe на уровне 4,9 ppm / 1 тыс. миль

UOA на расстоянии 7 тыс. миль или более ~ (недостаточно данных)

Если говорить прямо, этот двигатель действительно не изнашивается так же хорошо, как некоторые другие двигатели. Из 513 всех образцов, у 216 из них были показатели износа, достаточно высокие, чтобы исказить данные из-за высокого содержания Fe, Cu и/или Pb. Учитывая низкий средний показатель UOA в 3,3 тыс. миль и стандартный показатель UOA в 2,5 тыс. миль, эти двигатели не демонстрируют впечатляющих показателей износа. Из 216 двигателей только у 12 были множественные проблемы с износом металла (определяемые как два или три предупредительных показателя металла в одном UOA). Остальные были уникальными UOA, показывающими одно предупредительное показание. Когда 42% образцов имеют высокий износ, трудно сказать, что это отклонения; на самом деле они составляют такую большую часть популяции, что мы не можем их отбросить. Я обработал информацию, чтобы показать вам, как цифры искажают данные, но было бы несправедливо удалять 42% популяции; они должны быть там. Этот двигатель просто не изнашивается хорошо. Даже после создания колонки «главного» пересмотра для Fe, Cu и Pb, посмотрите, каковы средние показатели металлов на 1 тыс. миль. Fe, в частности, составляет почти 7 ppm / 1 тыс. миль! По иронии судьбы, однако, это не мешает этому двигателю работать мощно; он просто сильно изнашивается при этом. Опять же, мы должны вернуться к концепции «нормального»; данные говорят нам, что от этого семейства двигателей ожидается более высокая скорость износа и с большим разбросом. Точки отказа по смазке определенно наступят раньше с этим двигателем. Это очень уважаемый двигатель с большим потенциалом мощности и сильными поклонниками; этого нельзя отрицать. Но не позволяйте мифологии обманывать факты; эти двигатели сильно изнашиваются. Можно было бы указать на простые факторы возраста и конструкции. GM-350 — очень старая конструкция двигателя; если кто-то говорит « они не делают их такими, как раньше …», вам, возможно, стоит остановиться и подумать, что это на самом деле означает. Мы можем признать, что остаточное масло может способствовать износу на 3 тыс. миль, но это, безусловно, гораздо больше, чем в других примерах в этой статье, и износ остается выше на протяжении всего потока данных по сравнению с другими двигателями. Короче говоря, более высокий износ оставит большую остаточную концентрацию, но в сочетании с еще более эскалированным износом он просто так не исчезнет. Это порочный круг самоисполняющегося пророчества.

Detroit Diesel 12.7L Series 60 дизель I-6

Этот двигатель серии 60, являющийся опорой шоссейных тяжелых грузовиков и автобусов, существует с конца 1980-х годов и использовался во многих различных приложениях с различными рабочими объемами. Он пользуется большим уважением по очень веской причине: он служит долго и выдает хорошую мощность. Вот данные более чем 511 UOA с 2009 по 2012 год, выборка за три года:

Нефтяные мили	Мили автомобиля		Эл	Кр	Фе	Cu	свинец
15812	601058	Средний	3.0	1.5	26.5	2.2	5.3
9088	443782	Стандартное отклонение	2.7	0.9	14.0	6.1	8.9
43075	1932403	УЛ	11.1	4.1	68.6	20.5	32.0
82000	6465000	Макс	29.0	5.0	108.0	128.0	173.0
		частей на миллион / 1 тыс.	0.2	0.1	1.7	0.1	0.3

Вместо того чтобы говорить о показателях износа, я сосредоточусь на пределах отбраковки. Detroit Diesel действительно публикует уровни отбраковки для содержания металла износа в UOA (ссылка № 4). У них нет предела для Al и Cr, но они ограничивают Fe на уровне 150 ppm, Cu на уровне 30 ppm и Pb на уровне 30 ppm. Интересно отметить, что из 511 общих образцов ни один не превышал предел в 150 ppm Fe. Было два образца Cu более 30 ppm; один на уровне 33 ppm и один на уровне 128 ppm. Было четыре образца Pb более 30 ppm. Два были всего 31 ppm, но технически превышали предел. Один Pb был на уровне 43 ppm и один на уровне 173 ppm. Было только 6 уникальных образцов из 511, которые превышали установленные пределы отбраковки, и все же посмотрите, насколько низки средние значения и показатели. Даже при пробеге в 16 тыс. миль масло в этом двигателе меняют слишком часто.

Кроме того, нельзя исключать вклад емкости поддона и того, как она влияет на концентрацию металлов. Одна из причин, по которой Series 60 работает очень хорошо, заключается в хорошей конструкции системы смазки с большим поддоном картера. Это удерживает загрязнение на единицу измерения. Это, в свою очередь, позволяет увеличить продолжительность OCI; цель дорожных применений — максимизировать время движения и сократить время простоя на плановое техническое обслуживание.

Обоснованные выводы

Мы можем использовать математическое разрешение для просмотра любого типа данных, нахождения нормальных показателей и устранения статистических аномалий.

Что мы не можем заключить

Макроанализ не позволяет сделать никаких выводов о том, какой продукт(ы) может быть «лучше» или «хуже» любого другого в группе, как мы можем сделать с помощью микроанализа. Это так часто случается, и все же это очень неправильно. Когда какой-либо образец находится в пределах одного или двух стандартных отклонений от среднего значения, тем самым определяя себя как «нормальный», мы можем только заключить, что события и продукты, которые приводят к этому уникальному потоку данных, также были «нормальными». Любое отклонение не обусловлено одним конкретным продуктом или условием, а естественной вариацией макровходов. Следовательно, мы не можем сказать, что бренд X был «лучше», чем бренд Y или бренд Z, потому что в игру вступает типичная вариация.

Какой вывод мы можем сделать

Только с помощью микроанализа, используя длительные, хорошо контролируемые исследования, мы можем сделать конкретные выводы относительно того, что может быть «лучше» или «наилучшим» для конкретного применения.

Однако, используя макроанализ, мы можем утверждать, что если два отдельных образца находятся в пределах стандартного отклонения, то отдельные условия и продукты не проявляются в однозначно различных результатах. При рассмотрении в рамках семейства двигателей, если двигатель A сравнивается и сопоставляется с двигателем B, и эти два двигателя используют разные смазочные материалы, но приводят к схожим показателям и скорости износа металла, то мы можем сделать вывод, что ни одно масло не было «лучше» другого. И когда результаты находятся в пределах одного стандартного отклонения, доказательство является окончательным, что ни один продукт не имел преимущества перед другим. По сути, при этих условиях мы не можем сказать, что какой-либо выбор «лучше», но мы можем сказать, что ни один из них не «лучше».

Знание своих ограничений

Данные о стандартном отклонении могут быть большими или маленькими для всех видов различного оборудования в зависимости от вашего собственного определения слов «большое» и «маленькое». В некотором смысле для системы отсчета, когда стандартное отклонение составляет более 50% от средней величины, многие считают это «большим»; я бы не стал спорить. Но это не мешает ему быть «нормальным», как определено этой концепцией: происходить с большой регулярностью и не иметь неблагоприятных последовательных эффектов. Райан Старк из Blackstone скажет нам, что наибольшей переменной, которая влияет на износ, является фактор использования; данные здесь могут вполне подтвердить этот вывод в некоторых обстоятельствах. Но также ясно, по крайней мере во всех этих примерах, что изменение этого фактора использования все еще «нормально», а стандартные отклонения достаточно велики, чтобы большинство из нас «нормально» использовали оборудование. И продолжительность OCI (слишком короткая или длинная) также может влиять на скорость износа так же сильно, как и факторы использования.

К сожалению, вы никогда не узнаете, сколько аномалий присутствует, и были ли они предварительно проверены для вас, потому что большинство служб UOA не выполняют эту дополнительную математическую фильтрацию. Утешением может служить тот факт, что если ваш UOAs близок или ниже «универсального среднего», вы, вероятно, в очень хорошей форме; вы, по сути, «нормальны».

Что применимо к большинству из нас…

Я приведу здесь несколько обобщений, которые являются результатом данных, собранных мной по многим тысячам UOA с использованием разного рода оборудования из множества различных источников:

1) Большое разнообразие вариантов использования, окружающей среды, класса смазочных материалов и т. д. уже учтено в наборах данных макроанализа.

2) Преданность делу, необходимая для правильной методологии микроанализа, встречается редко и большинство людей ее не замечают.

3) Всегда существует «лучшее» сочетание оборудования, смазки и фильтра, но большинство людей его не замечают, поскольку не применяют правильную методологию.

4) Эта «наилучшая» комбинация применима только к уникальному индивидуальному оборудованию и заданному набору ограниченных эксплуатационных условий.

5) Существует «золотая середина», в которой оборудование и смазка работают лучше вместе.

6) Начало этой «оптимальной точки» уникально для каждого экземпляра оборудования и длится гораздо дольше, чем многие предполагают.

7) Вопреки распространенному мнению, скорость износа обычно снижается по мере использования масла.

8) Частая замена масла не снижает износ исправных двигателей с исправным маслом.

9) Слишком ранняя замена масла — это пустая трата продукта, независимо от того, какую марку/класс/базовую основу смазочного материала вы выберете.

10) Осуждение смазочного материала должно основываться на множестве критериев, а не на каком-то одном критерии, вырванном из контекста.

11) Осуждение гораздо дальше, чем многие могут предположить; износ начнет усиливаться только в том случае, если вы значительно перейдете «золотую середину».

12) Уровни осуждения обычно неправильно понимаются, если вообще признаются.

13) Чтобы реализовать заявленную выгоду любого премиального продукта, необходимо действовать в условных обстоятельствах, которые проявляются в статистически различимых различиях; выгода должна быть ощутимой, в противном случае выгоды не существует.

Подведение итогов

UOA — это отличные инструменты, но вы должны знать, как правильно манипулировать данными и интерпретировать результаты. Вы должны знать не только средние значения, но и то, есть ли какие-либо отклонения, встроенные в эти средние значения, и насколько велико стандартное отклонение. Имея все это в виду, вы можете затем использовать UOA как инструмент микро- или макроанализа, чтобы увидеть, насколько хорошо ваше оборудование работает по отношению к себе и другим, подобным ему.

Надеюсь, это позволит вам взглянуть на данные UOA под новым углом, что позволит вам определить, что «нормально», а что «лучше» в правильном контексте.

Благодарности и ссылки

Эта статья является исключительной собственностью Дэвида Э. Ньютона, опубликованного на «BITOG» при участии Райана Старка из Blackstone. Все права действительны.

1) Исследование SAE; https://papers.sae.org/2007-01-4133/

2)    https://bobistheoilguy.com/forums/threads/redline-diesel-oil-15w40-2006-duramax-lbz.161543/#post-2379331

3)    https://bobistheoilguy.com/forums/threads/rotella-10w-30-dino-cj-4-6-5k-miles-dmax-lbz.158182/#post-2323660

4) CIWMB; исследование масляных фильтров двигателя, 2008 г., стр. 11
https://dtsc.ca.gov/wp-content/uploads/sites/31/2016/01/CIWMB_Oil_Filters_State_Fleet.pdf

 

Источник статьи: https://bobistheoilguy.com/used-oil-analysis-how-to-decide-what-is-normal/

[torcon 83,914]

Цитата

 

Этот автомобиль перешел с постоянного питания одним популярным фирменным синтетическим маслом с фильтром премиум-класса на качественное обычное масло с использованием типичного фирменного фильтра. Можете ли вы найти сдвиг диапазона данных, указывающий на то, что синтетика и высококачественная фильтрация были «лучше» в этом применении? Можете ли вы обнаружить точку пробега, где произошло изменение и привело к статистически значимым изменениям тенденции износа? Данные показывают, что средние металлы износа сместились менее чем на один пункт после этого изменения. Я дам вам подсказку: после изменения Al и Cr оба выросли, а Fe, Cu и Pb упали. Однако все изменения были в пределах одного стандартного отклонения для каждого отдельного металла. Короче говоря, нормальная изменчивость использования жизненного цикла значительно затмевает очень небольшое изменение износа. И когда два металла немного повышаются, а три снижаются, это можно было бы справедливо назвать спорным изменением; оно было статистически незначимым по всем критериям.

Мы можем предположить, что для этого плана обслуживания и эксплуатационной модели не было никакой ощутимой выгоды от использования высококачественных продуктов. Высококачественные продукты не давали ощутимого преимущества; наоборот, типичные качественные базовые продукты не представляли дополнительного риска ускоренного износа. Мы не можем сделать вывод, что этот результат будет верен для всех потенциальных обстоятельств; только то, что он верен при применении к OCI на 5 тыс. миль при данных условиях эксплуатации. Значительно более длинные OCI, вероятно, могли показать статистическую разницу между двумя вариантами смазки/фильтра, но это не было частью протокола испытаний.

 

тут понятно открытия не сделано, минеральное или полусинтетическое масло, будет так же по износу работать. В нем ведь есть противоизносные и моющие присадки, не правда ли? А может есть что то еще? Отложения там, окислительная стабильность, угар, низкотемпературные свойства - нет их мы отметаем. На Ойл Клубе это давно выяснили, что в обычной гражданской эксплуатации, разницы в износе не будет хоть SAE 40 хоть SAE 5W-40, если с присадками и вязкостью все ок.

 

Цитата

Но давайте теперь рассмотрим тему износа Fe подробно; здесь есть отличная сюжетная линия. Как на него влияет продолжительность UOA в общей популяции? Если масло эксплуатировать дольше, Fe растет, и весьма предсказуемо. В 2007 году средний образец UOA для популяции был взят на 4,5 тыс. миль, и средний показатель Fe составил 10,2 ppm. Пять лет спустя средний образец UOA для популяции был взят на 8,1 тыс. миль, и средний показатель Fe составил 18,1 ppm. 80%-ное увеличение продолжительности пробега отразилось в результирующем 80%-ном увеличении Fe. Это очень предсказуемая кривая отклика; износ последователен. Но данные можно анализировать еще дальше и глубже.

Согласен тоже уже выяснили, больше наработка, больше накапливается износа.

 

Цитата

На самом деле верно, что при частой замене масла UOA будет демонстрировать более высокое содержание металлов износа Fe. Существует два разумных объяснения этого явления повышенного содержания металлов износа вскоре после OCI: остаточное масло и трибохимическое взаимодействие. Когда вы меняете масло, независимо от того, сколько вы «капаете-капаете-капаете» масла в поддон, в двигателе всегда остается умеренное его количество. Райан Старк из Blackstone оценивает, что до 20% старого масла остается, более или менее, в зависимости от уникальных особенностей каждой единицы оборудования. Таким образом, когда вы начинаете новый OCI, вы действительно не начинаете с нуля ppm. Кроме того, есть указания на то, что износ увеличивается после каждого OCI из-за химических реакций свежих пакетов присадок. Это утверждение подтверждается исследованием SAE, проведенным Ford и Conoco ( ссылка № 1) , которое предположило это самое явление, и дополнительно ссылается на предыдущее исследование с тем же выводом, предшествовавшее ему. Итак, реальность такова, что мы наблюдаем комбинацию двух явлений: одно из них — остаточное масло, а другое — химические реакции. Повышенные показания к началу OCI обычно (для большинства двигателей) менее одного пункта, что составляет десятые доли изменения. Я не могу вывести из этого набора макроданных, какая часть износа вызвана остаточным маслом, а какая — химическим воздействием, но, честно говоря, это действительно не имеет значения, потому что в реальной жизни невозможно разделить эти два явления, и они действуют вместе, чтобы дать один результат. Износ металлов фактически повышается после OCI из-за химии и искусственно завышается остаточными металлами; мы не можем избежать этой истины.

Да это тоже верно, с несливаемым остатком передается износ 2-3ppm от старого масла. Я просто разочарован. Может откажемся тогда от анализа ICP?

А может, если хочется такой чистоты эксперимента и научности, просто промыть двигатель таким же маслом, которое хочется залить и проанализировать? Нет, не пойдет, откажемся...

 

Что автор делает, он измеряет среднюю температуру по всей больнице, между больными с температурой 42С и 36.6С и иногда удаляя сильное зашкаливание Fe или Cu.  Если Вы опираетесь на какую то статистику, взятую с большого количества анализов, так и берите всю информацию, будьте последовательны - доказывайте до конца! Что вся Ваша статистика "средняя по всей больнице" тогда сводится на нет. Но нет, мы поправим, уберем не ненужное... А как же рассмотреть каждый анализ в отдельности? Найти причину? Попытаться понять, почему у этого форда 50ppm железа, в каких условиях он ездил, какие работы проводились по двигателю? Почему у других только 5ppm, а у этого 50ppm? Нет, не будем...

 

Цитата

Это ни в коем случае не означает, что двигатель серьезно пострадал, но это прямо противоречит мантре, что «больше значит лучше» («больше» указывает на частоту OCI, а «лучше» означает меньший износ). То, что мы видим, является повторением этой «золотой середины» (похожей на пример Ford 4.6L). Где-то скорость износа Fe начнет расти и, вероятно, станет параболической, но эта точка находится гораздо дальше по пути, чем думает большинство людей. Однако, поскольку образцы становятся редкими при гораздо более длительных UOA-продолжительностьх, недостаточно данных, чтобы определить, где скорость износа Fe может начать расти. Скорость износа все еще снижается даже приближаясь к 12 тыс. миль, хотя при такой небольшой величине дисперсия имеет значение. Ясно одно: вы можете заменить масло раньше, но это не снизит скорость износа. Вы можете отложить OCI на долгое время (по крайней мере, до 12 тыс. миль), и это все равно не повлияет на скорость износа.

То есть, делаем вывод по общей статистике, что к началу пробега скорость накопления износа одна, к концу пробега - другая. Не учитывая и не обращая внимание на то, что: Петя ездил сначала 5000км в городе со старт-стопами и высоким износом, а потом выехал на хайвей и прокатился 5000км по трассе, с малым износом. А Вася сделал наоборот, сначала по трассе , потом по городу. Слепим это все в одну статистику. И получается... Получается, на сколько больше в статистике Петь, на столько износ вначале быстрее. На сколько больше Вась, на столько износ в начале медленнее. Хорошая статистика. Далеко пойдем.

 

Цитата

 

Далее позвольте мне проиллюстрировать, как макроанализ может использоваться для определения того, что является «нормальным» для отдельных объектов. Рассмотрим следующее…
Два грузовика 2006 года, оборудованных Duramax, которые использовались в очень похожих обстоятельствах в течение одинаковой продолжительности UOA. Оба грузовика были в основном стандартными, оба тянули тяжелые автофургоны в горы примерно на 6,5 тыс. миль, оба видят похожие друг на друга модели тепла и холода, которые представляют собой полные сезонные колебания. По сути, они примерно настолько похожи, насколько можно было бы ожидать от двух транспортных средств, которыми управляет не один и тот же человек. Есть одно существенное различие: одно транспортное средство работало на премиальном синтетическом масле 15w-40 HDEO и использовало байпасную фильтрацию, другой грузовик использовал обычное 10w-30 HDEO с обычным фильтром. Вот точные результаты в отношении износа, а также универсальное среднее значение и стандартное отклонение от приведенных выше данных:

Эл    Кр    Фе    Cu    свинец    
Грузовик А    2    1    15    4    1    Синтетическое масло и байпас (ссылка 2)
Грузовик Б    2    0    14    3    5    Обычное масло и фильтр (ссылка 3)
УА    2.7    .5    16.3    3.4    2.1    
Стандартное отклонение    1.2    .5    10.5    4.3    2.5    
UL (3 сигма)    6.4    1.8    47.9    16.2    9.6    
Можем ли мы сказать, что один из грузовиков показал себя «лучше», чем другой? Нет, без настоящего микроанализа мы не могли бы сделать такое определение. Но мы можем сказать, что ни один из грузовиков не показал себя лучше другого, потому что они оба легко уложились в 3-сигмальное отклонение от «нормы». Железо является самым большим показателем совокупного износа, и эти образцы были на «средних» уровнях, несмотря на буксировку. На первый взгляд, можно было бы утверждать, что синтетический показал себя «лучше», потому что Pb был ниже в грузовике A и выше в грузовике «B», но они оба находятся в пределах типичной дисперсии. По иронии судьбы, Cr, Fe и Cu на самом деле были выше в грузовике A с синтетическим и байпасным, но, опять же, они находятся в пределах нормального отклонения. Вполне ожидаемо, что количество износа металла «подпрыгивает» вверх и вниз от UOA к UOA. «Нормально» для металлов изменяться в массовых популяциях, и «нормально» для металлов изменяться в отдельных единицах. Но когда вы видите, что один образец хорошо соответствует «норме» массовой популяции, вы можете сделать вывод, что он работает не лучше и не хуже, чем любой другой образец, использующий любую другую комбинацию жидкости/фильтра."

 

1) синтетика не дает меньше или больше износа - согласен. Но это не на тему бесполезности UOA. Эту информацию, как раз дает нам UOA. (про отложения, окисление, низкотемпературные свойства, угар - опять отбросим, не нужно на это глядеть...).

2) хороший байпасный фильтр, не фильтрует элементы, которые видит ICP. Интересно, а нельзя ли тут сделать вывод о полезности ICP, в таком случае? Просто рассматривать не всю больницу, а как делают врачи - каждого больного индивидуально?

 

 

Ну и вывод размазан. Хоть бы сказали одно предложение в выводе. Что лучше рассматривать каждую отработку, каждый случай - отдельно. А не лепить все в кучу - пытаясь понять эту общую температуру по больнице. И вырезая то, что может на нее плохо повлиять. Прям Росстат какой то... Все население пухнет с голоду и ест капусту. Один олигарх, ест стейки из мраморной говядины. А по статистике, все вместе, мы едим голубцы! Нет даже не так, давайте уберем капусту! Ура мы все едим котлеты! У нас, например, куча анализов с двигателя G4FG - одному поставили ГБО и у него теперь всегда высокий износ, у второго рассыпался катализатор и полетел разрушать ЦПГ, третий ездит только в городе, где много старт-стопов и износа, четвертый катается по межгороду, где мало старт-стопов и износа. Почему бы эту правду в выводе не сказать? Но ведь тогда, это ломает весь неправильный подход, с самого начала статьи...

 

Не я понимаю, если посмотреть статистику по двигателю 1GR-FE, посмотреть в общей массе "малоизносные они, или нет", посмотреть один конкретный анализ и сделать вывод, "много износа у него, или нет." С осторожным подходом к этой статистике, понимая, что все ездят по разному, состояние двигателя у всех разное. Но когда так! Это все равно, что выложили анализ отработки на Ойл Клубе, но не указали информацию по нему, автора в теме анализа нет, тот кто выложил анализ  - автора не знает... Давайте соберем такие анализы, слепим их в кучу, попробуем посмотреть макро-статистику.

[Stans 3,009]

Скажем так: можно посмотреть как в среднем отрабатывают двигатели,где что изнашивается,на каком пробеге.

Это не про конкретное масло а вобщем . Имеет место быть.

Edited March 7 by Stans