Как мы рассчитываем рейтинги моторных масел

Расширенная методика Oil-Guru.ru: научные основания, формулы и правила интерпретации

Мы сравниваем не известность брендов и не обещания на канистре, а измеренные свойства масел и их поведение в сопоставимых условиях. Сначала проверяем требования конкретного автомобиля. Затем отдельно оцениваем свежие масла и результаты их эксплуатации. Только после этого формируем рейтинг, учитывая не только величину различий, но и надежность вывода.

Наш принцип: допустимость для двигателя → сопоставимые измерения → прогноз в общих условиях → понятное решение для владельца. Хорошая документация повышает доверие к данным, но сама по себе не делает масло лучше. Высокая позиция означает преимущество по заданным критериям и в указанной области применения, а не универсальное превосходство во всех двигателях.

Эта публикация раскрывает расчетную логику и границы интерпретации рейтинга. Числа в учебных примерах условные и не относятся к результатам реальных продуктов.

Как читать материал. Сначала объяснены отбор масел и смысл лабораторных показателей. Далее приведены статистическая модель, формулы баллов, правила присвоения мест и проверки. В конце размещены учебные примеры, словарь и карта источников. Формулы можно пропустить при первом чтении: их смысл поясняется обычным текстом.

Содержание

• 1. Что именно оценивает наш рейтинг
• 2. На каких данных мы основываем сравнение
• 3. Сначала — требования автомобиля и допуск масла
• 4. Сравниваем точную рецептуру, а не только название
• 5. Почему рейтинг привязан к конструкции двигателя
• 6. Моточасы, режим и общая область сравнения
• 7. Совместимость методов и точность измерений
• 8. Как рассчитывается рейтинг свежих масел
• 9. Какие изменения мы оцениваем в отработках
• 10. Металлы, долив, расход и нештатные условия
• 11. Совместная статистическая модель отработок
• 12. Частичное объединение и независимость наблюдений
• 13. Как получаем результат в одинаковых условиях
• 14. Как показатели превращаются в оценки
• 15. Полнота сравнения: почему отсутствие показателя не равно плохому маслу
• 16. Как присваиваются места и учитывается неопределенность
• 17. Как мы проверяем расчет
• 18. Почему мы учитываем отбор публикаций и момент замены масла
• 19. Сезонные рекомендации и интервалы замены
• 20. Как из научного сравнения получается практический выбор
• Приложение А. Учебные примеры
• Приложение Б. Словарь терминов и сокращений
• Приложение В. Обозначения в формулах
• Приложение Г. Источники и границы их применимости

1. Что именно оценивает наш рейтинг

Два самостоятельных результата

Рейтинг свежих масел описывает измеренные свойства конкретного продукта до эксплуатации: низкотемпературное поведение, испаряемость, вязкостной профиль и соответствие требованиям выбранного двигателя. Обозначение VOA (анализ пробы свежего масла) используется только для такого материала.

Рейтинг отработок описывает ожидаемое состояние масла после заданной наработки в определенном двигателе и режиме. Обозначение UOA (анализ отработанного масла) относится к пробе, отобранной после эксплуатации.

Балл свежего масла не прибавляется к баллу отработки. Вместе с тем подходящая свежая проба служит исходным эталоном для расчета изменения вязкости, щелочного и кислотного чисел и других показателей. Поэтому два рейтинга самостоятельны по цели и шкале, но могут быть статистически связаны через общий эталон.

Измерение, прогноз и рекомендация — не одно и то же

В лабораторном бланке зафиксировано состояние одной пробы. Статистическая модель обобщает сопоставимые наблюдения. Рекомендация учитывает полученные оценки, их неопределенность и требования автомобиля. Мы не перескакиваем напрямую от одного удачного бланка к утверждению «это лучшее масло».

Главный предмет оценки — профиль состояния масла и концентрации измеренных веществ. Меньшая концентрация железа в сопоставимых пробах является результатом наблюдения, но не равна доказательству, что двигатель изнашивается в той же пропорции медленнее. Часть частиц может не попасть в измеряемую фракцию, а концентрация зависит также от расхода, доливов и объема масла.

Рейтинг по опубликованным эксплуатационным пробам остается наблюдательным сравнением. Даже корректный учет доступных условий не превращает его в рандомизированное моторное испытание и не доказывает причинную прибавку ресурса двигателя.

Основание: 17. Многоэлементный спектральный анализ масел, D5185-26; 24. Лэнд, Уайнер и Шварц. Новый взгляд на анализ металлов износа, 1977; 28. Гельман и соавторы. Рабочий процесс байесовского анализа, 2020. Лабораторные ограничения, физический смысл концентраций и правила вероятностного анализа имеют разные основания; эти источники не утверждают универсальную формулу нашего рейтинга.

2. На каких данных мы основываем сравнение

Мы используем нашу базу лабораторных анализов, в том числе первичные бланки из публикаций oil-club.ru и других профильных источников. Форумная публикация помогает установить происхождение пробы и условия эксплуатации, но сама по себе не заменяет лабораторный протокол. Мы различаем измеренное число, сведения владельца и последующую интерпретацию.

Для каждого включенного показателя учитываются единица измерения, метод и условия испытания, лаборатория, роль пробы, дата, идентичность масла и связь с первоисточником. Значения «не измерено», «ниже предела определения», «неизвестно» и действительный ноль имеют разный смысл и не подменяют друг друга.

Проверка специалистом относится к конкретному содержанию: правильности прочтения бланка, единице, идентичности пробы или обоснованности связи. Она не означает, что лабораторная погрешность исчезла, все условия эксплуатации стали одинаковыми или подтвержден причинный эффект масла.

Единица наблюдения — физическая проба

Один бланк, перепечатанный на нескольких сайтах, остается одной пробой. Повторное распознавание того же изображения не создает нового наблюдения. Несколько измерений одного образца могут уточнять аналитическую повторяемость, но не изображают несколько независимых автомобилей.

Мы отдельно различаем автомобиль, владельца, заливку, последовательные отборы из одной заливки, технические повторы испытания и партии свежего продукта. Повторные пробы одной заливки помогают изучать ее изменение во времени. Разные заливки одного автомобиля не образуют одну непрерывную траекторию старения.

Качество доказательств и качество масла разделены. Мы не начисляем продукту баллы за известность владельца, престиж бренда, число перепечаток или формальный статус «проверено». Документированность влияет на пригодность наблюдения, модель зависимости и неопределенность результата.

Основание: 35. Руководство по выражению неопределенности измерений, JCGM (Объединенный комитет по руководствам в метрологии) 100:2008; 28. Гельман и соавторы. Рабочий процесс байесовского анализа, 2020. Измерительная неопределенность и статистическая зависимость рассматриваются отдельно от редакционной проверки публикации. Правила учета повторов и источников — часть нашей методики.

3. Сначала — требования автомобиля и допуск масла

Одинаковая надпись 5W-30 не означает одинаковой пригодности двух масел. Мы устанавливаем точный двигатель, год и рынок поставки, тип топлива, систему снижения выбросов и предусмотренный изготовителем режим обслуживания. Требования берем из применимой официальной документации, сохраняя ее реальные альтернативы: «и», «или», ограничения сезона и режима.

Вязкостная классификация SAE (Общество автомобильных инженеров) описывает реологические свойства — поведение при течении и деформации. Она не заменяет эксплуатационные категории и специальные одобрения автопроизводителя. Это ограничение прямо обозначено в области применения стандарта J300.

Основание: 1. Классификация вязкости моторных масел, J300, редакция 2024; 2. Руководство по моторным маслам Американского института нефти; 5. Европейские требования к маслам легковых двигателей, редакция 2023. Стандарт J300 ограничен вязкостной классификацией; европейские последовательности испытаний допускают дополнительные требования отдельных изготовителей.

Какие системы требований мы различаем

Новая категория испытаний не дает автоматического разрешения на другую вязкость или применение в ином двигателе. Специальные японские категории маловязких бензиновых масел нельзя переносить на любой автомобиль только потому, что они новые.

Основание: 3. Система лицензирования и сертификации моторных масел, документ 1509; 7. Руководство по применению японского стандарта M 364:2024; 8. Официальное сообщение о редакции японского стандарта M 364:2024. Исходная ссылка на японское руководство сохранена; официальное сообщение о его редакции дополнительно поясняет назначение специальных категорий.

Формальная проверка совместимости

Для продукта o и двигателя e используем проверку:

Eligible(o,e)=1{SAE_o∈AllowedSAE_e} 1{Req_e(Claims_o)=true}.

Здесь AllowedSAE_e — разрешенные полные вязкостные классы; Claims_o — документированные заявления и подтверждения по продукту; Req_e — логическая проверка требований руководства; 1 — индикатор истинного условия.

До разрешения неизвестных сведений результат проверки может быть «подходит», «не подходит» или «не установлено». Неизвестное не считается ни доказанным соответствием, ни доказанной несовместимостью. Статус подтверждения указываем отдельно от самой совместимости.

В отчете различаем официальное одобрение автопроизводителя, подтвержденную лицензию соответствующей системы, заявленное изготовителем масла соответствие и неподтвержденный статус. Если руководство требует именно официального одобрения, простого заявления недостаточно. Если индивидуальное одобрение для нужной категории не предусмотрено, мы не создаем искусственного требования такого сертификата.

Лицензия API (Американский институт нефти) не заменяет одобрение автопроизводителя. ACEA (Европейская ассоциация автопроизводителей) прямо указывает, что сама не выдает индивидуальные сертификаты соответствия масел: за обоснованность заявления отвечает поставщик. Отсутствие продукта в просмотренной части реестра не доказывает отсутствия одобрения вообще.

Основание: 4. Официальный реестр лицензированных моторных масел; 6. Разъяснение Европейской ассоциации автопроизводителей о заявлениях соответствия. Статус продукта проверяется в соответствующей системе, с учетом области и даты действия подтверждения.

Допуск — обязательный фильтр, а не награда в баллах. Несовместимость не компенсируется хорошим анализом. Одинаково допустимые масла не получают дополнительных лабораторных баллов только за разное число одобрений на этикетке.

Пограничное лабораторное число не трактуется как абсолютно точное доказательство соответствия. Учитываются неопределенность измерения и применимое правило принятия решения. Наша оценка отдельной пробы не подменяет официальную процедуру сертификации продукта.

Основание: 38. Роль неопределенности измерения при оценке соответствия, JCGM (Объединенный комитет по руководствам в метрологии) 106:2012. Дополнительное метрологическое основание: оценка соответствия требованиям с учетом неопределенности; не специальный норматив рейтинга масел.

4. Сравниваем точную рецептуру, а не только название

Объект рейтинга — конкретная линейка масла, полный класс вязкости, рынок, поколение рецептуры и период выпуска. Когда партия известна, ее также учитываем. Одинаковое название продукта в разные годы не является достаточным доказательством неизменности состава.

Элементный профиль — кальций, магний, цинк, фосфор, бор и молибден — помогает выявлять сходство или возможное смешение, но не доказывает тождество базового масла, полимеров и технологии пакета присадок. Сам по себе высокий уровень молибдена или цинка не получает универсального бонуса «за защиту».

Свежий эталон для отработки

Относительные изменения рассчитываются только от подходящего свежего эталона той же рецептуры и совместимого метода. Неподходящую свежую пробу нельзя сделать пригодной простым понижением ее веса. Иначе сам знаменатель или вычитаемое значение систематически искажает результат.

Связь проверяется отдельно для каждого показателя. Пригодность пары для вязкости не означает автоматической пригодности для щелочного числа или инфракрасного показателя. Если для относительной метрики нет корректного основания, ее не вычисляем; доступный абсолютный результат может остаться в отдельном сопоставимом сравнении.

Одна свежая проба, использованная для нескольких отработок, создает общую неопределенность. В каждой совместной расчетной реализации все соответствующие отработки используют одно и то же сгенерированное значение эталона. Мы не превращаем одну ошибку эталона в множество независимых ошибок и не считаем ее исчезнувшей.

Технические повторы одного образца не заменяют разные партии. Результат отдельной бутылки описывает исследованный образец; перенос на продукт в целом учитывает межпартийную изменчивость в пределах имеющихся оснований.

Основание: 9. Определение щелочного числа, D4739-26; 35. Руководство по выражению неопределенности измерений, JCGM (Объединенный комитет по руководствам в метрологии) 100:2008; 37. Неопределенность модели с несколькими выходными величинами, JCGM (Объединенный комитет по руководствам в метрологии) 102:2011. Сопоставимость метода щелочного числа предусмотрена стандартом; учет общей неопределенности эталона следует из метрологии и совместного вероятностного расчета.

5. Почему рейтинг привязан к конструкции двигателя

Основное сравнение выполняется для точной модификации двигателя. При обоснованном расширении используем только конструктивно близкое семейство, а не все двигатели одной марки или все бензиновые либо дизельные двигатели.

Проверяем тип топлива, базовую конструкцию, рабочий объем и геометрию, наддув, систему впрыска, тепловую нагрузку, систему смазки, объем масла, фильтрацию, экологическое исполнение и существенные отличия калибровки. Учитываем DPF (сажевый фильтр дизельного двигателя), GPF (фильтр твердых частиц бензинового двигателя) и EGR (рециркуляция отработавших газов).

Разрешенный перенос всегда имеет конкретное основание и область действия. Сходство для оценки вязкости не обязательно достаточно для сравнения металлов. Из близости двигателя А к Б и двигателя Б к В не следует автоматическая допустимость переноса от А к В.

В расчетах различаем данные точного двигателя, данные точного двигателя с поддержкой близкого семейства и оценку, перенесенную с близкой конструкции. Последняя не называется прямым испытанием в автомобиле клиента.

При частичном объединении информации (partial pooling) данные двигателя не подменяются средним по марке. Модель оценивает отдельный эффект сочетания «масло — двигатель» и неопределенность переноса. При отсутствии прямых наблюдений широкий общий прогноз не дает права объявлять масло подтвержденным лидером точной модификации.

Основание: 31. Руководство системы вероятностного программирования Stan: регрессионные модели; 28. Гельман и соавторы. Рабочий процесс байесовского анализа, 2020. Иерархическая модель — статистическое основание переноса; перечень допустимых связей конструкций и правила его проверки задаются нашей методикой.

6. Моточасы, режим и общая область сравнения

Как определяется наработка

Приоритет имеют непосредственно зарегистрированные часы работы двигателя. Расчет по пробегу допустим только тогда, когда пробег и средняя скорость относятся к одной и той же заливке:

h=D_intervalv_interval,  h>0.

Пробег измеряется в километрах, скорость — в километрах в час, наработка — в часах. Общий одометр нельзя подставлять вместо пробега масла. Средняя скорость за весь срок службы машины не является средней скоростью конкретного интервала. Доли города и трассы не превращаются в скорость произвольным предположением.

Уточняем учет холостого хода, дистанционного запуска и прогревов. У гибрида время включенного автомобиля не приравнивается автоматически ко времени работы двигателя внутреннего сгорания. Если наработка определена диапазоном, этот диапазон и его основание сохраняются в расчете. Известные границы сами по себе не задают распределение вероятности: его модель требует отдельного обоснования.

Почему мы не ранжируем по простому делению на 100 часов

Одинаковый пробег может соответствовать разному времени работы, нагрузке и температурному режиму. Деление изменения показателя на наработку дает среднюю описательную характеристику интервала, но не доказывает постоянную скорость старения.

В исследовании Раппапорта и соавторов по эксплуатационным пробам бензиновых масел одного пробега было недостаточно для надежного прогнозирования состояния в разнообразных условиях. Исследование Райана и соавторов показало заметное влияние рециркуляции отработавших газов и неравномерность изменений во времени, но относилось к конкретному тяжелому дизелю Caterpillar 3176. Эти результаты не задают универсальную кривую для всех легковых двигателей.

В исследовании Хилдрета и соавторов для части техники часы или расход топлива были информативнее пробега; при этом в изученных условиях наблюдалось линейное снижение щелочного числа. Поэтому мы не объявляем все процессы ни обязательно линейными, ни обязательно нелинейными: форму зависимости проверяем на сопоставимых данных.

Основание: 26. Раппапорт и соавторы. Оценка срока службы масел категории GF-4 (эксплуатационная категория бензиновых масел) в автомобильном парке США, 2008; 25. Райан и соавторы. Влияние рециркуляции отработавших газов на деградацию масла тяжелого дизеля, 1999; 27. Хилдрет, Смитвик и Фриленд. Проверка критериев профилактического обслуживания, 2018. У исследований разные автомобили, масла и протоколы. Из них заимствуется необходимость учитывать условия, а не коэффициенты или готовые интервалы замены.

Общая эталонная наработка

Мы прогнозируем состояние масел на общей наработке h^* и в одном целевом режиме. Это время сравнения, а не автоматически назначенный срок замены.

Целевая точка должна находиться внутри совместно поддержанной области наработок и существенных условий. Одинаковые средние часы или пересечение крайних значений недостаточны: проверяем реальные наблюдения в окрестности целевого режима, их независимость и плотность.

Один из способов формализовать эту окрестность:

d_i(x)=max{abs(ln(h_i/h_x))a_h,max_kabs(C_ik-C_xk)a_k}.

Здесь x — целевая точка; C — существенные условия; a_h и a_k — заранее заданные допустимые различия. Для близкого наблюдения требуется d_i(x)≤1 и совпадение обязательных категориальных условий. Масштаб a_k имеет единицу соответствующего условия. Неизвестное существенное условие не считается совпадающим.

Общая область — пересечение поддержек сравниваемых масел. Когда запрошенная наработка в нее не входит, отдельный сценарий выбирается по заранее определенной сетке: сначала максимизируется минимальная поддержка среди масел, затем общая поддержка; при равенстве предпочтительна близость к запрошенному времени, затем меньшая наработка. Лабораторные результаты не используются для выбора «удобной» точки.

Рабочее правило близости abs(ln(h₁/h₂))≤0.15 допускается только как предварительное правило отбора. Оно соответствует отношению часов примерно от 0,861 до 1,162, а не точно ±15%. Более широкий ориентир 0,25 соответствует примерно 0,779–1,284 и также не разрешает прямое сравнение без остальных условий. Эти числа — не нормативы международных организаций. Итоговую допустимость оцениваем по влиянию различий на прогноз относительно практически значимой разницы показателя.

При отсутствии общей области формируем отдельные локальные сравнения. Переход от А к Б в одном режиме и от Б к В в другом не дает общего порядка А–Б–В. Прогноз за пределами наблюдаемой области обозначается как экстраполяция и не используется как доказательство основного места.

Основание: 28. Гельман и соавторы. Рабочий процесс байесовского анализа, 2020; 29. Вехтари, Гельман и Габри. Практическая оценка байесовских моделей, 2017. Конструкция общей области и численные ориентиры отбора — правила нашей методики; источники описывают проверку моделей, а не утверждают эти интервалы часов.

7. Совместимость методов и точность измерений

Перед расчетом учитываем не только название показателя, но и метод, редакцию стандарта, процедуру, температуру, единицу, массовый или объемный базис, лабораторию и тип результата. Эквивалентность методов подтверждается применимым основанием; сходное название испытаний не является калибровкой.

Различаем прямое измерение, приборный прогноз по калибровочной библиотеке и величину, вычисленную из других результатов. Прогноз щелочного числа по инфракрасному спектру не считается прямым титрованием. Неизвестный метод не восстанавливается по предположению «обычно эта лаборатория использует такой».

Массовые проценты и объемные проценты не переводятся друг в друга без необходимых плотностей и условий. Запись ppm (миллионная доля) для элементного анализа трактуется как мг/кг только при подтвержденном массовом базисе. Размер числа не определяет его единицу.

Лабораторный случайный эффект помогает учитывать различия внутри совместимых методов, но не делает несовместимые методы равными. Если каждое масло исследовано только в своей лаборатории, отделение лабораторного эффекта от эффекта масла может быть невозможно.

Неопределенность не равна ошибке распознавания

Стандартная неопределенность характеризует разброс значений, обоснованно приписываемых измеряемой величине. Высокая уверенность в чтении бланка не означает нулевой неопределенности лабораторного испытания.

Если указана расширенная неопределенность, переводим ее в стандартную только при известном коэффициенте охвата и применимой модели. При отсутствии этой информации не подставляем произвольное число.

Для гладкой функции g локальное распространение неопределенности записывается как:

Var[g(x)]≈J_g Σ_x J_g^T.

Матрица Σ_x содержит дисперсии и ковариации входных величин; J_g — градиент преобразования. При большой относительной неопределенности, нелинейности или границах вместо линейного приближения используем перенос распределений. Для нескольких выходных показателей сохраняем их совместную зависимость.

Основание: 35. Руководство по выражению неопределенности измерений, JCGM (Объединенный комитет по руководствам в метрологии) 100:2008; 36. Распространение распределений методом Монте-Карло, JCGM (Объединенный комитет по руководствам в метрологии) 101:2008; 37. Неопределенность модели с несколькими выходными величинами, JCGM (Объединенный комитет по руководствам в метрологии) 102:2011. Руководство по неопределенности, разделы 5.1–5.2, и дополнения о методе Монте-Карло и многомерном выходе. Это метрологические основания, а не заданная погрешность конкретной лаборатории.

Результаты ниже предела определения

Запись «меньше L» означает интервал, а не точное значение L, ноль или L/2. Такой результат включается в вероятностную модель через событие, которое реально наблюдалось:

p_left=F_obs(L∣Θ),  p_interval=F_obs(b∣Θ)-F_obs(a∣Θ).

Для «больше L» используется 1-F_obs(L∣Θ). Здесь F_obs — функция распределения наблюдаемого результата, уже учитывающая измерительную ошибку, если она выделена в модели; Θ — параметры модели. При зависимых показателях используются соответствующие совместные или условные вероятности, а не необоснованное произведение независимых вероятностей.

Цензурирование — наличие информации о границе значения — отличается от отсутствующего измерения. Усечение, когда часть значений не попадает в выборку по правилу отбора, является другой задачей и требует учета нормирующей вероятности.

Когда измерительный шум нельзя отделить от остальных причин разброса, модель описывает суммарную изменчивость сопоставимого теста. Мы не называем такой результат очищенной от измерительной ошибки оценкой физического износа.

Основание: 32. Руководство системы вероятностного программирования Stan: усеченные и цензурированные данные; 35. Руководство по выражению неопределенности измерений, JCGM (Объединенный комитет по руководствам в метрологии) 100:2008. Правдоподобие интервального результата сохраняет содержание наблюдения и не создает отсутствующее точное число.

8. Как рассчитывается рейтинг свежих масел

Рейтинг свежего масла отвечает на вопрос: насколько его измеренный профиль подходит выбранным требованиям и условиям. Он не устанавливает по составу пробы доказанный ресурс двигателя или долговечность масла.

Сравниваем продукты внутри одинакового полного разрешенного вязкостного класса и совместимой группы требований. Межвязкостное сравнение возможно только с общей целью, сопоставимыми испытаниями и единой шкалой. Лидеры двух раздельных групп не получают автоматически сопоставимые баллы.

Низкотемпературные свойства

CCS (кажущаяся вязкость при имитации холодного проворачивания) характеризует сопротивление масла в соответствующем испытании. Сопоставляем значения при одинаковой температуре и совместимой процедуре. Измерение при −35 °C нельзя напрямую сравнивать с измерением при −30 °C как два результата одного теста.

MRV (испытание низкотемпературной прокачиваемости на миниротационном вискозиметре) характеризует вязкость и предел текучести после заданного охлаждения. Оно решает иную задачу, чем испытание холодного проворачивания. Температура застывания остается дополнительной характеристикой, но не заменяет оценку прокачиваемости и не определяет минимальную безопасную температуру запуска.

Основание: 20. Кажущаяся вязкость при имитации холодного проворачивания, D5293-25; 21. Предел текучести и кажущаяся вязкость при низкой температуре, D4684-20a; 22. Низкотемпературная вязкость и предел текучести, D4684-20. Для D5293 важен раздел 5; для D4684 — разделы 1 и 5. Сохранены обе исходные редакции низкотемпературного метода.

Испаряемость

NOACK (потери от испарения по методу Ноака) показывает результат конкретного стандартизированного испытания. В одинаковых условиях меньшее испарение может быть предпочтительным свойством, но оно не равно ожидаемому расходу масла в литрах на тысячу километров.

Учитываем процедуру: одинаковое название показателя не дает права смешивать результаты несовместимых процедур. Связь испаряемости с расходом не является универсальным коэффициентом пересчета.

Основание: 23. Потери от испарения по методу Ноака, D5800. Разделы 1 и 5 описывают процедуры и значение испытания; готовой модели расхода для произвольного двигателя стандарт не задает.

Вязкость при рабочих температурах

KV100 (кинематическая вязкость при 100 °C) и KV40 (кинематическая вязкость при 40 °C) описывают течение масла при заданных температурах. HTHS (динамическая вязкость при высокой температуре и высокой скорости сдвига) относится к отдельным условиям испытания. Эти величины не заменяют друг друга.

Для свежего продукта основной вопрос — соответствие разрешенному диапазону и требованиям конструкции. Мы не используем универсальное правило «чем гуще, тем лучше». Нужный диапазон проверяется по документации двигателя и применимым стандартам.

Основание: 13. Кинематическая вязкость и расчет динамической вязкости, D445; 1. Классификация вязкости моторных масел, J300, редакция 2024; 5. Европейские требования к маслам легковых двигателей, редакция 2023.

Состав и химические характеристики

TBN (щелочное число), TAN (кислотное число), сульфатная зольность, элементный состав присадок и тип базового масла рассматриваются как характеристики рецептуры и применимости. Им не присваивается универсальное направление «больше — лучше» либо «меньше — лучше».

Повышенное содержание отдельного элемента не доказывает лучшую работу всего пакета. Соответствие экологической системе и требованиям изготовителя проверяется до сравнения.

Модель свежих проб учитывает рецептуру, партии и совместимые лабораторные группы:

z_r=μ_o+b_batch(r)+a_lab(r)+ε_r.

Здесь r — физическая свежая проба; μ_o — средний профиль рецептуры; остальные слагаемые описывают поддержанные данными различия партий, лабораторий и остаточный разброс. При известных измерительных неопределенностях добавляется отдельный измерительный уровень.

Функции полезности и веса для свежих масел задаются независимо от отработок. Если материал характеризует только состав и не содержит общего набора подходящих эксплуатационных испытаний, результатом остается таблица свойств, а не сильное заявление о лучшей защите двигателя.

Основание: 9. Определение щелочного числа, D4739-26; 12. Определение кислотного числа, D664; 31. Руководство системы вероятностного программирования Stan: регрессионные модели. Стандарты определяют смысл измерений; статистическая структура и выбор предпочтений относятся к нашей задаче сравнения.

9. Какие изменения мы оцениваем в отработках

Основные направления сравнения: индикаторы износа; химическое состояние; изменение вязкости; окисление и нитрация. Сажа и нерастворимые примеси в дизельных применениях рассматриваются в отдельном согласованном наборе. Загрязнения и расход масла показываются отдельно и не превращаются автоматически в баллы качества продукта.

Щелочное число и его сохранение

TBN (щелочное число) характеризует количество основных компонентов, определяемых в условиях соответствующего титрования. Единица — миллиграммы гидроксида калия, KOH (гидроксид калия), в пересчете на грамм масла. Это не универсальный показатель ресурса или защиты двигателя.

Стандарт ASTM (международная организация по стандартизации материалов и методов испытаний) D4739 рекомендует оценивать потерю щелочного числа одним методом, включая свежую пробу. Прямое сопоставление результатов D4739 и D2896 недопустимо: методы по-разному реагируют на компоненты масла. Пара D2896–D2896 может описываться отдельно, но не считается равноценной оценкой остаточной щелочности по D4739.

При совместимом методе и подходящем свежем эталоне:

R_TBN=TBN_uTBN_f,  Retention_TBN=100R_TBN.

Индексы f и u обозначают свежую и использованную пробу. Для отношения требуется TBN_f>0. Одновременно показываем абсолютное остаточное щелочное число: большой сохраненный процент от малого исходного значения не равен большему остаточному резерву.

Дополнительная описательная потеря за интервал:

L_TBN,100=10000h(1-R_TBN).

Единица — процентные пункты исходного значения на 100 часов. Это средняя характеристика пройденного интервала, а не прогноз следующих 100 часов.

Условная экспоненциальная запись:

k_TBN=-lnR_TBNh,  Loss₁₀₀=100(1-e^-100k_TBN).

Для логарифма нужны положительные значения обеих проб; k_TBN имеет размерность обратных часов. Экспоненциальная запись не доказывает экспоненциальную кинетику и сама по себе не надежнее линейной. Отношение, скорость и остаточное значение не считаются тремя независимыми свидетельствами.

Если использованное масло показывает значение выше свежего, отношение не обрезается до 100%. Проверяем долив, смешение, рецептуру, метод и неопределенность; отрицательное описательное снижение не удаляется молча.

Основание: 9. Определение щелочного числа, D4739-26; 10. Страница стандарта D4739; 11. Определение щелочного числа, D4739-06a. D4739, разделы 1.3, 5.1 и 5.3.1–5.3.4. Исходный общий адрес и прежняя редакция сохранены для сопоставления происхождения методов, а не для смешения результатов.

Кислотное число

TAN (кислотное число) характеризует определяемые методом кислотные компоненты, включая компоненты рецептуры и продукты ее изменения. Для сопоставимой пары используем абсолютную разность:

ΔTAN=TAN_u-TAN_f.

Процентный рост может вводить в заблуждение при малом исходном знаменателе. Увеличение с 0,2 до 1,2 и с 1,0 до 2,0 дает одинаковую абсолютную разность, хотя проценты резко отличаются. Это условный пример, а не результат конкретного масла.

Отрицательная разность возможна и требует контекста, а не автоматического запрета. Кислотное число не является прямой универсальной мерой коррозионности. Щелочное и кислотное числа показываем совместно, но не суммируем как взаимозаменяемые химические величины. Их пересечение не считается универсальным концом ресурса.

Основание: 12. Определение кислотного числа, D664. D664, разделы 1.3 и 5.1–5.2: разные кислоты по-разному связаны с коррозионностью; пределы обслуживания устанавливаются эмпирически для применения.

Изменение вязкости

Для одной температуры и совместимых методов сохраняем обычное и логарифмическое изменения:

ΔKV_pct=100(KV_uKV_f-1),  ΔKV_log=ln(KV_uKV_f).

Оба значения вязкости должны быть положительными. Обычное изменение выражается в процентах; логарифмическое отношение безразмерно. Умножение логарифма на 100 не превращает его в обычный процент.

Логарифмическая симметрия относится к взаимно обратным отношениям: рост в r раз и снижение в 1/r раз дают одинаковые модули с разными знаками. Рост на 10% обратен снижению примерно на 9,09%, а не на 10%.

Для оценки величины изменения используем метрику:

ψ_visc=abs(ln(KV_uKV_f)).

Модуль применяется до усреднения по автомобилям, чтобы разжижение одной пробы не компенсировало загущение другой. Знак изменения и значения в исходных единицах показываются отдельно.

Нахождение вязкости при 100 °C в определенном диапазоне — отдельный признак, а не доказательство сохранения полного вязкостного класса. Для полного класса важны и другие применимые испытания. Границы свежего класса не становятся автоматически пределами отбраковки отработки.

Почти неизменная вязкость также не доказывает отсутствия старения: разжижение топливом может частично компенсировать загущение. Поэтому рассматриваем вязкость совместно с химическим состоянием и загрязнениями.

Основание: 13. Кинематическая вязкость и расчет динамической вязкости, D445; 1. Классификация вязкости моторных масел, J300, редакция 2024. Метод D445 определяет кинематическую вязкость; J300 задает вязкостную классификацию. Шкала предпочтения изменения вязкости — отдельное правило нашей методики.

Окисление и нитрация

FTIR (инфракрасная спектрометрия с преобразованием Фурье) используется для наблюдения за изменениями масла вместе с другими испытаниями. Учитываем режим измерения, единицы, длину оптического пути, исходный эталон и алгоритм обработки.

При прямом измерении и совместимом эталоне:

ΔOx=Ox_u-Ox_f,  ΔNit=Nit_u-Nit_f.

Ox и Nit — показатели окисления и нитрации в единицах соответствующей методической группы. Если лаборатория уже выдала разностный результат, повторное вычитание свежего эталона запрещено.

Одинаковый стандартизированный балл в разных лабораториях не гарантирует одинакового состояния масла: лаборатории могут исследовать разные продукты, режимы и шкалы. Без контрольных проб или доказанной калибровки такие результаты остаются в отдельных методических группах.

Производитель анализатора ERASPEC OIL (спектральный анализатор состояния масел) описывает отдельные хемометрические библиотеки — модели, прогнозирующие свойства по спектру. Такие прогнозы не приравниваются к прямому титрованию. Документация прибора подтверждает устройство расчета, но не заменяет независимую проверку точности в нужной области.

Основание: 14. Наблюдение за состоянием работающих масел методом инфракрасной спектрометрии, E2412-23a; 15. Инфракрасный анализ тенденций состояния масла, E2412-04; 16. Описание спектрального анализатора ERASPEC OIL изготовителем Eralytics. E2412, разделы 1.1–1.4, и документация изготовителя прибора. Сохранена прежняя редакция; единой универсальной шкалы деградации или срока замены из этих источников не следует.

10. Металлы, долив, расход и нештатные условия

Концентрация металла — индикатор, а не вся масса износа

Мы рассматриваем железо (Fe), алюминий (Al), медь (Cu), хром (Cr), свинец (Pb), олово (Sn) и никель (Ni) как измеренные концентрации с учетом двигателя, времени и режима. Источник элемента оценивается в контексте конструкции и состава масла. Например, медь не всегда означает одинаковый механизм износа, а кремний может быть связан не только с пылью.

ICP-AES (атомно-эмиссионная спектрометрия с индуктивно связанной плазмой) имеет ограничения по размеру частиц. Метод D5185 не гарантирует количественного определения всей нерастворимой фракции. Поэтому «меньше металла в пробе» не означает автоматически «во столько же раз меньше износ».

При известной плотности и объеме можно оценить массу измеряемой фракции, находящейся в масле в момент отбора:

m_Fe=c_Fe ρ_oil V_oil.

Если концентрация выражена в мг/кг, плотность в кг/л, объем в литрах, результат получается в миллиграммах. Это не вся масса износа за интервал: в оценку не входят металл в ушедшем масле, задержанные фильтром частицы и отложения.

Описательное преобразование концентрации имеет вид:

z_metal=ln(1+c/c₀),  c₀>0.

Масштаб c₀ имеет ту же единицу, что и концентрация. Нельзя брать логарифм размерного числа без масштаба. Если это преобразование используется как вероятностная шкала, учитывается его ограничение z≥0, а не обрезаются отрицательные прогнозы после расчета.

Основание: 17. Многоэлементный спектральный анализ масел, D5185-26; 18. Многоэлементный анализ масел, D5185-18; 24. Лэнд, Уайнер и Шварц. Новый взгляд на анализ металлов износа, 1977. D5185, раздел 1.4, ограничивает интерпретацию частиц; работа Лэнда и соавторов описывает влияние расхода и добавления масла. Формула массы — баланс измеряемой фракции, не формула полного износа.

Долив не исправляется одним коэффициентом

Долю долива описываем как:

TopUpFraction=∑V_topupV_sump.

Суммарный долив и объем масла в системе измеряются в одинаковых единицах; отношение безразмерно. Долив меняет состав и концентрации, поэтому проба после значительного обновления масла не равнозначна пробе без долива.

В основном сопоставлении выделяем подтвержденный режим без долива либо отдельные сопоставимые сценарии долива. Неизвестное значение не считается нулем. При известном только общем объеме не применяем универсальную «поправку на разбавление»: важны моменты добавления, состав, расход, объемы и отборы проб.

Даже когда хронология известна, требуется согласованный материальный баланс. Долив может зависеть от расхода самого масла; механическое введение его как поправки способно убрать часть интересующего результата. Поэтому цель анализа и условие долива задаются явно, а альтернативные варианты рассматриваются при проверке устойчивости.

Основание: 24. Лэнд, Уайнер и Шварц. Новый взгляд на анализ металлов износа, 1977. Физическая значимость расхода и добавления масла показана в работе 770085; конкретная схема учета относится к нашей модели и требует данных соответствующего интервала.

Расход и угар — разные понятия

При сопоставимых условиях измерения уровня и известном балансе объемов:

Q=V_start+∑V_topup-V_end-∑V_samples-V_drains.

q_km=1000QD_interval,  q_h=100Qh.

Q — объем исчезнувшего масла в литрах; последние два слагаемых первой формулы — известные отборы проб и целевые внешние сливы. Результат выражается в литрах на тысячу километров или на 100 часов.

Без исключения утечек это расход, а не доказанный угар. Формула требует учета значимых входящих примесей и сопоставимости объемов; попадание топлива или воды может скрыть уменьшение количества самого масла. При существенном разбавлении одного изменения уровня недостаточно.

«Уровень не изменился» означает результат в пределах точности контроля, а не математически точный нулевой расход. Долив без сведений об уровнях тоже не является точным измерением расхода. Данные расхода публикуются отдельно от основного лабораторного балла.

Загрязнения и правила исключения

Топливо, вода, гликоль, сажа и кремний — важные диагностические сведения, но не автоматическое доказательство непригодности пробы. Документированная неисправность, попадание охлаждающей жидкости, обкатка или подтвержденное смешение выделяются по заранее заданным правилам.

Мы разделяем подлинность измерения, штатность эксплуатации и пригодность к конкретной модели. Повышенный результат не удаляется только потому, что ухудшает положение масла. Пограничные случаи проверяются в отдельных сценариях включения и исключения; причина исключения сохраняется.

Высокая концентрация загрязнения не доказывает, что проблему вызвал бренд масла. Но и безусловное удаление всех загрязненных проб может искусственно улучшить результат. Разбавление топливом, например, может быть частью исследуемого режима эксплуатации.

Основание: 19. Определение воды кулонометрическим титрованием Карла Фишера, D6304; 14. Наблюдение за состоянием работающих масел методом инфракрасной спектрометрии, E2412-23a; 28. Гельман и соавторы. Рабочий процесс байесовского анализа, 2020. Методы определяют диагностические показатели. Предварительные правила исключения и проверки устойчивости относятся к конструкции нашего наблюдательного сравнения.

11. Совместная статистическая модель отработок

Мы не сводим каждый бланк к единственному «проценту ухудшения». Сначала моделируем совместный вектор исходных показателей. Отношения и изменения рассчитываются внутри совместных реализаций, с учетом свежего эталона, а не подаются повторно как независимые измерения.

Шкала модели

Для строго положительных концентраций и вязкости используем подходящую логарифмическую шкалу ln(Y/x₀), где x₀ имеет единицу показателя. Для знаковых величин возможны линейное масштабирование или преобразование обратным гиперболическим синусом. Для величин с физическими границами выбираем распределение, уважающее эти границы.

Преобразование, масштаб и область действия фиксируются до интерпретации результатов. Нули не заменяются произвольной малой константой ради логарифма. Цензурированные значения обрабатываются по правилам раздела 7.

Измерительный и структурный уровни

При известной измерительной неопределенности:

z_obs,i∣z_true,i∼N_J(z_true,i,Σ_meas,i),

z_true,i∣η_i∼N_J(η_i,Σ_res).

Здесь i — физическая проба; J — число совместно моделируемых показателей; N_J — многомерное нормальное распределение; Σ_meas,i — измерительная ковариация; Σ_res — остаточная ковариация. Если измерительная ошибка задается на исходной шкале и линейный перенос ненадежен, измерительный уровень строится на исходной шкале.

Структурная часть для показателя j:

η_ij=α_e,j+f_e,j(t_i)+θ_o,e,j+β_j^TC_i+b_v(i),j+d_q(i),j+a_l(i),j.

t_i=ln(h_i/h^*),  f_e,j(0)=0.

α описывает уровень двигателя; θ — различие масла в этом двигателе; f — зависимость от времени; C_i — условия; β — их коэффициенты; b, d, a — поддержанные данными эффекты автомобиля, заливки и совместимой лабораторной группы.

Условия включают обоснованные переменные: нагрузку, сезон и температуру, состояние и общий пробег двигателя, объем масла и другие факторы целевого сценария. Часы, пробег и средняя скорость не включаются как три независимых признака без учета их математической зависимости.

Почему сложная модель не всегда лучше

Базовая временная форма локальна: f(t)=γt. Это не закон старения на всем сроке работы масла. Более гибкую зависимость — ограниченный кубический сплайн (restricted cubic spline) или сплайн со штрафом за сложность (penalized spline) — допускаем только при поддержке данными и улучшении проверки на исключенных автомобилях.

Ограниченный кубический сплайн имеет линейные хвосты; штрафной сплайн ограничивает избыточную кривизну. Узлы и сложность выбираются внутри обучения, без использования проверочной части.

Различную скорость изменения масел описывает дополнительное взаимодействие g_o,e,j(t), равное нулю при эталонной наработке. Его включаем только при наличии нескольких поддержанных наработок у каждого масла и улучшении проверки. Без этого модель использует общую временную форму и не делает вид, что определила индивидуальную скорость старения каждой рецептуры.

При одной пробе на заливку дисперсии заливки и остатка могут быть неразделимы; тогда отдельный заливочный эффект не оценивается. Полное совпадение масла и лаборатории тоже ограничивает разделение их эффектов. Мы сокращаем неподдержанные уровни, а не получаем фиктивную точность из избыточного числа параметров.

Основание: 31. Руководство системы вероятностного программирования Stan: регрессионные модели; 28. Гельман и соавторы. Рабочий процесс байесовского анализа, 2020; 29. Вехтари, Гельман и Габри. Практическая оценка байесовских моделей, 2017. Многомерная иерархическая регрессия и проверка сложности — общие статистические подходы. Конкретная структура эффектов и границы переноса задаются нашей задачей.

12. Частичное объединение и независимость наблюдений

Как используется информация близких двигателей

Для масла o, двигателя e, проверенного семейства f и показателя j:

θ_o,e,j∼N(θ_o,f,j,τ_f,j²).

Разброс τ_f,j описывает допустимые различия между двигателями семейства. Это не правило «все двигатели семейства одинаковы». Гиперпараметры оцениваются совместно с остальными параметрами либо получают обоснованную внешнюю информацию. Одни и те же пробы нельзя сначала использовать для создания якобы независимого предварительного знания, а затем повторно учитывать как новые данные.

Модель имеет явные ограничения идентификации: опорный контраст или нулевую сумму соответствующих эффектов. Иначе общий уровень и произвольные сдвиги всех масляных эффектов неразличимы.

Защита от чрезмерного влияния отдельных наблюдений

Регуляризующие априорные распределения (prior distributions) ограничивают неподдержанные крайние эффекты. Они не являются выдуманными лабораторными измерениями. На заранее стандартизованной шкале базовая параметризация использует:

α∼N(0,2²),  θ_free,β,γ∼N(0,1²).

Масштабы автомобильных и остаточных эффектов задаются положительной половиной нормального распределения с масштабом 1; масштаб междвигательных различий — с масштабом 0,5. При прогнозе арифметических средних на логарифмической шкале применяются обоснованные верхние ограничения масштабов.

Совместную изменчивость задаем как:

Σ=diag(s) Ω diag(s),  Ω∼LKJ(2).

В записи LKJ обозначает распределение корреляционных матриц Левандовского — Куровицкой — Джо. Единичная корреляционная матрица не подставляется без явного обозначения независимости как отдельного упрощающего предположения.

Числа этой параметризации — правила модели на заданной шкале, а не международные нормативы качества масла. Проверяем чувствительность к уменьшению и увеличению ширины распределений, составу семейства, идентичности наблюдений и исключению отдельных автомобилей. Если преимущество держится только на одном варианте предположений, подтвержденное место не присваивается.

Основание: 31. Руководство системы вероятностного программирования Stan: регрессионные модели; 28. Гельман и соавторы. Рабочий процесс байесовского анализа, 2020. Источники обосновывают иерархическую структуру, ковариации и процесс проверки; приведенные масштабы не установлены отраслевым стандартом масел.

Что означает малая выборка

Одна машина с повторными анализами не равна нескольким независимым машинам. Повторы полезны, но отвечают на другой вопрос. Одна независимая машина дает описание случая и исследовательскую оценку, а не подтвержденное первое место. При отсутствии точных наблюдений результат обозначается как перенос с близкой конструкции.

Приближенная диагностическая формула эффективного размера выборки:

n_eff≈n1+(m-1)ρ.

Здесь n — число наблюдений; m — средний размер группы повторов; ρ — внутригрупповая корреляция. Формула применима лишь при соответствующих предположениях о сходных размерах групп и структуре корреляции. Она не заменяет иерархическую модель и не используется как универсальное число «независимых анализов».

Достаточность определяется совместно: сопоставимостью, областью режима, независимостью, шириной интервалов относительно практически важного различия и устойчивостью. Одно универсальное минимальное количество проб не гарантирует эти свойства.

Реальный разброс и выбросы

Не вычитаем произвольные баллы за большой разброс. Его отражает распределение результатов. Для проверки устойчивости базовая нормальная модель может сравниваться с конечной смесью:

p(z_i∣η_i)=(1-π)N_J(η_i,Σ)+πN_J(η_i,κ²Σ).

Здесь π — доля более широкого компонента, κ>1 — множитель его масштаба. Это способ моделировать тяжелые хвосты, а не заранее объявить часть анализов ошибочными.

Неограниченное распределение Стьюдента на логарифмической шкале не имеет конечного среднего после экспоненцирования. Поэтому нельзя одновременно использовать его без дополнительных ограничений и обещать арифметическое среднее исходного показателя. Для каждого выбранного распределения проверяется существование публикуемых моментов; иначе используются корректно определенные квантили и медианы. Область модели не является основанием скрыто обрезать исходные значения.

13. Как получаем результат в одинаковых условиях

Для всех масел используем одну целевую модификацию двигателя, одну наработку и один реалистичный сценарий либо общую популяцию условий. Эта популяция может быть представлена сеткой C_k с весами p_k≥0, сумма которых равна единице.

Ожидаемый показатель:

Y_o,j^*=∑_kp_k E[Y_new,j∣o,e^*,h^*,C_k,D].

D — наблюдаемые данные. У каждого масла нельзя использовать собственную наиболее благоприятную популяцию. Для новой машины учитывается распределение автомобильных эффектов, а не эффект лучшего автомобиля из выборки.

На нелинейной шкале обратное преобразование выполняем внутри расчетных реализаций. Для логнормального компонента:

E[Y∣η,v]=x₀exp(η+v/2).

Поэтому exp(E[lnY]) не является арифметическим средним Y. Величина v относится к нужной условной дисперсии, а не автоматически ко всей неопределенности параметров.

В каком порядке рассчитываются нелинейные метрики

Обозначим через ψ_j(Y,B) нужную метрику, где B — совместимый свежий эталон. Это может быть концентрация, остаточное щелочное число, разность кислотных чисел или модуль логарифмического изменения вязкости.

В каждой совместной реализации параметров Θ^(m) сначала вычисляем среднюю метрику:

μ_o,j^(m)=∑_kp_k E[ψ_j(Y_new,B)∣Θ^(m),o,e^*,h^*,C_k].

Затем применяем функцию полезности U_j(μ_o,j^(m)), переводящую метрику в оценочную шкалу. Это полезность среднего профиля, а не средняя полезность отдельного случая E[U_j(ψ_j)]. Эти цели могут давать разные ответы, поэтому не смешиваются.

Прогноз для конкретной будущей машины рассчитывается отдельно: в каждой реализации моделируются совместные показатели новой машины, свежий эталон и условия, после чего вычисляются метрики и балл. Его интервал отражает индивидуальную изменчивость, а не только точность оценки среднего.

Основание: 31. Руководство системы вероятностного программирования Stan: регрессионные модели; 37. Неопределенность модели с несколькими выходными величинами, JCGM (Объединенный комитет по руководствам в метрологии) 102:2011; 28. Гельман и соавторы. Рабочий процесс байесовского анализа, 2020. Порядок вычислений сохраняет нелинейность и совместную неопределенность. Выбор полезности среднего профиля — определение цели нашей методики.

14. Как показатели превращаются в оценки

Мы не смешиваем величины с разными единицами напрямую. Сначала для каждой метрики задаем функцию полезности U в диапазоне от 0 до 100. Направление предпочтения должно иметь физический смысл для выбранного двигателя и задачи.

Число 90 на такой шкале не означает «90% ресурса», «90% защиты» или «на 50% лучше масла с баллом 60». Шкала отражает заданные правила сравнения, а не абсолютную физическую меру качества.

Шкалы с объяснимыми опорными значениями

Для метрики, где меньше предпочтительнее:

U_low(x)=100 clip(x_bad-xx_bad-x_good,0,1), x_good<x_bad.

Для метрики, где больше предпочтительнее:

U_high(x)=100 clip(x-x_badx_good-x_bad,0,1), x_good>x_bad.

Для предпочтительного диапазона:

d(x,[L,H])=max(L-x,0,x-H),

U_band(x)=100 clip(1-d(x,[L,H])D_band,0,1), D_band>0.

Функция clip ограничивает результат указанными границами. x_good и x_bad — хорошие и плохие опорные значения рейтинговой шкалы; L,H — границы предпочтительного диапазона; D_band — ширина снижения оценки вне него. Все эти параметры имеют единицы соответствующей метрики. Функция abs в формулах обозначает абсолютную величину, то есть модуль.

Опорные значения берутся из применимых физических требований либо явно задаются как предпочтения профиля. Плохой якорь рейтинга не равен опасному порогу эксплуатации. При различии последствий снижения и роста показателя допустимы разные ширины штрафа по сторонам диапазона, но только в заранее определенной схеме.

Относительная шкала

Когда надежных физических якорей нет, допустима относительная шкала по зафиксированному эталонному набору:

MAD_ref,j=medianabs(x_ref,j-median(x_ref,j)),

scale_ref,j=1.4826 MAD_ref,j,  Z_o,j=direction_jμ_o,j-median_ref,jscale_ref,j,

U_o,j=100Φ(Z_o,j).

MAD (медианное абсолютное отклонение) — устойчивый показатель разброса; Φ — функция распределения стандартного нормального распределения; direction_j равен +1 либо −1 в зависимости от направления предпочтения.

Множитель 1,4826 связан с нормальным эталонным распределением, а не является универсальной характеристикой любого показателя. Преобразование через Φ не создает эмпирический процентиль конкурентов и не означает вероятность ресурса.

Для метрик с оптимальным диапазоном монотонная шкала не применяется. При нулевом медианном абсолютном отклонении нельзя делить на произвольное малое число: используется обоснованный внешний масштаб либо метрика признается неразличающей.

Эталонная медиана и масштаб фиксируются до итогового сравнения; их неопределенность сохраняется в совместных реализациях. Добавление удобного экстремального масла не должно незаметно менять шкалу для остальных.

Основание: 33. Национальный институт стандартов и технологий США: медианное абсолютное отклонение; 34. Медианное абсолютное отклонение: доступная официальная страница. Официальное описание устойчивого масштаба и его нормировки. Исходный адрес сохранен, доступный адрес с префиксом www добавлен; функция полезности и интерпретация балла принадлежат нашей методике.

Оценки по направлениям и общий балл

Для направления d:

S_o,d^(m)=∑_j∈dw_d,jU_o,j^(m),  ∑_j∈dw_d,j=1.

Для общего балла:

S_o^(m)=∑_dw_dS_o,d^(m),  w_d≥0,  ∑_dw_d=1.

Вес конкретной метрики в общем результате равен q_j=w_dw_d,j. Набор и веса одинаковы для всех кандидатов одного сравнения. Связанные признаки не получают двойного учета только потому, что измерено несколько проявлений одного процесса.

Веса отражают явно заданные приоритеты задачи. Мы не выдаем их за коэффициенты влияния на ресурс, установленные международной организацией. Проверяем устойчивость вывода к разумному изменению весов. При отсутствии заданных предпочтений основным результатом остаются отдельные направления и недоминируемые кандидаты — масла, для которых не найден убедительно лучший конкурент по всем выбранным направлениям.

Общий балл вычисляется из совместных реализаций. Корреляции показателей, повторов, свежих эталонов и групповых эффектов сохраняются, а не исчезают после независимого расчета отдельных столбцов. Качество источника и соответствие двигателю не прибавляются к баллу масла произвольными коэффициентами.

Основание: 28. Гельман и соавторы. Рабочий процесс байесовского анализа, 2020; 37. Неопределенность модели с несколькими выходными величинами, JCGM (Объединенный комитет по руководствам в метрологии) 102:2011. Совместный учет неопределенности опирается на вероятностную модель. Веса и правила предпочтения — самостоятельный слой решения, не результат сертификации масла.

15. Полнота сравнения: почему отсутствие показателя не равно плохому маслу

Полнота лабораторного протокола и пригодность для конкретного сравнения — разные понятия. Даже полностью обработанный и подтвержденный протокол может содержать другой набор испытаний, относиться к иной температуре или не иметь подходящего свежего эталона. Поэтому для каждого направления мы проверяем не только наличие числа, но и его применимость.

Если обязательная метрика отсутствует или несопоставима, мы не заменяем ее нулем, средним значением конкурентов или предположением модели. В частности, значение, полученное только из априорного распределения без пригодных наблюдений, не считается измеренным подтверждением.

Для заранее фиксированных итоговых весов q_j покрытие сравнения определяется так:

Coverage_o=∑_{j∈Jsupported,o}q_j∑_{j∈Jrequired}q_j.

Здесь числитель учитывает только реально поддержанные данными метрики. Покрытие показывает, какая доля заданной оценочной схемы обеспечена пригодной информацией. Это не вероятность правильности рейтинга и не процент «качества масла».

При неизвестной полезности отдельных показателей в диапазоне от 0 до 100 возможны границы неполноты:

S_min,o^(m)=∑_j∈Jknown,oq_jU_o,j^(m),

S_max,o^(m)=S_min,o^(m)+100∑_{j∈Junknown,o}q_j.

Эти границы отвечают на вопрос, насколько мог бы измениться полный балл из-за неизвестных составляющих. Они не являются апостериорным интервалом полного балла: неопределенность уже известных показателей рассматривается дополнительно.

Нельзя одному маслу посчитать результат по четырем направлениям, другому — по двум, а затем индивидуально увеличить веса оставшихся направлений до единицы. Такие числа описывали бы разные цели. Сравнение без спектральных показателей возможно только как отдельный профиль с одинаковыми условиями для всех участников.

Если общий балл не обеспечен сопоставимым набором данных, мы сохраняем доступные измерения и оценки отдельных направлений. Отсутствие полного порядка не означает, что сравнение бесполезно: оно может надежно показать конкретное преимущество, но не универсального победителя.

Основание: 28. Гельман и соавторы. Рабочий процесс байесовского анализа, 2020; 37. Неопределенность модели с несколькими выходными величинами, JCGM (Объединенный комитет по руководствам в метрологии) 102:2011. Правила покрытия и границ неполноты — часть нашей оценочной схемы. Они не являются нормативами качества масла.

16. Как присваиваются места и учитывается неопределенность

Центральная оценка и осторожный критерий выбора

Для каждого масла мы получаем распределение возможных значений балла, совместимых с данными и принятой моделью. Основной центр — медиана этого распределения. Центральный 90%-й апостериорный интервал и отдельный консервативный критерий записываются так:

S_center,o=Q_0.50(S_o∣D),

CrI_90,o=[Q_0.05(S_o∣D); Q_0.95(S_o∣D)],  S_cons,o=Q_0.20(S_o∣D).

Символ Q_p обозначает квантиль: значение, ниже которого находится доля p распределения. Обозначение CrI (апостериорный вероятностный интервал) используется, чтобы отличать такой интервал от частотного доверительного интервала.

Нижний квантиль с уровнем 0,20 — выбранная степень осторожности, а не особый закон химии масел. Для непрерывного распределения примерно 80% апостериорной вероятности лежит выше этой границы. Это не двусторонний 80%-й интервал и не универсальное исправление ошибок данных.

Мы показываем осторожную оценку вместе с центром, интервалом и происхождением информации. Она не заменяет их. Сильное априорное предположение способно сузить интервал даже при слабых данных, поэтому обязательна проверка чувствительности.

Отличие должно быть не только вероятным, но и практически важным

До расчета задается δ_S>0 — минимальная разница баллов, которую имеет смысл учитывать в данной задаче. Для отдельных физических показателей используются свои δ_j в соответствующих единицах.

Для пары масел a и b:

P_ab=P(S_a-S_b>δ_S∣D),

P_eq,ab=P(abs(S_a-S_b)≤δ_S∣D).

Первая величина описывает вероятность практически важного преимущества. Вторая — вероятность нахождения различия внутри заранее определенной области практической эквивалентности.

«Различие не доказано» и «практическая эквивалентность поддержана» — не одинаковые выводы. Широкий интервал может одновременно допускать преимущество любого из двух масел. Мы не называем такую неопределенность одинаковым качеством.

Значение практически важной разницы обосновывается смыслом шкалы и последствиями изменения профиля. Без такого обоснования анализ нескольких условных порогов остается проверкой чувствительности, а не доказательством единственного правильного порога.

Единственный лидер, группа лучших и неопределенный порядок

При сравнении многих масел недостаточно проверить только две самые удачные строки. Для кандидата на единоличное лидерство рассматривается совместное событие:

P_lead,o=P​(S_o-S_b>δ_S for all b≠o∣D).

В нашей схеме сильное утверждение о единственном лидере требует вероятности этого события не ниже 0,95, пригодности данных и устойчивости к предусмотренным проверкам. Это правило решения нашей методики, а не предел, установленный производителем автомобиля или международным стандартом. Сам порог не устраняет систематическое смещение наблюдений.

В каждой совместной расчетной реализации можно определить множество кандидатов, находящихся близко к лучшему:

B^(m)={o:max_bS_b^(m)-S_o^(m)≤δ_S}.

Доля включений масла в это множество показывает вероятность попасть в группу близких к лучшему в рамках модели. Дополнительно рассматривается распределение места. Неустойчивая граница первой десятки обозначается, а пограничные кандидаты не исключаются произвольно.

Полный порядок от первого до последнего места публикуется только при поддержке необходимых сравнений. Иначе результатом становится частичный порядок, группа предпочтения или неранжированное сравнение. Парные неразличия не объединяются механически: из близости А к Б и Б к В не следует близость А к В.

Сортировка по названию внутри неранжированной группы — только порядок строк, а не место по качеству. Семейный перенос без наблюдений в точном двигателе не получает статус подтвержденного лидерства именно в нем.

Средний результат и результат следующего автомобиля

Узкий интервал ожидаемого профиля не означает, что каждая следующая проба будет близка к нему. Разброс между автомобилями может оставаться большим даже при точно оцененном среднем.

Поэтому отдельно рассчитывается 90%-й предсказательный интервал для нового автомобиля в тех же условиях. Он включает индивидуальную вариацию, а не только неопределенность среднего результата. При наличии применимого, проверенного тревожного порога можно оценить вероятность его превышения. Без такого порога вероятность «опасного состояния» не придумывается.

Основание: 28. Гельман и соавторы. Рабочий процесс байесовского анализа, 2020; 31. Руководство системы вероятностного программирования Stan: регрессионные модели; 30. Вехтари и соавторы. Улучшенная диагностика сходимости по рангам, 2021. Квантили, практически важные различия и критерий единоличного лидерства задают наш слой решения. Они не означают сертификацию рейтинга авторами этих источников.

17. Как мы проверяем расчет

Проверки данных и арифметики

До интерпретации результата проверяются единицы, пределы измерения, допустимость методов, привязка к физической пробе и отсутствие дублирующего веса. Отдельные контрольные случаи проверяют общую свежую пробу для нескольких отработок, разные методы определения одного показателя, прямой и разностный спектральный анализ, неизвестные часы и пропуск обязательного направления.

Арифметические проверки охватывают формулы отношений и разностей, монотонность оценочных функций, границы баллов, сумму весов и воспроизводимость результата. Несопоставимый метод должен приводить к отказу от соответствующего сравнения, а не к скрытому пересчету.

Проверки до и после оценки модели

До использования наблюдений мы проверяем, какие значения допускают априорные распределения: не создают ли они неправдоподобные масштабы и физически невозможные результаты. После оценки модели сопоставляем ее предсказания с наблюдаемыми распределениями, хвостами, зависимостями показателей и изменением результатов по наработке.

Мы проверяем не только средние значения, но и совместное поведение показателей, частоту результатов ниже предела измерения и зависимость ошибок от режима. Хорошее совпадение с обучающими данными само по себе не доказывает способность предсказывать новые наблюдения.

Основание: 28. Гельман и соавторы. Рабочий процесс байесовского анализа, 2020.

Проверка на данных, не использованных для настройки

Основная единица исключения из обучения — целый автомобиль, а не случайная строка анализа. Повторы одной машины не попадают одновременно в обучение и проверочную часть. Когда проверяем перенос между двигателями, исключается целая модификация двигателя. Для свежих масел исключаются физические образцы или партии в зависимости от вопроса.

Связанные решения одного владельца проверяются дополнительно. Настройка преобразований, выбор сложности, подбор узлов кривой и получение обучающего эталона выполняются без использования проверочной части. Внешняя свежая проба может оставаться доступной только тогда, когда она действительно будет доступна при будущем применении.

Для прогноза y_i и проверочного наблюдения y_i применяются, в частности:

MAE=1n∑_i=1ⁿabs(y_i-y_i),  RMSE=1n∑_i=1ⁿ(y_i-y_i)².

MAE (средняя абсолютная ошибка) показывает обычный размер ошибки; RMSE (корень из средней квадратической ошибки) сильнее реагирует на крупные ошибки. Эти величины оцениваются в физических единицах показателя, с заранее определенным способом учета кластеров и их веса. Технические повторы не должны искусственно улучшать оценку прогноза.

Также проверяются фактическое покрытие предсказательных интервалов, их ширина и логарифмическая оценка качества вероятностного прогноза. Если данные цензурированы, то есть известна только граница результата, используются подходящие вероятностные оценки, а не подстановка границы как точного измерения.

Сравниваются простая локальная модель, иерархическая модель и поддержанные данными нелинейные варианты. Сложность оправданна только тогда, когда улучшает проверяемый прогноз и не разрушает устойчивость вывода.

Основание: 29. Вехтари, Гельман и Габри. Практическая оценка байесовских моделей, 2017; 28. Гельман и соавторы. Рабочий процесс байесовского анализа, 2020. Работа о перекрестной проверке задает общие принципы сравнения вероятностных моделей. Исключение целых автомобилей и двигателей — соответствующее нашей задаче правило группировки.

Вычислительная надежность

Когда для получения апостериорных реализаций используется MCMC (метод Монте-Карло по марковским цепям), мы контролируем согласованность независимых цепей и качество исследования распределения. Символ R обозначает диагностику сходимости: существенное отличие от единицы указывает на возможную несогласованность цепей.

ESS (эффективное число расчетных реализаций) характеризует количество независимой вычислительной информации в коррелированных последовательностях. Оно не равно числу физических проб, автомобилей или лабораторных испытаний.

Вычислительные критерии нашей схемы включают R<1,01, отсутствие неустраненных расходимостей траекторий и достаточное эффективное число реализаций для центра и хвостов. Ориентир для ключевых публикуемых величин — не менее 1000 эффективных реализаций. MCSE (стандартная ошибка Монте-Карло) парной вероятности должна быть меньше 0,01 и существенно меньше расстояния до порога решения. Это технические критерии вычисления, а не физические нормативы для масел.

Если вычислительная ошибка способна изменить вывод о лидерстве, расчет уточняется. Формальный успех алгоритма без диагностики не считается достаточным основанием для публикации места.

Основание: 30. Вехтари и соавторы. Улучшенная диагностика сходимости по рангам, 2021.

Чувствительность и калибровка

Мы повторяем анализ при обоснованном изменении ширины априорных распределений, весов, эталонной шкалы, неопределенности часов и допустимых связей двигателей. Отдельно проверяется влияние исключения каждого автомобиля, долива, тюнинга, обкатки и неоднозначной идентичности рецептуры.

Если разумные варианты предположений дают разные порядки, публикуется неустойчивый или предварительный результат. Одна удобная настройка не выбирается только потому, что дает красивую таблицу.

Для проверки вычислительной реализации используются искусственно созданные данные с известными свойствами. Дополнительный подход — SBC (калибровка на моделируемых данных): многократное воспроизведение данных из заданной модели и проверка согласованности восстановленных распределений параметров.

Такая проверка выявляет ошибки вычислений и несогласованность алгоритма, но не доказывает, что модель полностью описывает реальный двигатель. Поэтому мы различаем проверку арифметики, диагностику вычисления, проверку прогноза на независимых наблюдениях и проверку физической интерпретации. Ни одна из них не заменяет остальные.

Основание: 39. Талтс и соавторы. Проверка байесовских вычислений с помощью калибровки на моделируемых данных, 2018/2020; 28. Гельман и соавторы. Рабочий процесс байесовского анализа, 2020. Калибровка на моделируемых данных — дополнительное методологическое основание. Она не является свидетельством, что независимая организация аттестовала рейтинг Oil Guru.

18. Почему мы учитываем отбор публикаций и момент замены масла

Эксплуатационные анализы публикуются не случайным образом. Владелец выбирает масло, решает, когда его заменить и когда отправить пробу в лабораторию. На эти решения могут влиять режим, подозрение на неисправность, интерес к конкретному бренду и уже известные результаты.

Особенно важен момент слива. Если ухудшение состояния приводит к более ранней замене, короткий интервал содержит информацию о причине отбора. Обычная поправка на моточасы не устраняет этот механизм автоматически. Аналогично длительная эксплуатация сама по себе не доказывает большую долговечность: выборка может не включать неудачные случаи.

Поэтому мы задаем область, к которой относится вывод: определенные конструкции, режимы и сопоставимые опубликованные пробы. Не переносим частоту необычных результатов в нашей выборке на частоту отказов всего автомобильного парка. Проверяем, зависит ли заключение от решения о включении пограничных случаев.

Плановые последовательные отборы из одной заливки позволяют изучать траекторию точнее, чем произвольные конечные сливы разных машин. При этом несколько заливок одной машины не превращаются в одну непрерывную кривую.

Достаточность определяется не достижением произвольного числа публикаций, а точностью, общей областью условий, независимой информацией, проверкой переноса и устойчивостью результата. Повторное добавление того же автомобиля не становится новым подтверждением только потому, что интервал оценки изменился.

Наше правило сбора и сравнения — заранее определенные требования к покрытию условий, независимости и полезной точности, а не поиск до появления желаемого лидера. При недостаточной различимости сохраняется предварительный или частичный результат.

Основание: 26. Раппапорт и соавторы. Оценка срока службы масел категории GF-4 (эксплуатационная категория бензиновых масел) в автомобильном парке США, 2008; 27. Хилдрет, Смитвик и Фриленд. Проверка критериев профилактического обслуживания, 2018; 28. Гельман и соавторы. Рабочий процесс байесовского анализа, 2020. Полевые исследования описывают свои выборки и протоколы. Предупреждения о переносимости и отборе ограничивают наши выводы; численные характеристики чужого парка не переносятся на клиента.

19. Сезонные рекомендации и интервалы замены

Выбор вязкости для сезона

Разрешение на конкретную вязкость берется из документации автомобиля. Если разрешены и 0W-30, и 5W-30, более низкий зимний класс означает требования испытаний при более низких температурах. Но выбор конкретного масла обосновывается сопоставимыми данными о холодном проворачивании и прокачиваемости, а не одной цифрой на канистре.

Нельзя напрямую сравнить результаты, полученные при разных температурах, как будто условия одинаковы. Температура застывания не является минимальной безопасной температурой пуска.

При одинаковом высокотемпературном классе «30» обозначение 5W не дает само по себе дополнительной летней защиты по сравнению с 0W. Значение имеют конкретная высокотемпературная вязкость при сдвиге, поведение в двигателе, нагрузка и требования изготовителя. Более высокая вязкость также не становится преимуществом независимо от конструкции.

Баллы из отдельных вязкостных групп не сравниваются напрямую. Для межгруппового сравнения необходимы общая цель, общая шкала и сопоставимые условия. Отдельный эффект температуры или нагрузки оценивается только при поддержке данными, а не приписывается обозначению класса.

Основание: 1. Классификация вязкости моторных масел, J300, редакция 2024; 20. Кажущаяся вязкость при имитации холодного проворачивания, D5293-25; 21. Предел текучести и кажущаяся вязкость при низкой температуре, D4684-20a; 2. Руководство по моторным маслам Американского института нефти.

Рейтинг не является автоматическим определителем ресурса

Общая наработка h^* отвечает на вопрос «в каком состоянии сравниваются масла», а не «когда каждое из них обязательно надо менять». Место в рейтинге, щелочное число свежего масла и один благоприятный анализ не определяют предельный срок эксплуатации.

Мы различаем три основания: официальный предел обслуживания, осторожный рабочий интервал в исследованных условиях и момент контрольного анализа. Рекомендация по обслуживанию учитывает ограничения изготовителя по пробегу, календарному сроку, тяжелым условиям, фильтру и системе напоминания. Применяется то обязательное ограничение, которое наступает раньше.

Если наработка обоснована независимо и средняя скорость относится к соответствующему интервалу, связь с пробегом имеет вид:

D_interval=h v_interval.

Само это равенство не устанавливает безопасное число часов. Диапазон средней скорости дает диапазон пробега, а не точное значение по произвольно выбранной середине. При неизвестной средней скорости она не выдумывается из региона или доли города.

Мы не устанавливаем единый универсальный предел моточасов для всех масел и двигателей. Не используем равенство щелочного и кислотного чисел как обязательную границу замены: оба показателя определяются разными аналитическими процедурами, а критерии обслуживания требуют проверки для конкретного применения.

Сопоставимые отработки могут обосновать более ранний контроль, необходимость диагностики или осторожный рабочий интервал в изученной области. Увеличение заводского интервала не следует автоматически из высокого балла. Если различие сроков между маслами не подтверждено, разные места не превращаются в разные интервалы замены.

Основание: 9. Определение щелочного числа, D4739-26; 12. Определение кислотного числа, D664; 27. Хилдрет, Смитвик и Фриленд. Проверка критериев профилактического обслуживания, 2018; 2. Руководство по моторным маслам Американского института нефти. Лабораторные методы и полевые исследования не устанавливают универсальную периодичность обслуживания. Приоритет имеет применимый регламент конкретного автомобиля.

20. Как из научного сравнения получается практический выбор

Что видит владелец автомобиля

В отчете мы сначала обозначаем двигатель, условия, требования к маслу и область сравнения. Затем показываем подходящие продукты, их преимущества по отдельным направлениям, ограничения, статус одобрений и надежность выводов.

Для каждой рекомендации сохраняется связь с источниками лабораторных данных. Мы отделяем результаты в точной модификации двигателя от переноса с близкой конструкции. При недостаточной различимости прямо сообщаем, что надежного порядка нет, вместо искусственного заполнения всех мест.

Формулировка «в сопоставимых пробах вязкость изменялась меньше» описывает измеряемое преимущество. Формулировка «двигатель гарантированно прослужит дольше» потребовала бы дополнительных доказательств, которых сам наблюдательный рейтинг не дает.

Цена-качество и бюджетный вариант

Экономические рекомендации формируются после лабораторного сравнения. Стоимость не меняет научные баллы и не компенсирует несоответствие требованиям автомобиля.

Мы сопоставляем цены точного актуального продукта в одинаковом объеме и на сопоставимых условиях покупки. Историческая рецептура и современное масло с похожим названием не объединяются без подтверждения связи. Отсутствие надежной цены не ухудшает лабораторный результат, но ограничивает экономическое сравнение.

Для выбора по соотношению цены и качества рассматриваются подходящие масла с хорошими результатами и понятными уступками лидеру. Предпочтение более дешевому продукту при подтвержденном практическом неуступании обосновывается отдельно. Простого отсутствия доказанного различия для такого утверждения недостаточно.

Мы не делим балл на цену: шкала рейтинга не означает, что масло с баллом 80 дает вдвое больше полезного эффекта, чем масло с баллом 40. Бюджетный выбор означает самые доступные варианты среди рассмотренных подходящих масел, а не самые дешевые масла вообще.

Экономический раздел — самостоятельное правило выбора Oil Guru, а не метод лабораторного испытания. Когда научная первая десятка не определена, ценовую справку нельзя выдавать за выбор из подтвержденного рейтинга.

Воспроизводимость и обновление результатов

Для каждого расчета фиксируются исходный набор, требования автомобиля, правила отбора, расчетные предположения и настройки шкалы. Новые анализы образуют основание для отдельного пересчета, а не незаметного изменения входных данных посередине работы.

Научные ссылки позволяют проверить смысл методов и пределы интерпретации. Источники конкретных проб позволяют проверить исходные измерения. Правила профиля объясняют переход от физических показателей к предпочтению. Это три разных вида прозрачности, и мы сохраняем каждый из них.

Итоговый принцип. Наш рейтинг — проверяемое сравнение допустимых масел при заданных условиях. Он опирается на международные методы испытаний, метрологию и статистическое моделирование, но не называется стандартом, сертификатом международной организации или гарантией причинного увеличения ресурса двигателя. Сила вывода определяется пригодностью данных и результатами проверок, а не известностью бренда или сложностью формулы.

Основание: 28. Гельман и соавторы. Рабочий процесс байесовского анализа, 2020; 35. Руководство по выражению неопределенности измерений, JCGM (Объединенный комитет по руководствам в метрологии) 100:2008; 38. Роль неопределенности измерения при оценке соответствия, JCGM (Объединенный комитет по руководствам в метрологии) 106:2012. Эти источники обосновывают принципы работы с данными, неопределенностью и соответствием. Конкретная рейтинговая и коммерческая политика принадлежит Oil Guru.

Приложение А. Учебные примеры

Все значения в этом приложении условные. Они объясняют арифметику и не являются результатами конкретных продуктов, автомобилей или анализов нашей базы.

1. Сохранение щелочного числа не равно запасу ресурса

Пусть щелочное число свежего масла равно 8, а отработанного — 5 мг гидроксида калия на грамм. Наработка составляет 200 часов, рецептура и метод измерения совпадают.

R=58=0.625,  Retention=62.5%.

L₁₀₀=10000(1-0.625)200=18.75.

Это 18,75 процентного пункта исходного значения на 100 часов в среднем за прошедший интервал. Условная экспоненциальная запись дает:

k=-ln(0.625)200≈0.002350 h^-1,

Loss₁₀₀=100(1-e^-100k)≈20.94%.

Числа 18,75 и 20,94 различаются, потому что описывают интервал разными способами. Ни одно не означает, что следующие 100 часов дадут такую же потерю. Если исходное и использованное значения получены несовместимыми методами, эти расчеты для пары вообще не выполняются.

2. Обычное и логарифмическое изменение вязкости

Пусть вязкость при одной температуре изменилась с 12,0 до 10,8 мм²/с.

ΔKV_pct=100(10.8/12.0-1)=-10%,

ΔKV_log=ln(10.8/12.0)≈-0.10536.

Умноженный на 100 логарифм равен примерно −10,536, но это не обычный процент изменения. Для читателя сохраняется понятное значение −10%, а логарифм используется в соответствующей расчетной метрике.

3. Как частичное объединение ограничивает влияние одной удачной пробы

Рассмотрим диагностическую нормальную модель на условной непрерывной шкале:

y∣θ∼N(θ,V),  θ∼N(μ_f,τ²).

λ=τ²τ²+V,  E[θ∣D]=λy+(1-λ)μ_f,

Var(θ∣D)=τ²Vτ²+V.

Здесь V — дисперсия независимой информации, а не автоматически дисперсия, деленная на число любых строк. Коэффициент λ определяет влияние нового наблюдения относительно групповой информации.

Пусть групповое среднее равно 50, групповой масштаб — 10, наблюдаемое среднее — 80, а остаточное стандартное отклонение 20 известно из независимой информации. При одной независимой пробе V=400: коэффициент равен 0,20, итоговое среднее — 56, стандартное отклонение — около 8,94. При десяти независимых пробах и V=40: коэффициент около 0,714, среднее около 71,43, стандартное отклонение около 5,35.

Десять повторов одной машины не дают автоматически второй результат. По одной пробе также нельзя определить из нее самой заданное здесь остаточное отклонение 20. В полном расчете неопределенность групповых параметров учитывается, а не фиксируется без основания.

4. Почему нельзя перенормировать пропуски отдельно для масла

В учебной схеме четыре направления имеют равные веса по 0,25. Три доступные оценки равны 80, 70 и 60; четвертая неизвестна.

Coverage=0.75,  S_min=0.25(80+70+60)=52.5,

S_max=52.5+0.25⋅100=77.5.

Среднее 70 после удаления неизвестного направления и индивидуального увеличения весов отвечало бы другой задаче. Диапазон от 52,5 до 77,5 показывает неполноту, а не 90%-й вероятностный интервал. Равные веса здесь выбраны только для демонстрации арифметики.

5. Что меняет осторожный квантиль

На условной неограниченной учебной шкале пусть оценки нормально распределены: для А среднее 90 и стандартное отклонение 20, для Б — 84 и 5. Это не распределения реальных баллов, ограниченных диапазоном от 0 до 100.

При нормальном распределении 20%-й квантиль равен примерно среднему минус 0,8416 стандартного отклонения. Получается около 73,2 для А и 79,8 для Б. Более высокая центральная оценка А сопровождается большей неопределенностью.

Такой пример иллюстрирует осторожность выбора, но не доказывает превосходство Б по всем критериям. Для реального вывода нужны распределения разницы, практический порог, проверка модели и предсказательный интервал.

6. «Недостаточно данных для различения» — самостоятельный результат

Допустим, в учебном расчете вероятность преимущества А более чем на пять пунктов равна 0,62, а вероятность различия в пределах пяти пунктов — 0,30. Это не подтвержденное преимущество и не подтвержденная эквивалентность.

Корректная формулировка: данных недостаточно для надежного различения по заданной шкале. Число пять в этом примере не является универсальным порогом методики.

Приложение Б. Словарь терминов и сокращений

В основном тексте сокращения поясняются рядом с первым употреблением; далее преимущественно используются русские названия. Этот словарь позволяет быстро вернуться к значению обозначения.

Частичное объединение данных (partial pooling) — совместное оценивание связанных групп без предположения, что все двигатели и масла одинаковы. Априорное распределение (prior distribution) задает исходные вероятностные допущения; апостериорное распределение (posterior distribution) учитывает наблюдения. Функция правдоподобия (likelihood) описывает вероятность наблюдаемых данных при заданных параметрах.

Цензурирование означает, что известна граница или интервал результата, а не точное число. Усечение означает ограничение области, из которой наблюдения вообще могут попадать в выборку; это другой механизм.

Расчетная реализация — один совместный набор возможных значений параметров и производных величин. Она не является новой физической пробой. Общая область сравнения — условия, поддержанные сопоставимыми наблюдениями у каждого сравниваемого кандидата.

Функция полезности — правило перевода физического показателя в предпочтение на выбранной шкале. Недоминируемый кандидат — вариант, для которого не установлен конкурент, убедительно не хуже по всем выбранным направлениям и лучше хотя бы по одному.

Лабораторная неопределенность относится к измерению. Неопределенность ожидаемого результата относится к оценке среднего профиля. Предсказательная неопределенность включает возможный разброс результата следующего автомобиля. Эти понятия не взаимозаменяемы.

Приложение В. Обозначения в формулах

Индексы f и u у физических показателей обозначают свежее и использованное масло. В формулах распределений N — нормальное распределение, N_J — многомерное нормальное распределение. Запись HalfNormal означает положительную половину нормального распределения.

Обозначение LKJ относится к распределению корреляционных матриц Левандовского — Куровицкой — Джо. Φ — функция распределения стандартной нормальной величины. Функция clip ограничивает результат указанным интервалом. Индикатор 1 равен единице при выполнении условия и нулю при его невыполнении. Функция abs в формулах обозначает абсолютную величину, то есть модуль.

Обозначения в формулах не изменяют единицы исходных измерений. В логарифмах используются только безразмерные отношения; разные значения одной буквы никогда не соединяются без определения контекста.

Приложение Г. Источники и границы их применимости

Ссылки на источники размещены рядом с соответствующими положениями методики. Ниже они собраны для удобства проверки наших методик, которые созданы на основе этих материалов. Названия переданы по-русски; номера стандартов и адреса сохранены. Прежние редакции указаны как исторические источники.

Для стандартов основанием пояснений служат разделы об области применения и значении испытания. Для ряда исторических статей использованы первичные аннотации. На их основе мы вводим в наши расчеты универсальные численные поправки или пределы обслуживания.

В метрологическую часть дополнительно включены руководства о распространении распределений методом Монте-Карло, совместной неопределенности нескольких выходных величин и оценке соответствия. В статистическую часть добавлено основание калибровки на моделируемых данных. Эти дополнения уточняют способ проверки расчета, но не меняют лабораторные измерения и не являются одобрением нашего сервиса.

Международные стандарты определяют методы и требования в своей области. Исследования дают результаты для конкретных выборок и условий. Перенос этих результатов, выбор оценочных шкал, весов, важных различий и правил мест относятся к описанной методике Oil Guru.

• 1. Классификация вязкости моторных масел, J300, редакция 2024. Раздел «Область применения»; вязкостная классификация, не рейтинг общего качества.
• 2. Руководство по моторным маслам Американского института нефти. Рекомендации по выбору категорий и соблюдению требований изготовителя.
• 3. Система лицензирования и сертификации моторных масел, документ 1509. Официальная страница документа; правила лицензирования.
• 4. Официальный реестр лицензированных моторных масел. Проверка лицензии продукта в пределах соответствующей системы.
• 5. Европейские требования к маслам легковых двигателей, редакция 2023. Страницы 3–6: категории, ограничения применимости и минимальные требования.
• 6. Разъяснение Европейской ассоциации автопроизводителей о заявлениях соответствия. Раздел о самостоятельном подтверждении соответствия поставщиком; индивидуальные сертификаты ассоциацией не выдаются.
• 7. Руководство по применению японского стандарта M 364:2024. Специальные категории бензиновых масел;
• 8. Официальное сообщение о редакции японского стандарта M 364:2024. Дополнительный доступный источник о назначении специальных классов и ссылка на руководство.
• 9. Определение щелочного числа, D4739-26. Разделы 1.3, 5.1 и 5.3.1–5.3.4: сопоставимость метода, остаточная щелочность и границы интерпретации.
• 10. Страница стандарта D4739. Исходный адрес для отслеживания редакций метода.
• 11. Определение щелочного числа, D4739-06a. Сохраненная прежняя редакция; не подменяет редакцию, указанную в бланке анализов.
• 12. Определение кислотного числа, D664. Разделы 1.3 и 5.1–5.2: измеряемая величина, коррозионность и эмпирические пределы обслуживания.
• 13. Кинематическая вязкость и расчет динамической вязкости, D445. Область применения и значение испытания; условия измерения вязкости.
• 14. Наблюдение за состоянием работающих масел методом инфракрасной спектрометрии, E2412-23a. Разделы 1.1–1.4: анализ тенденций совместно с другими испытаниями.
• 15. Инфракрасный анализ тенденций состояния масла, E2412-04. Сохраненная прежняя редакция метода.
• 16. Описание спектрального анализатора ERASPEC OIL изготовителем Eralytics. Прямой и разностный анализ, библиотеки хемометрических прогнозов.
• 17. Многоэлементный спектральный анализ масел, D5185-26. Разделы 1.4 и 5: ограничения по размеру частиц и назначение измерения.
• 18. Многоэлементный анализ масел, D5185-18. Сохраненная прежняя редакция метода; ограничения применимости сопоставляются с бланками анализов.
• 19. Определение воды кулонометрическим титрованием Карла Фишера, D6304. Область применения и значение испытания; вода как самостоятельный диагностический показатель.
• 20. Кажущаяся вязкость при имитации холодного проворачивания, D5293-25. Раздел 5: связь с холодным проворачиванием, отсутствие замены испытания прокачиваемости.
• 21. Предел текучести и кажущаяся вязкость при низкой температуре, D4684-20a. Разделы 1.1–1.4 и 5.1–5.2: охлаждение, процедуры и связь с прокачиваемостью.
• 22. Низкотемпературная вязкость и предел текучести, D4684-20. Сохраненный исходный адрес предыдущей редакции.
• 23. Потери от испарения по методу Ноака, D5800. Разделы 1.1–1.2 и 5.1–5.4: испаряемость и сопоставимость процедур.
• 24. Лэнд, Уайнер и Шварц. Новый взгляд на анализ металлов износа, 1977. Работа 770085, аннотация; влияние расхода и долива на концентрацию металлов.
• 25. Райан и соавторы. Влияние рециркуляции отработавших газов на деградацию масла тяжелого дизеля, 1999. Работа 1999-01-3574, аннотация; испытан Caterpillar 3176, выводы ограничены его условиями.
• 26. Раппапорт и соавторы. Оценка срока службы масел категории GF-4 (эксплуатационная категория бензиновых масел) в автомобильном парке США, 2008. Работа 2008-01-1740, аннотация; ограниченность прогнозирования состояния только по пробегу.
• 27. Хилдрет, Смитвик и Фриленд. Проверка критериев профилактического обслуживания, 2018. Доклад 2017-05; резюме, печатные страницы iv–v; исследование конкретного парка техники.
• 28. Гельман и соавторы. Рабочий процесс байесовского анализа, 2020. Общие принципы построения, проверки, сравнения и интерпретации вероятностных моделей.
• 29. Вехтари, Гельман и Габри. Практическая оценка байесовских моделей, 2017. Перекрестная проверка и оценка точности вне обучающей выборки; публикация: «Статистика и вычисления» (Statistics and Computing), 27, 1413–1432.
• 30. Вехтари и соавторы. Улучшенная диагностика сходимости по рангам, 2021. Согласованность цепей и эффективное число вычислительных реализаций.
• 31. Руководство системы вероятностного программирования Stan: регрессионные модели. Раздел о многомерных иерархических априорных распределениях; структура ковариаций.
• 32. Руководство системы вероятностного программирования Stan: усеченные и цензурированные данные. Интегрирование значений за пределом измерения и нормирование ограниченных распределений.
• 33. Национальный институт стандартов и технологий США: медианное абсолютное отклонение. Определение устойчивого масштаба;.
• 34. Медианное абсолютное отклонение: доступная официальная страница. Раздел «Описание»: нормировка медианного абсолютного отклонения для нормального распределения.
• 35. Руководство по выражению неопределенности измерений, JCGM (Объединенный комитет по руководствам в метрологии) 100:2008. Разделы 5.1–5.2, печатные страницы 18–23: распространение неопределенности и ковариаций.
• 36. Распространение распределений методом Монте-Карло, JCGM (Объединенный комитет по руководствам в метрологии) 101:2008. Дополнение к руководству по неопределенности: нелинейная модель с одним выходом.
• 37. Неопределенность модели с несколькими выходными величинами, JCGM (Объединенный комитет по руководствам в метрологии) 102:2011. Совместные распределения и сохранение зависимости выходных величин.
• 38. Роль неопределенности измерения при оценке соответствия, JCGM (Объединенный комитет по руководствам в метрологии) 106:2012. Метрологическое основание для осторожной интерпретации пограничного результата.
• 39. Талтс и соавторы. Проверка байесовских вычислений с помощью калибровки на моделируемых данных, 2018/2020. Проверка алгоритма и реализации.

Как проверить конкретный вывод. Для допуска масла требуется руководство именно вашего автомобиля и подтверждение соответствующей спецификации. Для лабораторного числа — исходный протокол. Для сравнения — совместимые методы, рецептуры и условия. Для места — расчетный профиль и проверенная различимость. Ссылка на авторитетную организацию не заменяет ни один из этих шагов.