Нам очень понравилась научно-практическая статья на oil-club.ru о механизмах образования нагара, лака и шлама в автомобильных двигателях. В ней — не гипотезы, а измеренные пороговые значения температур, химические процессы и рекомендации для инженеров.
Мы решили оцифровать это знание в виде 6 небольших, самодостаточных утилит на C#. Каждая решает одну задачу, легко интегрируется в ваш софт и работает без облаков, ML-фреймворков и зависимостей — только Newtonsoft.Json.
Требования и установка
Для компиляции каждой утилиты достаточно:
dotnet new console
dotnet add package Newtonsoft.Json
Или через Package Manager Console:
Install-Package Newtonsoft.Json
Больше ничего не нужно. Никакого Accord.NET, TensorFlow, Python или интернета.
Как использовать
Каждая утилита вызывается одинаково:
MyTool.exe input.csv output.json
Если запустить без параметров — выведет описание формата CSV и задачи.
Описание утилит
1. DepositRiskPredictor
Задача: прогноз риска нагара, лака и шлама по температурам в 4 точках поршня/цилиндра.
Пороги из статьи: T1>350°C → нагар, T2>260°C → лак, T4<90°C → шлам.
Формат CSV:
T1,T2,T3,T4
360,270,230,180
2. OilDegradationForecaster
Задача: оценка старения масла по пробегу, температуре картера и режиму эксплуатации.
Формула из статьи: ~0.5 л воды на 5000 км при T<90°C.
Формат CSV:
MileageKm,SumpTemp,FrequentShortTrips
5200,85,true
3. RingStickingAdvisor
Задача: прогноз залегания колец при T2>260°C и использовании масел групп «Б/В».
Формат CSV:
T2,OilGroup,OperatingHours
270,V,850
4. PistonOverheatDetector
Задача: прогноз прогара поршня при T1>350°C (380°C для сплавов с кремнием).
Формат CSV:
T1,CarbonHardness,Alloy
360,4.0,Standard
5. OilGroupRecommender
Задача: подбор группы масла («Г» vs «Б/В») по температурному режиму и климату.
Формат CSV:
T2,T4,LoadPercent,Climate
270,180,90,Hot
6. SludgeFormationEstimator
Задача: оценка риска шлама по температуре картера, простою и средней скорости.
Формат CSV:
SumpTemp,IdleHours,AvgSpeedKmh
85,3,25
Полный исходный код
Все 6 утилит — это независимые EXE-файлы по ~150 строк кода. Каждая содержит:
- LoadData(string csvPath = null) — с демо-данными по умолчанию
- PrintHello() — описание задачи и формата CSV
- Логику на основе порогов из статьи oil-club.ru
- Вывод в формате output.json с полем errorMessage
Полный код каждой утилиты доступен в нашем репозитории (или по запросу). Пример для DepositRiskPredictor.cs:
using System;
using System.Collections.Generic;
using System.IO;
using System.Linq;
using Newtonsoft.Json;
public class DepositRecord { /* ... */ }
public class DepositRiskPredictor
{
public static List<DepositRecord> LoadData(string csvPath = null)
{
if (!string.IsNullOrEmpty(csvPath) && File.Exists(csvPath))
{
// читаем CSV
}
return new List<DepositRecord> { /* демо-данные */ };
}
public static (string, string, string) Predict(DepositRecord r)
{
// логика по порогам T1, T2, T4 из статьи
}
}
// ... Main, PrintHello, AppResult
Зачем это нужно?
Эти утилиты — не «искусственный интеллект», а цифровые методики ПЗВ и 344-Т. Их можно:
- Встроить в ПО для испытательных стендов
- Использовать в лабораториях НПЗ при разработке масел
- Добавить в системы мониторинга состояния ДВС
- Применять при доводке двигателей в R&D
Всё — без облаков, без black-box, с полной валидируемостью.
Хотите больше статей о возможностях ИТ для промышленности?
Присоединяйтесь к нашему Telegram-каналу:
Интерпретируемый ИИ в промышленности
© 2025. Оцифровка инженерного знания.