الگوریتم تشخیص آلودگی متقاطع؛ وقتی دو روغن با هم قاطی می‌شوند چگونه می‌فهمیم؟

آلودگی متقاطع روغن یعنی ورود «یک روغن دیگر» به سیستم؛ مثلاً قاطی‌شدن روغن هیدرولیک با روغن گیربکس، یا پرشدن مخزن با گرید/فرمول متفاوت از همان خانواده. این اتفاق در ایران معمولاً از چند مسیر رخ می‌دهد: تعویض‌های عجولانه در تعمیرگاه، خطای برچسب‌گذاری بشکه/مخزن، استفاده از پمپ یا قیف مشترک، یا شارژ روغنِ «همان ویسکوزیته اما بسته افزودنی متفاوت». مسئله اینجاست که بسیاری از خرابی‌ها دقیقاً از همین نقطه شروع می‌شوند؛ نه با یک «روغن بد»، بلکه با یک مخلوط ناسازگار که خواصش از کنترل خارج می‌شود.

در این مقاله یک نگاه تحلیلی-مقایسه‌ای به روش‌ها و الگوریتم‌های تشخیص آلودگی متقاطع داریم: از نشانه‌های کلاسیک در آنالیز روغن تا مدل‌های داده‌محور برای تشخیص زودهنگام. هدف، ساختن یک منطق تصمیم‌گیری است تا قبل از افت فشار، کف‌کردن، گیرپاژ یاتاقان، یا توقف خط، بتوانید «قاطی‌شدن» را با احتمال بالا تشخیص دهید و اقدام اصلاحی کم‌هزینه‌تر انجام دهید.

آلودگی متقاطع دقیقاً چه چیزی را در روغن به هم می‌ریزد؟ (مدل علت-معلول)

وقتی دو روغن قاطی می‌شوند، صرفاً میانگین گرفتن از ویسکوزیته یا تغییر رنگ رخ نمی‌دهد؛ شما یک سامانه شیمیایی-فیزیکی جدید می‌سازید که ممکن است در سه لایه مشکل ایجاد کند: (۱) گرانروی و رفتار برشی، (۲) پایداری افزودنی‌ها و سازگاری شیمیایی، (۳) پایداری در برابر هواگیری، کف، آب‌گیری و رسوب.

سه سناریوی رایج قاطی‌شدن در بازار ایران

• اختلاط دو روغن با ویسکوزیته متفاوت (مثلاً 46 با 68 در هیدرولیک): ریسک انحراف ویسکوزیته و افت فیلم روغن یا افزایش افت فشار.
• اختلاط دو روغن با ویسکوزیته مشابه اما افزودنی متفاوت (مثلاً AW با R&O یا ATF با روغن هیدرولیک): ریسک ناسازگاری افزودنی، کف، افت دمولسیبیلیتی و تشکیل رسوب/ورنی.
• اختلاط روغن کارکرده با روغن تازه نامتجانس (Top-up اشتباه): مشکل اصلی، «تغییر الگوی روند» در آنالیز روغن است؛ چون روغن تازه بخشی از پارامترها را رقیق می‌کند و تشخیص را سخت‌تر می‌کند.

از منظر الگوریتمی، تشخیص آلودگی متقاطع یعنی کشف یک «ناهمخوانی آماری/فیزیکی» نسبت به خط پایه (Baseline) همان تجهیز و همان روغن. بنابراین بهترین سیستم تشخیص، سیستمی است که هم اثر مخلوط شدن را بفهمد و هم بتواند آن را از اتفاقات مشابه (اکسیداسیون، ورود آب، آلودگی ذرات، رقیق‌شدن با سوخت) تفکیک کند.

نشانه‌های کلاسیک در آنالیز روغن: چه پارامترهایی زودتر لو می‌دهند؟

روش سنتی اما قدرتمند، نگاه چندپارامتری به آنالیز روغن است. نکته کلیدی: هیچ شاخصی به‌تنهایی «امضای قطعی قاطی‌شدن» نیست، اما الگوهای ترکیبی می‌توانند احتمال را بالا ببرند. در عمل، اگر شما فقط به یک عدد (مثلاً ویسکوزیته) تکیه کنید، هم خطای مثبت کاذب بالا می‌رود و هم تشخیص دیر انجام می‌شود.

۱) گرانروی و شاخص گرانروی (VI): تغییر غیرعادی و ناهمخوان با دما

در اختلاط دو روغن هم‌خانواده، ویسکوزیته اغلب به سمت مقدار بینابینی می‌رود؛ اما در اختلاط روغن‌های دارای پلیمر بهبوددهنده گرانروی (VI improver) با روغن‌های بدون آن، ممکن است رفتار برشی تغییر کند و در تجهیزات با برش بالا (پمپ‌ها، یاتاقان‌های سرعت بالا) افت عملکرد دیده شود. الگوریتم خوب باید تغییر ویسکوزیته را هم به صورت «مطلق» و هم نسبت به روند تاریخی تجهیز بررسی کند.

۲) FTIR و روند اکسیداسیون/نیتراسیون: ردپای افزودنی و پایه

طیف‌سنجی FTIR می‌تواند هم افزایش محصولات اکسیداسیون را نشان دهد و هم تغییرات مرتبط با افزودنی‌ها را. در قاطی‌شدن، گاهی بدون اینکه زمان کارکرد زیاد شده باشد، شکل طیف یا شدت برخی باندها دستخوش جهش می‌شود. این جهش وقتی معنی‌دار است که با ساعات کارکرد و دمای تجهیز هم‌خوانی نداشته باشد.

۳) عناصر افزودنی در ICP: «امضای فرمولاسیون»

یکی از سریع‌ترین راه‌ها برای تشخیص اختلاط فرمول‌ها، نگاه به عناصر افزودنی است: کلسیم/منیزیم (شوینده‌ها)، روی/فسفر (ZDDP)، بور، مولیبدن و… اگر الگوی عناصر افزودنی ناگهان تغییر کند (مثلاً Ca بالا برود ولی Zn تغییر نکند، یا برعکس) احتمال اختلاط بالا می‌رود. این دقیقاً همان جایی است که «الگوریتم» از چک‌لیست فراتر می‌رود: باید بداند تغییرات معمول روغن در طول عمرش چیست و کجا تغییر «غیرمحتمل» رخ داده است.

۴) کف، هواگیری و جدایش آب (Demulsibility): پیامد ناسازگاری

در صنایع (هیدرولیک، توربین، کمپرسور) ناسازگاری افزودنی‌ها می‌تواند باعث کف پایدار، کاهش هواگیری و بدتر شدن جدایش آب شود. اگر همزمان با تغییرات ویسکوزیته/افزودنی، شاخص‌های مرتبط با کف یا آب‌گیری بدتر شوند، احتمال آلودگی متقاطع افزایش می‌یابد.

الگوهای داده‌ای: از خط پایه تا تشخیص ناهنجاری (Anomaly Detection)

الگوریتم تشخیص آلودگی متقاطع معمولاً در یکی از دو خانواده قرار می‌گیرد: «قانون‌محور» (Rule-based) یا «داده‌محور» (Statistical/Machine Learning). در بسیاری از سازمان‌ها، بهترین نتیجه از ترکیب این دو به دست می‌آید: قوانین مهندسی برای جلوگیری از خطاهای واضح، و مدل‌های آماری برای شکار تغییرات ظریف.

قدم اول: تعریف خط پایه (Baseline) درست

بدون خط پایه، شما فقط «اعداد» دارید نه «اطلاعات». خط پایه باید شامل این موارد باشد: نوع تجهیز، نوع روغن/گرید، شرایط کاری (دما، بار، آلودگی محیط)، و حداقل ۳ نمونه روندی از همان تجهیز. برای ناوگان نیز خط پایه می‌تواند بر اساس خانواده موتور و سیکل کاری تعریف شود. اگر در تامین و استانداردسازی روغن موتور برای ناوگان یا اتوسرویس در شهرهای بزرگ کار می‌کنید، دسترسی سریع به تامین پایدار و یکسان‌سازی گریدها کمک می‌کند روندها قابل اعتمادتر شوند؛ در همین چارچوب، استفاده از پوشش‌های شهری مثل روغن موتور در تهران می‌تواند در یکپارچه‌سازی تامین و کاهش خطای اختلاط ناخواسته نقش عملی داشته باشد.

مدل‌های رایج تشخیص ناهنجاری

• Z-Score/Control Chart: ساده، قابل توضیح، مناسب وقتی داده کم است؛ ضعف: به همبستگی بین پارامترها کم توجه می‌کند.
• PCA + Hotelling T2 / SPE: برای داده‌های چندبعدی (ویسکوزیته، عناصر، FTIR) عالی است؛ تغییر «الگوی کلی» را کشف می‌کند نه فقط یک عدد.
• Isolation Forest / One-Class SVM: مناسب برای کشف ناهنجاری بدون نیاز به برچسب‌گذاری زیاد؛ حساس به کیفیت داده و نرمال‌سازی.
• Change Point Detection: برای کشف «لحظه وقوع» قاطی‌شدن در روند زمانی بسیار مفید است (مثلاً بعد از سرویس یا تاپ‌آپ).

برای محیط‌های صنعتی که داده از چند نقطه می‌آید (نمونه‌برداری، آزمایشگاه، سنسورها)، یک چارچوب عملی این است: ابتدا با قوانین ساده خطاهای فاحش را بگیرید (مثلاً انحراف ویسکوزیته از بازه مجاز)، سپس روی داده‌های باقی‌مانده مدل چندمتغیره اجرا کنید تا «الگوی جدید» را شناسایی کند.

مقایسه روش‌ها و الگوریتم‌ها: از آزمایشگاه تا آنلاین

همه روش‌ها یک هدف دارند، اما هزینه، سرعت و قابلیت اتکا متفاوت است. جدول زیر یک مقایسه اجرایی برای تصمیم‌گیری است.

برداشت عملی: اگر هدف شما «کشف زودهنگام» است، سنسور آنلاین یا نمونه‌برداری پرتکرار مهم می‌شود؛ اما اگر هدف «اثبات فنی و ریشه‌یابی» است، ترکیب ICP/FTIR و تحلیل چندمتغیره معمولاً قابل دفاع‌تر است.

الگوریتم اجرایی پیشنهادی (قابل پیاده‌سازی در نت، ناوگان و اتوسرویس)

برای اینکه تشخیص آلودگی متقاطع از سطح حدس و تجربه به سطح تصمیم مهندسی برسد، یک الگوریتم مرحله‌ای کمک می‌کند. این الگوریتم عمداً طوری طراحی شده که با امکانات رایج ایران هم قابل اجرا باشد: از یک برنامه نمونه‌برداری ساده تا تحلیل‌های پیشرفته‌تر.

1. گام ۱: تریاژ سریع (Rule-based): بررسی انحراف ویسکوزیته، وجود آب آزاد/امولسیون، کف پایدار، افت فشار غیرعادی، افزایش ناگهانی دما. اگر یکی از این‌ها شدید باشد، ریسک عملیاتی بالا است و باید اقدام سریع انجام شود.
2. گام ۲: تطبیق با رویدادهای نگهداری: زمان سرویس، تعویض فیلتر، تاپ‌آپ، تغییر تامین‌کننده، جابه‌جایی بشکه‌ها/مخزن. بسیاری از آلودگی‌های متقاطع دقیقاً بعد از یک رویداد رخ می‌دهند.
3. گام ۳: امضای افزودنی (ICP): اگر الگوی عناصر افزودنی نسبت به خط پایه جهش کرد، احتمال اختلاط فرمول بالا می‌رود (حتی اگر ویسکوزیته خیلی تغییر نکرده باشد).
4. گام ۴: FTIR روندی یا تست‌های تکمیلی: برای تفکیک از اکسیداسیون طبیعی، آلودگی سوخت یا آب؛ و برای دیدن تغییرات مرتبط با افزودنی‌ها.
5. گام ۵: نمره ریسک (Risk Score): ترکیب نتایج به یک امتیاز 0 تا 100 (مثلاً وزن بیشتر برای جهش افزودنی‌ها + تغییر نقطه‌ای در روند). این کار تصمیم را استاندارد می‌کند.
6. گام ۶: اقدام اصلاحی متناسب با ریسک: از «نمونه‌برداری مجدد و قفل‌کردن تامین» تا «درین و فلاش کنترل‌شده» و «تعویض فیلتر/پاکسازی مخزن».

در محیط‌های صنعتی، وقتی تامین روغن از چند محل و چند شهر انجام می‌شود، استانداردسازی و ردیابی بچ/پارت اهمیت دوچندان دارد. برای تیم‌های نت در شهرهای صنعتی، دسترسی به تامین منظم و قابل پیگیری از مسیرهایی مثل روغن صنعتی می‌تواند بخش «پیشگیری» این الگوریتم را تقویت کند؛ چون ریسک تغییر ناخواسته فرمول/گرید در تامین پراکنده کمتر می‌شود.

چالش‌ها و راه‌حل‌ها: چرا تشخیص قاطی‌شدن سخت می‌شود؟

تشخیص آلودگی متقاطع همیشه هم سرراست نیست. چند عامل باعث می‌شود داده‌ها مبهم شوند یا حتی به نتیجه غلط برسیم.

چالش ۱: تاپ‌آپ‌های کوچک اما تکرارشونده

مقدار کم روغن اشتباه در هر نوبت، ممکن است عددها را به‌تدریج جابه‌جا کند و هیچ آلارم «شدید» ایجاد نشود. راه‌حل: تمرکز روی روندها و Change Point، و ثبت دقیق هر تاپ‌آپ (چه روغنی، چه مقدار، از چه بچی).

چالش ۲: شباهت اثرات (Confounding)

مثلاً رقیق‌شدن با سوخت هم می‌تواند ویسکوزیته را پایین بیاورد؛ یا ورود آب هم می‌تواند کف را زیاد کند. راه‌حل: استفاده از «امضای افزودنی‌ها» و تحلیل چندمتغیره؛ چون اختلاط روغن معمولاً همزمان چند ویژگی را تغییر می‌دهد.

چالش ۳: تفاوت بین برندها در یک استاندارد مشابه

دو روغن ممکن است هر دو یک گرید و یک سطح کارایی را ادعا کنند، اما بسته افزودنی‌شان متفاوت باشد و در اختلاط، عملکردی غیرمنتظره ایجاد کند. راه‌حل: سیاست سازگاری و قفل‌کردن لیست روغن‌های مجاز، و در صورت اجبار به تغییر برند، «دوره گذار کنترل‌شده» با نمونه‌برداری نزدیک‌تر.

چالش ۴: کیفیت نمونه‌برداری و آلودگی بیرونی

نمونه‌گیری از نقطه نامناسب یا ظرف آلوده می‌تواند الگو را خراب کند. راه‌حل: استانداردسازی نمونه‌برداری روغن، استفاده از بطری تمیز، و تکرار نمونه در صورت مشاهده ناهنجاری بزرگ. در ناوگان‌های پراکنده، هماهنگ‌کردن سرویس‌ها با تامین یکسان روغن هم به کاهش خطا کمک می‌کند؛ مثلاً ناوگان‌های جنوب کشور که رطوبت و گرما فشار مضاعف ایجاد می‌کند، معمولاً به کنترل دقیق‌تر نیاز دارند و تامین منظم از مسیرهایی مانند روغن موتور در بندرعباس می‌تواند پایداری تامین و کاهش تنوع ناخواسته را تسهیل کند.

جمع بندی: تشخیص زودهنگام یعنی جلوگیری از خرابیِ «بی سر و صدا»

آلودگی متقاطع روغن معمولاً با یک نشانه واضح شروع نمی‌شود؛ با یک «تغییر الگو» شروع می‌شود. بهترین راهبرد، ترکیب نشانه‌های آزمایشگاهی (ویسکوزیته، FTIR، عناصر افزودنی، کف/آب‌گیری) با الگوریتم‌های روندی و تشخیص ناهنجاری است تا هم سریع‌تر هشدار بگیریم و هم از اشتباه گرفتن آن با اکسیداسیون یا آلودگی‌های دیگر جلوگیری کنیم. اگر خط پایه درست تعریف شود و رویدادهای نگهداری ثبت شوند، حتی مدل‌های ساده هم ارزش زیادی دارند؛ و در تجهیزات حساس، تحلیل چندمتغیره می‌تواند تفاوت بین «نگرانی بی‌مورد» و «پیشگیری از توقف خط» باشد.

موتورازین با نگاه داده‌محور به روانکاری، تلاش می‌کند انتخاب روغن و مدیریت آن را از تصمیم سلیقه‌ای به تصمیم مهندسی تبدیل کند. چه در ناوگان و اتوسرویس و چه در صنعت، اگر هدف شما کاهش ریسک اختلاط، استانداردسازی تامین و تصمیم‌گیری بر پایه آنالیز باشد، موتورازین می‌تواند نقش مرجع دانش و تامین‌کننده قابل اتکا را داشته باشد. برای سناریوهای تعویض برند، تعیین خط پایه، و طراحی برنامه نمونه‌برداری، رویکرد مشاوره‌محور موتورازین کمک می‌کند هزینه خطاهای پنهان کمتر شود.

پرسش های متداول

آیا قاطی شدن دو روغن همیشه باعث خرابی می شود؟

نه همیشه، اما همیشه «ریسک» را بالا می‌برد. اگر دو روغن از نظر پایه و بسته افزودنی سازگار باشند، ممکن است اثر کوتاه‌مدت محدود باشد؛ اما در بسیاری از موارد، ناسازگاری افزودنی‌ها باعث کف، افت جدایش آب، رسوب یا تغییر رفتار برشی می‌شود. نکته مهم این است که اثرات می‌تواند با تاخیر و در شرایط بار/دما خودش را نشان دهد.

سریع ترین شاخص آزمایشگاهی برای تشخیص آلودگی متقاطع چیست؟

برای اختلاط فرمول‌ها، معمولاً تغییر الگوی عناصر افزودنی در ICP یکی از سریع‌ترین و قابل اتکاترین سرنخ‌هاست؛ چون مثل «اثر انگشت» فرمول عمل می‌کند. البته باید با خط پایه همان تجهیز مقایسه شود. در کنار آن، تغییر غیرعادی ویسکوزیته هم یک هشدار سریع است، اما به تنهایی قطعی نیست.

چطور آلودگی متقاطع را از رقیق شدن با سوخت یا ورود آب تفکیک کنیم؟

تفکیک با نگاه چندپارامتری ممکن می‌شود. رقیق‌شدن با سوخت معمولاً با افت ویسکوزیته همراه است و شاخص‌های مرتبط با سوخت/فراریت و برخی باندهای FTIR می‌تواند کمک کند. ورود آب علاوه بر نشانه‌های آب (مثلاً امولسیون) معمولاً روی کف و زنگ‌زدگی اثر می‌گذارد. اما در آلودگی متقاطع، علاوه بر ویسکوزیته، «امضای افزودنی‌ها» و تغییر الگوی کلی داده‌ها غالباً پررنگ‌تر است.

آیا می توان درصد اختلاط دو روغن را از روی آنالیز تخمین زد؟

در بعضی سناریوها بله، اما با عدم قطعیت. اگر از دو روغن نمونه مرجع داشته باشید و شاخص‌هایی مثل عناصر افزودنی یا برخی ویژگی‌های FTIR خطی رفتار کنند، می‌توان تقریب زد. با این حال، همه پارامترها خطی نیستند (خصوصاً کف، جدایش آب و برخی اثرات افزودنی)، بنابراین تخمین درصد باید با احتیاط و همراه با قضاوت مهندسی انجام شود.

برای پیشگیری از قاطی شدن روغن ها در کارگاه یا کارخانه چه کار عملی انجام دهیم؟

اقدام‌های ساده اما اثرگذار شامل کدگذاری رنگی، پمپ و قیف اختصاصی برای هر روغن، برچسب‌گذاری بچ/تاریخ، قفل کردن لیست روغن‌های مجاز، و ثبت هر تاپ‌آپ است. در سطح بالاتر، پایش روندی و تعریف خط پایه برای تجهیزات حساس، باعث می‌شود اگر هم اختلاط رخ داد، زودتر و با هزینه کمتر شناسایی شود.

منابع:

https://www.astm.org/d445-23.html

https://www.astm.org/d7414-22.html