The continuous monitoring in real time of the degradation of lubricants is of great interest for many different industries to optimize the use of lubricating oil in combustion engines. Traditional oil quality diagnostic methods can measure accurately the different levels of oil degradation, but they cannot be implemented on engines to perform continuous oil quality diagnostics. On the other hand, the different mechanisms that affect the quality of engine oil – e.g. contamination and thermal degradation – affect simultaneously the physical and chemical properties of the oil: this makes it difficult to identify and quantify each degradation form separately.

This thesis aims at designing and comparing four diagnostic algorithms to predict continuously and separately the different levels of oil degradation in an engine. These algorithms, called Virtual Sensors, predict simultaneously the different levels of oil degradation based on the measurement provided by a multi-sensor called a Tuning Fork Sensor. To design these Virtual Sensors, regression analyses are performed based on sensor data collected in a lab on oil samples with known levels of degradation. Then, the Tuning Fork sensor is implemented in two locations of the oil circuit of a test-engine to determine the influence of the engine operating conditions and of the engine oil properties on the accuracy of the degradation predicted by each Virtual Sensor. It has been observed that the four Virtual Sensors can predict simultaneously the different levels of oil degradation with a satisfying accuracy when the prediction is based on lab data, but the prediction of these algorithms is highly sensitive to measurement errors. During engine operations, these measurement errors are mostly caused by large variations in the oil pressure in the circuit: this shows that the location in which pressure variations are minimal would optimize the accuracy of the prediction made by each Virtual Sensor. Furthermore, the accuracy of two of the Virtual Sensors depends greatly on the temperature range over which the sensor measures the properties of the oil: the location in which the oil temperature reaches its highest value during engine operations may optimize the accuracy of these algorithms.

Kontinuerlig övervakning av nedbrytningen av smörjmedel är viktig för många olika industrier för att optimera användningen av smörjolja i förbränningsmotorer. Traditionella metoder för diagnostik av oljekvalitet kan mäta olika nivåer av oljenedbrytning med precision, men de kan inte användas i motorer för att mäta kontinuerligt oljekvalitet. Å andra sidan påverkar oljenedbrytning – t.ex. oljeförorening eller oxidation – samtidigt alla oljans fysikaliska och kemiska egenskaper. Detta gör det svart att identifiera och kvantifiera varje nedbrytningsform separat.

Målet med detta arbete är att utforma och jämföra fyra diagnostiska algoritmer som kontinuerligt förutsäga de olika nivåerna av oljenedbrytning i en motor. Dessa algoritmer, som kallas virtuella sensorer, förutsäger samtidigt de olika nivåerna av oljenedbrytning baserat på mätningar av en multisensor som kallas Tuning Fork Sensor. För att utforma dessa virtuella sensorer utförs regressionsanalyser med sensordata på oljeprover med kända nedbrytningsnivåer. Därefter installeras Tuning Fork Sensor på två ställen i oljekretsen i en testmotor för att fastställa hur driftförhållandena påverkar noggrannheten hos den nedbrytning som förutsägs av varje virtuell sensor. Dessutom används resultaten av förutsägelsen av nedbrytningen av motoroljan på varje plats för att bestämma den sensorposition som skulle maximera noggrannheten hos varje virtuell sensor. De fyra virtuella sensorerna samtidigt kan förutsäga de olika nivåerna av oljenedbrytning med tillfredsställande noggrannhet när förutsägelsen baseras på laboratoriedata, men förutsägelsen av dessa algoritmer är mycket känslig för mätfel. Under motordrift orsakas dessa mätfel främst av stora variationer i oljetrycket: detta visar att den plats där tryckvariationerna är minimala skulle optimera noggrannheten hos den förutsägelse som görs av varje virtuell sensor. Dessutom beror noggrannheten hos två av de virtuella sensorerna på det temperaturområde inom vilket sensorn mäter oljans egenskaper: den plats där oljetemperaturen är högsta under motorns gång skulle optimera noggrannheten hos dessa algoritmer.