学术研究报告：用于变速箱油在线状态监测的非色散红外传感器

作者及机构
本研究由德国慕尼黑工业大学测量系统与传感器技术研究所的Markus S. Rauscher*、Anton J. Tremmel、Michael Schardt和Alexander W. Koch合作完成，通讯作者为Markus S. Rauscher。论文于2017年2月18日发表在期刊《Sensors》上，标题为《Non-Dispersive Infrared Sensor for Online Condition Monitoring of Gearbox Oil》。

学术背景
变速箱油在工业及汽车应用中承受高机械负荷、宽温域及污染物侵入，其劣化可能导致设备损坏。传统监测依赖定期换油和实验室分析，成本高且无法实时响应突发污染（如密封失效导致冷却水渗入）。红外光谱技术（Infrared Spectroscopy）虽能通过化学键吸收特征分析油液状态，但传统红外光谱仪昂贵且难以适应工业环境。因此，本研究旨在开发一种基于非色散红外（NDIR, Non-Dispersive Infrared）技术的紧凑型传感器，实现变速箱油氧化程度（oxidation）、含水量（water content）和酸值（AN, acid number）的在线监测。

研究流程与方法
1. 油液劣化机理分析与光谱特征筛选
- 研究对象：三类工业齿轮油（风电机组齿轮油WTO、船用齿轮油MGO、汽车齿轮油AGO），样本数量分别为46、24和9个。WTO和MGO为实际使用后的老化油样，AGO为人工掺水的新油。
- 方法：
- 氧化监测：通过傅里叶变换红外光谱仪（FTIR）分析油样在1710 cm⁻¹处的羰基吸收峰（对应ASTM E2412标准）。
- 含水量监测：基于3409 cm⁻¹处羟基伸缩振动吸收峰（ASTM E2412）。
- 酸值监测：采用多元偏最小二乘回归（PLS, Partial Least Squares Regression）分析红外光谱与实验室滴定数据（ASTM D664）的关联性，筛选出1606 cm⁻¹、1162 cm⁻¹等6个特征波段。
- 创新点：首次通过PLS回归量化酸值与多波段红外吸收的关系，避免了传统化学分析对先验知识的依赖。

1. 传感器光学设计与仿真

   • 核心组件：光学测量池（CaF₂窗口+PTFE垫片）、双红外发射器（Micro-Hybrid JSIR350）、双四通道热释电探测器（Micro-Hybrid PS4x2C1）。
     
   • 关键技术：
     
     • 滤光片选型：根据PLS结果选择7个商用带通滤光片（如1729 cm⁻¹/27 cm⁻¹半峰宽滤光片监测氧化），并通过Zemax光线追踪模拟修正入射角对滤光片中心波长的影响（公式：ν̃⊥=ν̃θ(1+θ²/4n*²)⁻¹）。
       
     • 基线校正：采用3900 cm⁻¹和2100 cm⁻¹双参考波段消除颗粒散射导致的基线漂移。
       

2. 传感器原型与实验验证

   • 原型设计：铝合金外壳（直径55 mm，长82 mm），耐压0.8 MPa。
     
   • 实验方法：
     
     • 标定模型：基于留一法交叉验证（Leave-One-Out Cross-Validation）建立PLS预测模型。
       
     • 性能指标：与实验室参考数据对比，计算决定系数（R²）、均方根误差（RMSE）等。
       

主要结果
1. 氧化监测：WTO样本的预测R²达0.95，RMSE为0.29 a/cm，重复性误差0.19 a/cm（95%置信区间）。
2. 酸值监测：WTO和MGO的R²分别为0.93和0.77，RMSE为0.05 mgKOH/g，验证了多波段联合分析的可行性。
3. 含水量监测：AGO的R²为0.99，但WTO和MGO因含水量低导致噪声显著（RMSE 0.40 a/cm）。

结论与价值
1. 科学价值：首次将PLS回归与NDIR技术结合，实现了变速箱油多参数同步监测，为工业油液分析提供了无需先验化学知识的普适性方法。
2. 应用价值：传感器可集成至润滑系统，实时检测水分侵入或氧化趋势，优化换油周期（降低30%维护成本），尤其适用于离岸风电等远程设施。

研究亮点
- 方法创新：通过PLS数据驱动筛选滤光片波段，突破了传统NDIR传感器依赖化学经验的局限。
- 工程优化：光线追踪模拟修正了滤光片角度效应，提升了工业环境下测量的鲁棒性。
- 多参数覆盖：单一传感器同时监测氧化、含水量和酸值，较现有技术（如阻抗谱或粘度传感器）信息量更全面。

其他发现
- 局限性：AGO高含水量样本的优异表现提示，未来需扩充WTO和MGO的高污染样本库以验证普适性。
- 扩展性：该方法可适配其他油类（如液压油）的监测，仅需重新训练PLS模型。