In fluid power and in lubrication, dirty oil is considered to account for the majority of all system troubles. Therefore, it is imperative to maintain an adequate cleanliness level of the oil at all times. This is achieved with the help of mechanical filters, which capture and separate solid particles from the system oil. As the filters retain the captured particles, their empty spaces start to clog, which will eventually lead to a complete blocking of the filter unit. As a filters clogs, a pressure drop over it increases. This pressure drop is typically used for determining the condition and remaining lifetime of the filter unit.
For making this work possible, extensive laboratory tests have been performed at different fluid and flow conditions, to monitor the increase in pressure drop over a filter unit that is being loaded with particles. The different variables included the oil flow rate, temperature and gravimetric contamination level. Understanding how different conditions contribute to the pressure drop development would enable a predictive maintenance strategy for oil filters, in which the remaining lifetime could be estimated from the aforementioned oil and flow properties. For this purpose, several correlation models are presented in this thesis that link the different physical variables to the pressure drop increase over a filter.
The modelling work resulted in two major correlation equations for the pressure drop development: one that is a function of the filtration time, and one that is a function of the filtered mass. Both models could describe the pressure drop development from the initial clean filter state to the maximum pressure drop. In addition, an equation was constructed just for the total lifetime of a filter unit. Other additional modelling work included an equation for the oil cleanliness level based on the rate of change of the pressure drop. All of the correlation models were found to match the experimental data with good accuracy, with coefficient of determination R2 values that were typically over 0.98. The work in this thesis was done as an initial research for a project that is aiming to develop an IoT-enabled smart oil filter that could predict its remaining lifetime, and possibly offer additional information about the cleanliness level of the oil as well.
Hydrauliikassa ja voitelujärjestelmissä suurin osa laiterikoista ja muista ongelmista johtuu öljyn epäpuhtaudesta. Tästä johtuen järjestelmän luotettavan toiminnan takaaminen vaatii öljyn jatkuvaa suodatusta, johon käytetään mekaanisia suodattimia. Suodattimet erottavat likapartikkelit öljystä, jolloin partikkelit jäävät suodattimen huokoisiin. Tämä aiheuttaa suodattimen huokosten tukkeutumista. Samalla kun suodatin tukkeutuu, sen virtausvastus kasvaa, kasvattaen suodattimen yli tapahtuvaa painehäviötä. Suodattimen painehäviötä käytetään yleensä arvioimaan suodattimen tukkeutuminen ja jäljellä oleva elinikä.
Tämän työn mahdollistamiseksi on tehty useita laboratoriotestejä, joissa on selvitetty miten suodattimen yli tapahtuva painehäviö kehittyy eri virtaus- ja fluidiparametreilla. Eri parametrit, jotka testeissä huomioitiin, olivat öljyn tilavuusvirta, lämpötila sekä likapitoisuus. Näiden parametrien vaikutuksen ymmärtäminen painehäviön kehitykseen mahdollistaisi ennakoivan kunnonvalvonnan öljysuodattimille. Ennakoivassa kunnonvalvonnassa suodattimen elinikä pystyttäisiin ennustamaan eri edellä mainittujen parametrien perusteella. Tässä diplomityössä esitetään useita eri korrelaatiomalleja, jotka yhdistävät eri operatiiviset parametrit sekä painehäviön kehityksen.
Mallinnustyön tuloksena syntyi kaksi suurempaa korrelaatiomallia. Toinen malleista on suodatusaikaan perustuva yhtälö, ja toinen perustuu öljyn mukana suodattimelle virranneiden likapartikkelien kokonaismassaan. Kumpikin malleista pystyy havainnollistamaan painehäviön kehityksen aina puhtaasta suodattimesta painehäviön maksimitasoon asti. Lisäksi työtä varten kehitettiin yhtälö, joka ilmaisee pelkästään suodattimen ennakoidun kokonaiselinajan. Työssä esitellään myös, miten painehäviön kasvunopeudesta pystytään päättelemään öljyn senhetkinen likapitoisuus. Jo-kaisen korrelaatiomallin istuvuus testidataan oli hyvä: determinaatiokerroin R2 oli usein yli 0.98. Tätä diplomityötä varten tehty tutkimus on ollut alkututkimusta proektille, jonka tavoitteena on kehittää IoT-käyttöinen älykäs suodatinyksikkö, joka pystyisi ennakoimaan jäljellä olevan elinaikansa, sekä mahdollisesti tarjoamaan käyttäjälleen tietoa mm. öljyn likapitoisuudesta.
Submit a publication
Browse
Statistics