[Back]

B. Ronai:
"Evaluation of chemical and tribometrical data of engine oils by selected multivariate statistics";
Supervisor: G. Allmaier, K. Varmuza; Institut für Chemische Technologien und Analytik, 2021; final examination: 2021-11-29.

Evaluation of data by means of multivariate statistics is being used to support conventional data evaluation as well as to facilitate the detection of additional information. The application of multivariate statistical methods is common in many scientific fields and has also entered in the field of tribology, that deals with friction, wear, and lubrication.
The aim of this master thesis was to evaluate data from the chemical and tribometrical characterization of fresh, used and artificially altered engine oils using multivariate data analysis methods established in the field of chemometrics in order to study the oil condition and its correlation with wear performance.
Principal component analysis (PCA) of Fourier-transform infrared (FTIR) absorption spectra of the oils was carried out to highlight the main degradation processes and to compare the oil conditions of the artificially altered engine oils with those of the used engine oils. Partial least squares (PLS) regression was applied in combination with the resampling technique repeated double cross validation (rdCV) to describe correlations between the chemical composition of the engine oils based on FTIR spectra and the respective wear behaviour of experiments using those oils.
PCA has proven to be an effective method for the extraction of the most important information from the FTIR spectra of the oils regarding oil condition and degradation. It made the determination of oxidation and the depletion of antioxidants and anti-wear additives as the main oil degradation processes easily accessible and helped pointing out the nitration and oxidation processes as the biggest differences between artificial altered and used oils. PLS allowed the development of semiquantitative models describing the correlation between the oil condition and the respective wear volumes.

Datenauswertung mithilfe von multivariaten statistischen Methoden wird sowohl zur Unterstützung der konventionellen Datenauswertung als auch zur Erkennung von neuen, versteckten Informationen eingesetzt. Die Anwendung dieser Methoden hat sich bereits in vielen wissenschaftlichen Bereichen etabliert und hat nun auch im Bereich der Tribologie, die sich mit Reibung, Verschleiß und Schmierung beschäftigt, Einzug gehalten.
Ziel dieser Masterarbeit war es, Daten aus der chemischen und tribometrischen Charakterisierung von frischen, gebrauchten und künstlich gealterten Motorölen mithilfe von bekannten multivariaten Datenanalysemethoden auszuwerten, um den Ölzustand und seine Korrelation mit dem Verschleißverhalten zu untersuchen.
Es wurde eine Hauptkomponentenanalyse (PCA) der Fourier-Transform-Infrarot (FTIR) Absorptionsspektren der Öle durchgeführt, um die wichtigsten Ölabbauprozesse hervorzuheben und den Ölzustand der künstlich gealterten Motoröle mit jenem der gebrauchten Motoröle zu vergleichen. Partial Least Squares (PLS) Regression wurde in Kombination mit einer Kreuzvalidierungsmethode angewandt, um Korrelationen zwischen der chemischen Zusammensetzung der Motoröle auf Basis der FTIR-Spektren und dem Verschleißverhalten von Experimenten unter Anwendung dieser Öle zu beschreiben.
Die PCA stellte eine effektive Methode zur Extraktion der wichtigsten Informationen aus den FTIR-Spektren der Öle hinsichtlich Ölzustand und -abbau dar. Sie ermöglichte eine einfache Identifikation von Oxidation bzw. Antioxidantien- und Verschleißschutzadditivabbau als die wichtigsten Ölabbauprozesse und half, die Nitrierungs- und Oxidationsprozesse als die größten Unterschiede zwischen künstlich gealterten und gebrauchten Ölen aufzuzeigen. Die PLS Regression ermöglichte die Erstellung semiquantitativer Modelle, die die Korrelation zwischen dem Ölzustand und den Verschleißvolumina beschreiben.