Надежность двигателей: 6 самых надежных двигателей (из тех, что еще продаются) — журнал За рулем

alexxlabОпубликовано

Надежность моторов

Имеется 80 моторов, каждый из которых живет определенное число циклов. Каждый цикл происходит снятие информации с датчиков S1 – S21 и происходит переустановка настроечных параметров Setting1 – Setting2.

Необходимо

Провести анализ предоставленных данных по 80 моторам (файл Data_80.csv). Сделать предположение о выходе из строя мотора на основании имеющихся данных датчиков. Далее на основании дополнительно предоставленных данных по 20 моторам (файл Data_Add_20.csv) сделать предположения о выходе мотора из строя на следующем цикле.

Дополнительно

Верно ли, что не все моторы вышли из строя в конце наблюдения? Все 80 моторов вышли из строя. Вышедшие из строя моторы вышли из строя один раз – в конце своей жизни. Есть ли связь параметров настройки со значениями показаний датчиков? Нет связи. Относитесь к надстроечным показателям, как к обычным показателям датчиков.

Результаты

Построены две модели. Обе модели предсказали поломку 10 двигателей: Engine_100, Engine_81, Engine_82, Engine_85, Engine_87, Engine_90, Engine_93, Engine_94, Engine_97, Engine_98. Двигатель Engine_91 был предсказан только второй моделью.

Модель №1 Точность на тренировочных данных из 80 моторов- 98,26%. Прогноз на тестовых данных из 20 моторов — 10 моторов вышли из строя, сигнал о поломке дан на 39 циклах. Сигналы прогноза выхода из строя даны на поздних циклах.

Модель №2 Точность — 97,86%. Прогноз — 11 моторов вышли из строя, сигнал о поломке дан на 36 циклах. Сигналы прогноза выхода из строя даны на поздних циклах.

3 переменные объясняют прогноз на 96%: s4 — 70%, s11 — 15%, s8 — 11%.

Решение

library(dplyr)
train <- read.csv("Data_80.csv", sep=";", dec=',')
head(train)
str(train)
'data.frame':   16138 obs. of  25 variables:
 $ id      : Factor w/ 80 levels "Engine_1","Engine_10",..: 1 1 1 1 1 1 1 1 1 1 ...
 $ cycle   : int  1 2 3 4 5 6 7 8 9 10 ...
 $ s1      : num  519 519 519 519 519 ...
 $ s10     : num  1.3 1.3 1.3 1.3 1.3 1.3 1.3 1.3 1.3 1.3 ...
 $ s11     : num  47. 5 47.5 47.3 47.1 47.3 ...
 $ s12     : num  522 522 522 523 522 ...
 $ s13     : num  2388 2388 2388 2388 2388 ...
 $ s14     : num  8139 8131 8133 8134 8134 ...
 $ s15     : num  8.42 8.43 8.42 8.37 8.43 ...
 $ s16     : num  0.03 0.03 0.03 0.03 0.03 0.03 0.03 0.03 0.03 0.03 ...
 $ s17     : int  392 392 390 392 393 391 392 391 392 393 ...
 $ s18     : int  2388 2388 2388 2388 2388 2388 2388 2388 2388 2388 ...
 $ s19     : int  100 100 100 100 100 100 100 100 100 100 ...
 $ s2      : num  642 642 642 642 642 ...
 $ s20     : num  39.1 39 39 38.9 38.9 ...
 $ s21     : num  23.4 23.4 23.3 23.4 23.4 ...
 $ s3      : num  1590 1592 1588 1583 1583 ...
 $ s4      : num  1401 1403 1404 1402 1406 ...
 $ s5      : num  14.6 14.6 14.6 14.6 14.6 ...
 $ s6      : num  21.6 21.6 21.6 21.6 21.6 ...
 $ s7      : num  554 554 554 554 554 ...
 $ s8      : num  2388 2388 2388 2388 2388 ...
 $ s9      : num  9046 9044 9053 9049 9055 .
 
 ..
 $ setting1: num  -0.0007 0.0019 -0.0043 0.0007 -0.0019 -0.0043 0.001 -0.0034 0.0008 -0.0033 ...
 $ setting2: num  -4e-04 -3e-04 3e-04 0e+00 -2e-04 -1e-04 1e-04 3e-04 1e-04 1e-04 ...
summary(train)
         id            cycle             s1             s10           s11             s12       
 Engine_69:  362   Min.   :  1.0   Min.   :518.7   Min.   :1.3   Min.   :46.86   Min.   :518.7  
 Engine_67:  313   1st Qu.: 51.0   1st Qu.:518.7   1st Qu.:1.3   1st Qu.:47.35   1st Qu.:520.9  
 Engine_2 :  287   Median :101.0   Median :518.7   Median :1.3   Median :47.52   Median :521.5  
 Engine_64:  283   Mean   :105.5   Mean   :518.7   Mean   :1.3   Mean   :47.54   Mean   :521.4  
 Engine_17:  276   3rd Qu.:153.0   3rd Qu.:518.7   3rd Qu.:1.3   3rd Qu.:47.71   3rd Qu.:521.9  
 Engine_56:  275   Max.   :362.0   Max.   :518.7   Max.   :1.3   Max.   :48.53   Max.   :523.4  
 (Other)  :14342                                                                                
      s13            s14            s15             s16            s17             s18      
 Min.
  :2388   Min.   :8100   Min.   :8.325   Min.   :0.03   Min.   :388.0   Min.   :2388  
 1st Qu.:2388   1st Qu.:8133   1st Qu.:8.415   1st Qu.:0.03   1st Qu.:392.0   1st Qu.:2388  
 Median :2388   Median :8141   Median :8.440   Median :0.03   Median :393.0   Median :2388  
 Mean   :2388   Mean   :8144   Mean   :8.443   Mean   :0.03   Mean   :393.2   Mean   :2388  
 3rd Qu.:2388   3rd Qu.:8149   3rd Qu.:8.466   3rd Qu.:0.03   3rd Qu.:394.0   3rd Qu.:2388  
 Max.   :2389   Max.   :8294   Max.   :8.585   Max.   :0.03   Max.   :399.0   Max.   :2388  
                                                                                            
      s19            s2             s20             s21              s3             s4      
 Min.   :100   Min.   :641.2   Min.   :38.16   Min.   :22.91   Min.   :1571   Min.   :1382  
 1st Qu.:100   1st Qu.:642.3   1st Qu.:38.70   1st Qu.:23.22   1st Qu.:1586   1st Qu.:1402  
 Median :100   Median :642.
 
  6   Median :38.83   Median :23.30   Median :1590   Median :1408  
 Mean   :100   Mean   :642.7   Mean   :38.81   Mean   :23.29   Mean   :1591   Mean   :1409  
 3rd Qu.:100   3rd Qu.:643.0   3rd Qu.:38.94   3rd Qu.:23.37   3rd Qu.:1594   3rd Qu.:1415  
 Max.   :100   Max.   :644.5   Max.   :39.43   Max.   :23.61   Max.   :1615   Max.   :1441  
                                                                                            
       s5              s6              s7              s8             s9          setting1         
 Min.   :14.62   Min.   :21.60   Min.   :549.9   Min.   :2388   Min.   :9022   Min.   :-8.600e-03  
 1st Qu.:14.62   1st Qu.:21.61   1st Qu.:552.8   1st Qu.:2388   1st Qu.:9053   1st Qu.:-1.400e-03  
 Median :14.62   Median :21.61   Median :553.4   Median :2388   Median :9061   Median : 0.000e+00  
 Mean   :14.62   Mean   :21.61   Mean   :553.4   Mean   :2388   Mean   :9065   Mean   : 9.989e-06  
 3rd Qu.:14.62   3rd Qu.
 
 :21.61   3rd Qu.:554.0   3rd Qu.:2388   3rd Qu.:9070   3rd Qu.: 1.500e-03  
 Max.   :14.62   Max.   :21.61   Max.   :556.1   Max.   :2389   Max.   :9245   Max.   : 8.700e-03  
                                                                                                   
    setting2       
 Min.   :-6.0e-04  
 1st Qu.:-3.0e-04  
 Median : 0.0e+00  
 Mean   : 6.2e-08  
 3rd Qu.: 3.0e-04  
 Max.   : 6.0e-04

Из 23 переменных 7 являются константами: s1,s5,s10,s16,s18,s19. s9 и s11 являются независимыми

Устанавливаем признак выхода из строя для крайних циклов моторов. Если признак fail=1, то на этом цикле мотор вышел из строя и время его жизни закончилось, следующего цикла не будет.

По совместным распределениям выбранных переменных s4 и s11 можно предположить характерные условия выхода из строя. Красная точка — это цикл, на котором вышел из строя мотор. Видна область скопления выходов из строя, где s4 больше 1420, s11 больше 48. 0 и номер цикла больше 100.

suppressWarnings(library(corrplot))
train2<- train[, -which(names(train) %in% c("s1", "s5","s10", "s16", "s18", "s19"))]
suppressWarnings(corrplot(cor(train2[,-c(1:2)]), method = "circle"))


sp <- split(train$cycle,train$id)
fail <- lapply(sp, function(x) as.integer(x == max(x)))
train$fail <- unsplit(fail, train$id)

plot(train[,c('cycle','s4','s11','fail')],pch=20,col = train$fail+1)

У датчиков S9 и S14 разнонаправленная динамика: у части моторов переменная растет, у части стационарная или даже снижается со временем. Показания датчиков S4, S11, S8, S13 растут. Показания датчиков S7 и S12 снижаются. Динамика настроечных параметров стационарна. Количество работающих моторов монотонно снижается.

library('ggplot2')
ggplot(train,aes(cycle,s9,color=id))+geom_line()+theme(legend.position="none")

ggplot(train,aes(cycle,s14,color=id))+geom_line()+theme(legend. position="none")


ggplot(train,aes(cycle,s4,color=id))+geom_line()+theme(legend.position="none")

ggplot(train,aes(cycle,s11,color=id))+geom_line()+theme(legend.position="none")

ggplot(train,aes(cycle,s8,color=id))+geom_line()+theme(legend.position="none")

ggplot(train,aes(cycle,s13,color=id))+geom_line()+theme(legend.position="none")


ggplot(train,aes(cycle,s7,color=id))+geom_line()+theme(legend.position="none")

ggplot(train,aes(cycle,s12,color=id))+geom_line()+theme(legend.position="none")


ggplot(train,aes(cycle,setting1,color=id))+geom_line()+theme(legend.position="none")

ggplot(train,aes(cycle,setting2,color=id))+geom_line()+theme(legend.position="none")


plot(train %>% group_by(cycle) %>% summarise(id=n_distinct(id)), pch=20)

plot(test %>% group_by(cycle) %>% summarise(id=n_distinct(id)), pch=20)

По графикам совместной плотности распределения случайных величин показаний датчиков при нормальном режиме и при выходе из строя можно сделать предположение о степени разделимости по этим переменным.

ggplot()+geom_density(data=train,aes(train$s9,group=train$fail,fill=train$fail),alpha=0.5)

ggplot()+geom_density(data=train,aes(train$s14,group=train$fail,fill=train$fail),alpha=0.5)


ggplot()+geom_density(data=train,aes(train$s4,group=train$fail,fill=train$fail),alpha=0.5)

ggplot()+geom_density(data=train,aes(train$s7,group=train$fail,fill=train$fail),alpha=0.5)

ggplot()+geom_density(data=train,aes(train$s11,group=train$fail,fill=train$fail),alpha=0.5)

ggplot()+geom_density(data=train,aes(train$s8,group=train$fail,fill=train$fail),alpha=0.5)

ggplot()+geom_density(data=train,aes(train$s13,group=train$fail,fill=train$fail),alpha=0.5)

Модель #1

Точность на тренировочных данных из 80 моторов- 98%. Прогноз на тестовых данных из 20 моторов — 10 моторов вышли из строя на 39 циклах. Сигналы прогноза выхода из строя даны на поздних циклах.

model <- suppressWarnings(glm('fail ~ .
  ',data = train[-1], family = binomial(), weights = data$fail*100 + 1))

pred <- predict(model, type="response")
summary(model)

Call:
glm(formula = "fail ~ .", family = binomial(), data = train[-1], 
    weights = data$fail * 100 + 1)

Deviance Residuals: 
   Min      1Q  Median      3Q     Max  
-5.755   0.000   0.000   0.000   9.996  

Coefficients: (6 not defined because of singularities)
              Estimate Std. Error z value Pr(>|z|)    
(Intercept) -6.080e+04  7.671e+05  -0.079  0.93682    
cycle        4.647e-03  1.462e-03   3.179  0.00148 ** 
s1                  NA         NA      NA       NA    
s10                 NA         NA      NA       NA    
s11          6.044e+00  5.916e-01  10.215  < 2e-16 ***
s12         -3.219e+00  2.116e-01 -15.214  < 2e-16 ***
s13          2.076e+01  2.065e+00  10.051  < 2e-16 ***
s14          8.252e-02  1.610e-02   5.
 
 125 2.97e-07 ***
s15          4.230e+01  3.855e+00  10.973  < 2e-16 ***
s16                 NA         NA      NA       NA    
s17          6.082e-01  6.928e-02   8.778  < 2e-16 ***
s18                 NA         NA      NA       NA    
s19                 NA         NA      NA       NA    
s2           3.913e-01  2.539e-01   1.542  0.12319    
s20         -8.149e+00  7.058e-01 -11.547  < 2e-16 ***
s21         -1.107e+01  1.028e+00 -10.770  < 2e-16 ***
s3           2.408e-02  1.698e-02   1.419  0.15604    
s4           3.680e-01  1.840e-02  20.002  < 2e-16 ***
s5                  NA         NA      NA       NA    
s6          -2.018e+03  3.550e+04  -0.057  0.95466    
s7          -8.230e-01  1.461e-01  -5.631 1.79e-08 ***
s8           2.315e+01  2.103e+00  11.011  < 2e-16 ***
s9          -1.460e-02  1.419e-02  -1.029  0.30343    
setting1    -8.687e+01  2.886e+01  -3.010  0.00261 ** 
setting2    -1. 020e+03  2.490e+02  -4.099 4.16e-05 ***
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

(Dispersion parameter for binomial family taken to be 1)

    Null deviance: 30775.3  on 16137  degrees of freedom
Residual deviance:  2425.1  on 16119  degrees of freedom
AIC: 2463.1

Number of Fisher Scoring iterations: 18
xtabt <- table(as.integer(pred>0.5),train$fail)
library(caret)
confusionMatrix(xtabt)
Confusion Matrix and Statistics

   
        0     1
  0 15777     0
  1   281    80
                                          
               Accuracy : 0.9826          
                 95% CI : (0.9804, 0.9845)
    No Information Rate : 0.995           
    P-Value [Acc > NIR] : 1               
                                          
                  Kappa : 0.3576          
 Mcnemar's Test P-Value : <2e-16          
                                          
            Sensitivity : 0. 9825          
            Specificity : 1.0000          
         Pos Pred Value : 1.0000          
         Neg Pred Value : 0.2216          
             Prevalence : 0.9950          
         Detection Rate : 0.9776          
   Detection Prevalence : 0.9776          
      Balanced Accuracy : 0.9913          
                                          
       'Positive' Class : 0               
                                          
# test
pred <- suppressWarnings(predict(model,newdata = test[,c(-1,-26)], type="response"))
sum(pred > 0.5)
[1] 39
test_pred <- cbind(test,pred)
t2 <- test_pred[test_pred$pred > 0.5,]
length(unique(t2$id))
[1] 10
as.character(unique(t2$id))
 [1] "Engine_100" "Engine_81"  "Engine_82"  "Engine_85"  "Engine_87"  "Engine_90"  "Engine_93" 
 [8] "Engine_94"  "Engine_97"  "Engine_98" 
plot(test_pred$cycle,test_pred$id,pch=20,col=(test_pred$pred>0. 5)+1)

Модель #2

Обучаем модель бинарной классификации на выбранных переменных с наилучшей разделяемостью. Оцениваем качество, сравнивая наблюдаемый и предсказаный классы.

LIMIT=0.27
library(xgboost)
xfactors <- c("s9","s14","s11","s4","s7","s8","s13")
dtrain <- xgb.DMatrix(as.matrix(train[,xfactors]), label = train$fail)

xmodel <- xgb.train(data = dtrain,
                  nround = 10,
                  objective = "binary:logistic", 
                  max.depth = 2,
                  nrounds = 2,
                  vbose = 1)
# confusion on train
pred <- predict(xmodel, dtrain)
plot(pred,pch=20,col=(pred>LIMIT)+1)

summary(pred)
   Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
 0.2572  0.2572  0.2572  0.2588  0.2572  0.5219 
library(tibble)
pred2 <- pred %>%  as.tibble() %>%
    mutate(prediction = as.numeric(value>LIMIT)) 

confusionMatrix(table(train$fail, pred2$prediction))
Confusion Matrix and Statistics

   
        0     1
  0 15723   335
  1    11    69
                                          
               Accuracy : 0. 9786          
                 95% CI : (0.9762, 0.9807)
    No Information Rate : 0.975           
    P-Value [Acc > NIR] : 0.001537        
                                          
                  Kappa : 0.2792          
 Mcnemar's Test P-Value : < 2.2e-16       
                                          
            Sensitivity : 0.9993          
            Specificity : 0.1708          
         Pos Pred Value : 0.9791          
         Neg Pred Value : 0.8625          
             Prevalence : 0.9750          
         Detection Rate : 0.9743          
   Detection Prevalence : 0.9950          
      Balanced Accuracy : 0.5850          
                                          
       'Positive' Class : 0               
                                          
importance_matrix <- xgb.importance(model = xmodel)
importance_matrix
xgb.plot.importance(importance_matrix = importance_matrix)

Прогнозируем на тестовой выборке. 11 моторов вышли из строя, модель подала 36 сигналов о поломке в основном на последних циклах.

dtest <- xgb.DMatrix(as.matrix(test[,xfactors]))
pred <- predict(xmodel, dtest)

plot(pred,pch=20,col=(pred>LIMIT)+1)

summary(pred)
   Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
 0.2572  0.2572  0.2572  0.2576  0.2572  0.4481 
pred2 <- pred %>%  as.tibble() %>%
    mutate(prediction = as.numeric(value>LIMIT))
table(pred2)
                   prediction
value                  0    1
  0.257150322198868 4015    0
  0.282802373170853    0   26
  0.376374065876007    0    8
  0.448083937168121    0    2
table(pred2$prediction)

   0    1 
4015   36 
test_pred <- cbind(test,pred2)

t <- test_pred %>% group_by(cycle) %>% 
  summarise(
    ids=n_distinct(id),
    all=n(),
    fails=sum(prediction),
    norm=all-fails
  )
plot(t$cycle,t$fails,pch=20,col = t$fails+1)


t2 <- test_pred[test_pred$prediction==1,]
as. character(unique(t2$id))
 [1] "Engine_100" "Engine_81"  "Engine_82"  "Engine_85"  "Engine_87"  "Engine_90"  "Engine_91" 
 [8] "Engine_93"  "Engine_94"  "Engine_97"  "Engine_98" 
length(unique(t2$id))
[1] 11

Российские ученые повысили надежность двигателя с турбонаддувом

Размер шрифта

Межбуквенный интервал

Семейство шрифтов

  1. Новость
  2. 2022
  3. января
  4. 26
  5. Российские ученые повысили надежность двигателя с турбонаддувом

26.01.2022

Ученые разработали независимую систему смазки подшипников турбокомпрессора и исследовали рабочие параметры процесса смазки. Была разработана и установлена на опытный двигатель автономная независимая система смазки с гидроаккумулятором, а также создан исследовательский стенд с системами контроля и оценки выходных параметров масла. Внедрение результатов исследования в производство позволит продлить срок службы современных турбокомпрессоров.

Автономная система смазки поможет продлить срок службы двигателя

Ученые ЮУрГУ совместно с коллегами из Кузбасского государственного технического университета им. Т.Ф. Горбачева усовершенствовали независимую систему смазки подшипников турбокомпрессора и исследовали рабочие параметры процесса смазки. 

«Оснащение автомобилей турбонаддувом позволяет при минимальных затратах на доработку ДВС получить прибавку мощности в 5-60%. Однако вместе с существенным положительным эффектом мы наблюдаем и отрицательные моменты: значительное увеличение тепловых нагрузок, ускорение старения масел, увеличение динамических нагрузок на элементы ДВС, перепады давлений во впускных магистралях, появление нежелательных явлений, таких как помпаж, вибрации и шум. Мы решили разработать независимую систему смазки подшипников ТКР и подпитки их при помощи встроенных гидроаккумуляторов во время пуска, в режимах со значительными нагрузками на минимальных частотах вращения коленчатого вала или заглушения двигателя», — поясняет Александр Гриценко, доктор технических наук, профессор.  

Группа ученых пришла к выводу, что в современных условиях эксплуатации отказы турбонагнетателей составляют до 27% от общего количества отказов двигателей внутреннего сгорания. Такая высокая частота отказов связана с тяжелыми условиями эксплуатации, тяжелой работой и ограниченной несущей способностью масел и конструкционных материалов. Для повышения надежности турбокомпрессора и предлагается внедрить автономную систему смазки с установленным гидроаккумулятором. 

Продление срока службы турбокомпрессоров

Для исследования процесса смазки был изготовлен стенд с независимой системой смазки и навесным оборудованием, были выбраны средства измерения параметров рабочего масла и получены экспериментальные данные. Контролировались следующие параметры: частота вращения ротора турбокомпрессора, давление масла перед подшипником без гидроаккумулятора и с подпиткой при помощи гидроаккумулятора, расход и температура масла, время истечения масла, время снижения давления масла.

При обработке данных были установлены границы работоспособности системы смазки совместно с гидроаккумулятором.

«В результате проведенных исследований выявлено, что подшипники современных турбокомпрессоров испытывают «масляное голодание», при котором перегревается масло, коксуется в зазорах и возникают проблемы с подачей. Решить проблему перегрева подшипников и масла возможно посредством установки гидроаккумулятора в систему смазки и непрерывной подпитке зазоров в подшипнике маслом во время нехватки масла», — комментирует Владимир Шепелёв, кандидат технических наук, доцент.

Результаты работы могут быть использованы автомобилестроительными заводами, промышленными предприятиями, а также учебными заведениями при исследовании и доработке узлов современных турбокомпрессоров.

Внедрение результатов исследования в производство позволит продлить срок службы турбокомпрессоров.

Южно-Уральский государственный университет – это университет цифровых трансформаций, где ведутся инновационные исследования по большинству приоритетных направлений развития науки и техники. В соответствии со стратегией научно-технологического развития РФ университет сфокусирован на развитии крупных научных междисциплинарных проектов в области цифровой индустрии, материаловедения и экологии. В Год науки и технологий ЮУрГУ победил в конкурсе по программе «Приоритет 2030». Вуз выполняет функции регионального проектного офиса Уральского межрегионального научно-образовательного центра мирового уровня (УМНОЦ).

#годнауки

Читайте нас:

  • «Наука ЮУрГУ» в Яндекс.Дзен

  • «ЮУрГУ News» в Telegram

  •  Susu.official в Instagram

  • «Твой ЮУрГУ» в Одноклассники.ру

Елена Кирякова, фото: photogenica.ru

Контактное лицо по новости: 

Отдел внешних коммуникаций, тел. 272-30-11

Что делает автомобильные двигатели надежными?

Все зависит от того, насколько хорошо двигатель противостоит нагреву, нагрузкам и нагрузкам.

Pixabay

На планете около 1,42 миллиарда автомобилей, но не все из них настолько надежны. Некоторые из них — старые загонщики, которые едва заводятся, а другие могут пробежать миллион миль. Но что делает все эти автомобили такими разными? Почему один автомобиль с трудом проживает свой предполагаемый жизненный цикл, а другие, кажется, переживают своих владельцев?

Реальность того, что делает автомобиль надежным, или, скорее, то, что делает двигатель надежным, сводится к тому, как инженеры, разработавшие его, справлялись и смягчали нагрузки, связанные с его работой. Двигатели справляются с некоторыми безумными условиями. С одной стороны, они могут выжить в экстремальных погодных условиях, но то, что происходит внутри, — еще более суровый климат для инженеров. От огненных взрывов каждые несколько секунд до циклов нагрева и охлаждения с хлынувшим маслом — заставить машину с тысячами деталей справиться с этой средой — непростая задача.

Почему двигатели ненадежны?

Чтобы понять, почему некоторые двигатели ненадежны, нам сначала нужно дать определение ненадежности. В частности, двигатели перестают функционировать, когда они считаются перегоревшими, когда происходит повреждение какой-либо части основного блока двигателя, что требует либо нового двигателя, либо ремонта существующего двигателя. Двигатели, пробег которых составляет 1 миллион миль, могут прослужить столько же при регулярном техническом обслуживании, что делает их сверхнадежными. Ненадежные двигатели часто прослужат всего несколько сотен тысяч миль, прежде чем взорвутся.

СВЯЗАННЫЕ: ПОЧЕМУ ДИЗЕЛЬНЫЕ ДВИГАТЕЛИ ДАЮТ БОЛЬШИЙ КРУТЯЩИЙ МОМЕНТ, ЧЕМ БЕНЗИНОВЫЕ ДВИГАТЕЛИ

Двигатели обычно перегорают по одной основной причине: перегрев. Когда двигатель нагревается, все его компоненты деформируются и расширяются. Инженеры проектируют такие расширения в пределах определенного диапазона, но когда температура двигателя выходит за пределы предполагаемого диапазона, уплотнения и прокладки могут лопнуть или, что еще хуже, цилиндры и другие компоненты могут катастрофически выйти из строя под нагрузкой.

Как двигатели борются с перегревом

Инженеры борются с перегревом двигателей с помощью систем охлаждения и смазки. Охлаждение отводит тепло двигателя от цилиндров и отводит его от радиатора через охлаждающую жидкость двигателя, которая проходит по каналам по всему двигателю. Системы охлаждения — это устройства управления теплом. Масляные системы, с другой стороны, являются устройствами предотвращения перегрева. Если автомобиль правильно смазан и смазан, трение в двигателе может быть затруднено, поэтому он будет более прохладным и в пределах рабочей температуры.

Самые популярные

Оглядываясь назад на системы охлаждения, двигатель может стать ненадежным, если каналы охлаждающей жидкости не охлаждают весь двигатель эффективно или равномерно. Если в двигателе происходит неравномерное охлаждение, разные детали могут иметь разные размеры из-за теплового расширения, что создает потенциальную точку отказа. В некоторых ненадежных двигателях каналы охлаждающей жидкости, проходящие по всему двигателю, могут быть слишком маленькими, а это означает, что охлаждающая жидкость поглощает и отводит от блока недостаточно тепла. Это может усугубиться, когда автомобиль с уже плохим охлаждением движется с малой скоростью. Поскольку системы охлаждения используют радиаторы для рассеивания тепла за счет теплопроводности окружающего воздуха, когда автомобиль движется медленнее, через радиатор проходит меньше воздуха и, следовательно, излучается меньше тепла.

Мощность двигателей

Все эти разговоры о охлаждающей жидкости и масле подводят нас к одной из первых основных конструктивных особенностей, которые могут сделать двигатель сверхнадежным: высокая мощность. Двигатели с большим объемом масла и охлаждающей жидкости обычно лучше справляются с тепловыми нагрузками в двигателе. Думайте об этом как о большем количестве боеприпасов для борьбы с врагом. Когда в двигателях больше места для охлаждающей жидкости и масла, у них больше огневой мощи, чтобы дать отпор двигателям, ну, огневой мощи.

GIF-файл, демонстрирующий работу 4-тактного двигателя. Источник: Utzonbike/Wikimedia

Тем не менее, важно вести это обсуждение в общих чертах. Небольшие двигатели можно сделать надежными с помощью других факторов и регулировок. Большие двигатели по своей природе не более надежны только потому, что они большие, и наоборот, маленькие двигатели не являются ненадежными по своей природе, потому что они маленькие.

Дизельное топливо по сравнению с бензиновым

Следующим аспектом надежности, который необходимо обсудить, является дизельное топливо по сравнению с бензиновым. Дизельные двигатели считаются надежными силовыми установками, которые хороши для буксировки и дальних поездок. Но почему? Причина этого связана со смазкой. Дизельное топливо более смазывающее, чем бензин, а это означает, что когда топливо впрыскивается в цилиндры, оно фактически помогает маслу смазывать двигатель и сводить трение к минимуму. Бензин, с другой стороны, обычно содержит детергенты в топливе, в результате чего топливо очищает двигатель от масла и другой грязи, когда оно проходит через цилиндр.

Но опять же, разница в смазке дизельного и бензинового двигателей не является решающим фактором, скорее, эти различия составляют один небольшой шаг на пути двигателя к сверхнадежности.

Головки и блоки из алюминия или железа?

Что касается конструкции двигателя, почти все двигатели имеют головку и блок, две основные части двигателя. Между этими двумя частями находится прокладка головки блока цилиндров, которая часто выходит из строя в двигателях. Прокладка головки герметизирует соединение между головкой и блоком, защищая каналы охлаждающей жидкости и масла от протекания в цилиндры. Когда пробивает прокладку головки блока цилиндров, охлаждающая жидкость и масло или даже топливо могут вылиться в места, где этого быть не должно.

Ключевым выводом этой конструкции является то, что головка и блок представляют собой два разных куска металла, а это означает, что они могут иметь разную степень теплового расширения. Обычно инженеры могут выбрать конструкцию блока или головки из алюминия или чугуна. У обоих есть свои плюсы и минусы, и некоторые двигатели смешивают и сочетают металлы. Чугун прочнее и дешевле, но он тяжелый и плохо распределяет тепло. Алюминий, с другой стороны, легкий и имеет очень хорошее распределение тепла, он также дороже и имеет тенденцию сильно расширяться при нагревании.

Прокладка ГБЦ на блоке, видны каналы охлаждения. Источник: Collard/Wikimedia

Некоторые из самых надежных двигателей имеют прочный чугунный блок и алюминиевую головку. Такая конструкция позволяет основной конструкции двигателя быть прочной, а головка двигателя может рассеивать все тепло. Но эта конструкция должна быть обработана должным образом, чтобы работать. Некоторые из наименее надежных двигателей в мире также имеют алюминиевые головки и железные блоки, потому что они неправильно справляются с проблемами теплового расширения, которые представляет эта конструкция.

Другой фактор, влияющий на надежность двигателей, выходит за рамки тепловых сил и касается кинетических сил от движения поршней. В двигателях существуют первичные силы, которые создаются за счет движения поршня внутрь и наружу в цилиндре. Есть также вторичные силы, которые представляют собой силы от сотрясения или перемещения из стороны в сторону поршней в цилиндре.

Компоновка двигателя

Способ борьбы с этими силами в первую очередь зависит от компоновки двигателя. Рядные четырехцилиндровые двигатели компенсируют первичные силы за счет того, что пары поршней на противоположных сторонах движутся вверх и вниз синхронно. Однако рядные четырехцилиндровые двигатели страдают дисбалансом второстепенных сил. С другой стороны, двигатели Straight 6 способны уравновешивать как первичные, так и вторичные силы за счет правильной синхронизации поршня, что делает эту конструкцию одной из наиболее надежных статистически.

Все эти разговоры о конкретных признаках надежности, однако, не раскрывают всей истории. Одним из самых известных и надежных двигателей, когда-либо существовавших, является Toyota 2UZ. Этот двигатель представляет собой V8 с поперечной планировкой, для балансировки сил которого требуются дополнительные противовесы. Он также имеет относительно низкий объем масла по сравнению с другими двигателями аналогичного размера. Наконец, двигатель имеет железный блок и алюминиевую головку. На бумаге кажется, что этот двигатель не так надежен, как цельнометаллический двигатель с большим объемом масла. Так почему же это работает? Потому что владельцы автомобилей с этим двигателем, как правило, ездят одновременно дольше. Они подвергают свои автомобили меньшему количеству циклов двигателя.

Циклы двигателя

Эта последняя характеристика, которая может сделать двигатель надежным, связана не столько с конструкцией двигателя, сколько с тем, как он используется. Цикл двигателя определяется как переход двигателя от холодного к горячему и снова к холодному. Некоторые из самых долговечных двигателей установлены в автомобилях, которые используются для поездок на дальние расстояния. Это связано с тем, что вождение двигателей на большие расстояния за один раз приводит к меньшему количеству циклов двигателя, чем автомобиль, который делает много остановок, чтобы проехать то же расстояние.

Именно этот аспект, число циклов двигателя, является лучшим индикатором «пробега» или износа двигателя. Например, автомобили, которые проехали миллион миль, как правило, проехали большие расстояния за свою жизнь. При таком использовании автомобиль с пробегом 1 миллион миль может иметь такое же количество циклов двигателя, как и автомобиль с пробегом чуть более 100 тыс.

Когда автомобиль проходит цикл двигателя, детали двигателя расширяются, трутся друг о друга и постоянно меняют свое состояние. Это трение может создать точки отказа в двигателе. При одновременном движении на большие расстояния двигатель остается в постоянно горячем состоянии, избегая постоянного трения и скрежета, которые создают тепловые циклы двигателя.

Что же делает некоторые двигатели надежными? Все сводится к умной инженерии, позволяющей двигателю должным образом справляться с тепловыми нагрузками с помощью любых возможных конструктивных характеристик. Некоторые инженеры разрабатывают конструкции двигателей, надеясь быть умными и найти следующую методологию, которая может потерпеть неудачу после применения на практике. Конструкция двигателя — это наука, требующая тщательного балансирования множества факторов.

For You

diy

Эти полезные советы сделают вашу жизнь проще, если вы создаете базы данных или хотите запачкать руки SQL.

Кристофер Макфадден | 30.10.2022

наука «Последняя технология неандертальцев» показывает, что этот вид был в беде до того, как современные люди добрались до Европы

Грант Каррин| 12.08.2022

diy128 Бесценные функции и формулы Google Таблиц для инженеров

Кристофер Макфадден| 23.10.2022

Еще новости

транспорт
Как 17-летний подросток произвел революцию в моторе электромобиля – The Blueprint

Элис Кук| 01.01.2023

транспорт
EX90 станет самым безопасным Volvo благодаря лидарной технологии

Can Emir| 30.12.2022

транспорт
10 интересных историй о транспорте 2022 года по версии журнала «Интересная инженерия»

Can Emir| 30. 12.2022

Модернизация водяного насоса для решения проблем с надежностью двигателя Renault

Послушайте эту статью

Несмотря на то, что в 2022 году Alpine добилась значительного прогресса в плане скорости, став лучшим среди остальных после Red Bull, Ferrari и Mercedes, она также пережила череду разочаровывающих выходов на пенсию.

Эти DNF сильно разозлили Фернандо Алонсо, тем более что череда отказов двигателей продолжалась почти до самого конца сезона.

Выступая после очередного выхода на пенсию в Мексике, Алонсо сказал, что, по его мнению, Alpine не выполнила свою домашнюю работу должным образом.

«Я думаю, что мы не готовы», — сказал он. — Кажется, в этом году я взорвал пять двигателей. Проблема в квалификации в Австралии; в Австрии я даже не начал гонку из-за отключения электроэнергии. Так что я думаю в 19гонок, более или менее 50% гонок, мы не набрали очков, которых заслуживаем».

Но в то время как проблемы с двигателем казались серьезной головной болью, руководитель отдела двигателей Renault Бруно Фамин настаивает на том, что в основной конструкции его силового агрегата нет ничего принципиально неправильного.

Вместо этого он говорит, что проблемы были связаны с вспомогательными агрегатами двигателя, такими как водяной насос, которые должны быть отсортированы к 2023 году.

«У нас нет серьезных проблем с самим двигателем, с ДВС», объяснил Фамин, который присоединился к проекту Alpine F1 в начале этого года.

«У нас были проблемы в Сингапуре, это факт. На самом деле это было очень странно, потому что иметь две разные проблемы на восьми кругах разница была просто невероятной, но она у нас была.

«Все остальные проблемы, которые у нас были, были в большей степени связаны со вспомогательными средствами; водяной насос, топливный насос. И это то, что мы весьма оптимистичны, что мы сможем решить к 23 году».

Альпийские механики толкают списанную машину Фернандо Алонсо, Alpine A522, в гараж

Фото: Марк Саттон / Motorsport Images

Фамин не видит необходимости для Renault снижать производительность силового агрегата и считает, что изменения концепции некоторых внешних деталей будет достаточно, чтобы устранить факторы, которые пошли не так в 2022 году.

Добавить комментарий

Ваш адрес email не будет опубликован. Обязательные поля помечены *