基于近紅外光譜的液壓油運(yùn)動(dòng)粘度快速分析*

杜傳斌 梁圣偉 李健聰

(海軍航空裝備計(jì)量監(jiān)修中心 上海 200436)

?

基于近紅外光譜的液壓油運(yùn)動(dòng)粘度快速分析*

杜傳斌 梁圣偉 李健聰

(海軍航空裝備計(jì)量監(jiān)修中心 上海 200436)

運(yùn)動(dòng)粘度是航空液壓油重要的理化性能指標(biāo)之一,傳統(tǒng)理化檢測(cè)方法費(fèi)時(shí)費(fèi)力。論文主要通過(guò)近紅外光譜分析技術(shù)實(shí)現(xiàn)了運(yùn)動(dòng)粘度指標(biāo)的簡(jiǎn)便、快速、無(wú)損檢測(cè)。文中比較了平滑、導(dǎo)數(shù)、均值中心化和正交信號(hào)處理四種不同預(yù)處理方法的單獨(dú)和結(jié)合處理的優(yōu)劣,建立了偏最小二乘法(PLS)模型和PLS與誤差反向傳播神經(jīng)網(wǎng)絡(luò)相結(jié)合(PLS-BP)的模型,將預(yù)測(cè)相關(guān)系數(shù)(RC)和標(biāo)準(zhǔn)校正偏差(SEC)作為模型主要評(píng)價(jià)指標(biāo),兩種模型均通過(guò)驗(yàn)證,RC分別為0.978和0.990。比較結(jié)果表明,PLS—BP模型明顯優(yōu)于PLS模型,預(yù)測(cè)精度較高。

50℃運(yùn)動(dòng)粘度; 近紅外光譜; 偏最小二乘法; BP人工神經(jīng)網(wǎng)絡(luò)

Class Number O657.33

1 引言

航空液壓油的粘度是指液體的內(nèi)摩擦,是液壓油受到外力作用而發(fā)生相對(duì)移動(dòng)時(shí)油分子之間產(chǎn)生的阻力,其阻力的大小稱為粘度,通常分為動(dòng)力粘度、運(yùn)動(dòng)粘度和條件粘度,其中使用最廣泛的是液壓油的運(yùn)動(dòng)粘度,單位是mm2/s。粘度過(guò)大,會(huì)增加摩擦阻力增加液壓泵的負(fù)擔(dān),造成油泵吸不上油或壓力低、輸出流量達(dá)不到指定值等故障,同時(shí),由于摩擦阻力增大,在使用時(shí)油液溫度升高,加速油液氧化變質(zhì),產(chǎn)生油泥堵塞濾網(wǎng),增加泵的磨損。甚至在高溫的環(huán)境中液壓元件發(fā)生熱膨脹,配合間隙減小,造成閥件卡死或失靈等故障粘度過(guò)小,會(huì)造成內(nèi)外泄漏,降低能量利用率,造成液壓缸伸縮動(dòng)作慢或不能伸縮到指定位置等故障。因此對(duì)運(yùn)動(dòng)粘度的及時(shí)監(jiān)測(cè)是掌握液壓系統(tǒng)工作狀況的重要方式。

近紅外(NIR)分析方法[1]是一種具有無(wú)損、快速、準(zhǔn)確、簡(jiǎn)便等特點(diǎn)的新型分析技術(shù),被廣泛應(yīng)用于農(nóng)產(chǎn)品、食品、藥物和石油化工產(chǎn)品的定性與定量分析。航空液壓油中含有豐富的C—H、O—H鍵,其運(yùn)動(dòng)粘度可以在近紅外光譜下進(jìn)行測(cè)量。但是它是一種間接測(cè)量技術(shù),需要借助化學(xué)計(jì)量學(xué)建立預(yù)測(cè)模型對(duì)未知樣品分析。由于樣品自身特性、環(huán)境、儀器特點(diǎn)等因素對(duì)光譜影響是非線性的,從而會(huì)影響預(yù)測(cè)精度。而目前應(yīng)用較廣泛的BP神經(jīng)網(wǎng)絡(luò)具有高度非線性映射能力,現(xiàn)在已經(jīng)在多個(gè)領(lǐng)域廣泛應(yīng)用。本文提出應(yīng)用PLS結(jié)合BP神經(jīng)網(wǎng)絡(luò)建立航空液壓油的運(yùn)動(dòng)粘度近紅外光譜定量分析模型,并與近紅外分析中常用的PLS定量分析模型進(jìn)行對(duì)比,實(shí)現(xiàn)對(duì)航空液壓油運(yùn)動(dòng)粘度的快速、準(zhǔn)確預(yù)測(cè)。

2 實(shí)驗(yàn)部分

2.1 基礎(chǔ)數(shù)據(jù)測(cè)定

對(duì)采集的28個(gè)10號(hào)航空液壓油油樣通過(guò)GB/T 265—88的標(biāo)準(zhǔn)[2]進(jìn)行50℃運(yùn)動(dòng)粘度的測(cè)定。按照標(biāo)準(zhǔn)要求和步驟用做兩次平行實(shí)驗(yàn),每次實(shí)驗(yàn)測(cè)量四次,將測(cè)量時(shí)間結(jié)果進(jìn)行重復(fù)性檢驗(yàn),檢驗(yàn)合格作為一次實(shí)驗(yàn)結(jié)果,本實(shí)驗(yàn)每次測(cè)量結(jié)果均達(dá)到重復(fù)性要求。最后對(duì)兩次實(shí)驗(yàn)結(jié)果進(jìn)行重復(fù)性檢驗(yàn),檢驗(yàn)后均滿足標(biāo)準(zhǔn)規(guī)定的重復(fù)性要求。測(cè)量結(jié)果分布在8.9880mm2/s～10.1503mm2/s范圍內(nèi),分布比較均勻。數(shù)據(jù)的采集量和數(shù)據(jù)分布基本上達(dá)到了建立模型的需要和要求。

2.2 光譜數(shù)據(jù)測(cè)定

把采集到的航空液壓油樣品用TH-4000近紅外光譜儀[3]測(cè)定其光譜。該型號(hào)光譜儀由聚光科技自主研發(fā),光譜采集范圍1000nm～1800nm,波長(zhǎng)準(zhǔn)確度為±0.15nm,波長(zhǎng)重復(fù)性為±0.05nm,光譜分辨率小于6.0nm,雜散光小于0.15%,測(cè)量時(shí)間為1min,以空氣為參比進(jìn)行光譜掃描,掃描10次取平均值。采用馬氏距離K-S分類方法,選擇其中6個(gè)樣品為驗(yàn)證集,其余為校正集。獲取譜圖如圖1所示。

圖1 航空液壓油近紅外譜圖

2.3 光譜數(shù)據(jù)預(yù)處理

通過(guò)比較標(biāo)準(zhǔn)化、平滑、導(dǎo)數(shù)、正交信號(hào)校正和均值中心化四種預(yù)處理方法[4～5]單獨(dú)和結(jié)合處理光譜后所建立定量校正模型的校正相關(guān)系數(shù)(RC)和校正標(biāo)準(zhǔn)偏差(SEC),最終選定先用卷積平滑法(Savitky-Golay),選用平滑窗口為5,擬合次數(shù)為4,濾除高頻噪聲,再使用差分一階導(dǎo)數(shù)去除基線和背景信息的干擾,最后使用均值中心化賦予所有波長(zhǎng)相同權(quán)重。預(yù)處理后圖像如圖1所示。

圖2 航空液壓油預(yù)處理后譜圖

2.4 波長(zhǎng)選擇

采用全譜計(jì)算時(shí),計(jì)算工作量很大。實(shí)際上,在有些光譜區(qū)域樣品的光譜信息很弱,與樣品的組成或性質(zhì)缺乏相關(guān)關(guān)系。為了找出最有效的光譜區(qū)域,可以將測(cè)定的性質(zhì)數(shù)據(jù)與樣品的光譜數(shù)據(jù)進(jìn)行關(guān)聯(lián),找出相關(guān)系數(shù),求得相關(guān)系數(shù)與波長(zhǎng)的相關(guān)圖,通過(guò)相關(guān)圖,可以選取較大相關(guān)系數(shù)的光譜區(qū)域。并且可結(jié)合已知的化學(xué)知識(shí)給定一個(gè)閾值,選取相關(guān)系數(shù)大于該閾值的波長(zhǎng)參與模型建立。本文中采用相關(guān)系數(shù)法,事先設(shè)定閾值,通過(guò)比較不同閾值及全光譜計(jì)算的結(jié)果,選取最佳的光譜范圍。通過(guò)比較RC和SEC,最終選取閾值為0.1時(shí)建立模型。

圖3 相關(guān)系數(shù)圖

圖4 PRESS值隨主因子數(shù)的變化

3 實(shí)驗(yàn)結(jié)果分析

3.1 PLS定量校正模型

在以上確定的光譜預(yù)處理方式和選擇的波長(zhǎng)范圍內(nèi),在用液壓油的50℃運(yùn)動(dòng)粘度的PLS[6～7]回歸交互驗(yàn)證的PRESS值隨主因子的變化見(jiàn)圖4。由圖4選擇最佳的建模主因子數(shù)為5,建模的有關(guān)參數(shù)列于表1。50℃運(yùn)動(dòng)粘度的預(yù)測(cè)值—真實(shí)值分布圖見(jiàn)圖5(a)及性質(zhì)殘差分布圖見(jiàn)圖5(b)。

表1 PLS模型參數(shù)

圖5 PLS模型預(yù)測(cè)值-真實(shí)值及性質(zhì)殘差

3.2 PLS-ANN定量校正模型

采用BP-ANN[8～11]進(jìn)行近紅外光譜建模時(shí),需要對(duì)輸入輸出變量、隱含層網(wǎng)絡(luò)數(shù)、隱含層節(jié)點(diǎn)數(shù)、初始權(quán)重、傳輸函數(shù)、學(xué)習(xí)速率和終止條件等參數(shù)進(jìn)行設(shè)置。

輸入輸出變量:采用PLS法得到的主因子得分作為網(wǎng)絡(luò)輸入,對(duì)單性質(zhì)建立校正模型,因此輸出層采用單節(jié)點(diǎn)結(jié)構(gòu),即輸出層變量數(shù)為1;隱含層網(wǎng)絡(luò)數(shù):三層BP神經(jīng)網(wǎng)絡(luò)(即一個(gè)隱含層)可以以任意精度擬合任意連續(xù)函數(shù),因此本研究選取一個(gè)隱含層建立模型;初始權(quán)重:輸入層到隱含層和隱含層到輸出層的初始權(quán)重均采用-0.5～0.5之間的隨機(jī)數(shù);傳輸函數(shù):輸入層和隱含層采用非線性傳輸函數(shù)Sigmoid函數(shù),輸出層采用線性傳輸函數(shù)Purelin函數(shù);終止條件:學(xué)習(xí)次數(shù)達(dá)2500次時(shí)模型預(yù)測(cè)能力趨于穩(wěn)定,因此選擇最大迭代次數(shù)為2500次。

隱含層節(jié)點(diǎn)數(shù)、學(xué)習(xí)速率是影響網(wǎng)絡(luò)收斂和網(wǎng)絡(luò)性能的重要參數(shù),需要經(jīng)過(guò)反復(fù)實(shí)驗(yàn)加以確定。經(jīng)過(guò)選取不同參數(shù)分別進(jìn)行模型建立和驗(yàn)證,最終確定隱含層節(jié)點(diǎn)數(shù)為3,初始學(xué)習(xí)速率為0.1,動(dòng)量項(xiàng)為0.8。

用以上確定的參數(shù)建立校正模型,其中RC=0.990,SEC=0.105,在用液壓油的50℃運(yùn)動(dòng)粘度的預(yù)測(cè)值—真實(shí)值見(jiàn)圖6(a)及性質(zhì)殘差分布圖見(jiàn)圖6(b)。

圖6 ANN預(yù)測(cè)值-真實(shí)值及性質(zhì)殘差

3.3 模型驗(yàn)證

近紅外光譜分析要求在建模之后進(jìn)行模型驗(yàn)證以確保模型的可用性。模型驗(yàn)證的基本過(guò)程是采用模型對(duì)一組已知參考值的樣品(稱為驗(yàn)證集)進(jìn)行預(yù)測(cè),將預(yù)測(cè)結(jié)果與參考值進(jìn)行統(tǒng)計(jì)比較。驗(yàn)證過(guò)程中常用的評(píng)價(jià)參數(shù)[3]有:偏差(d),預(yù)測(cè)標(biāo)準(zhǔn)偏差(SEP)和進(jìn)行成對(duì)t檢驗(yàn)。模型驗(yàn)證結(jié)果數(shù)據(jù)列于表2、表3。

表3與表4分別列出了50℃運(yùn)動(dòng)粘度的PLS模型和BP人工神經(jīng)網(wǎng)絡(luò)近紅外光譜模型預(yù)測(cè)值與標(biāo)準(zhǔn)方法測(cè)定值之間的統(tǒng)計(jì)結(jié)果。兩種模型的SEP與模型建立時(shí)交互驗(yàn)證過(guò)程得到的SEC相當(dāng);對(duì)于給定顯著性水平0.05,所得的成對(duì)t檢驗(yàn)值均小于查表所得的t值,說(shuō)明液壓油兩種模型的近紅外光譜分析法和標(biāo)準(zhǔn)方法的分析結(jié)果沒(méi)有顯著性差異;所有驗(yàn)證集樣品的近紅外光譜測(cè)定結(jié)果與標(biāo)準(zhǔn)方法之間的偏差都在標(biāo)準(zhǔn)方法規(guī)定的再現(xiàn)性范圍以內(nèi),表明兩者的分析結(jié)果一致。以上結(jié)果表明PLS方法和BP-ANN方法所建立的50℃運(yùn)動(dòng)粘度模型通過(guò)驗(yàn)證,可以用來(lái)對(duì)航空液壓油理化性能指標(biāo)進(jìn)行分析。

表2 PLS模型預(yù)測(cè)結(jié)果與標(biāo)準(zhǔn)方法測(cè)定結(jié)果的比較

表3 BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)結(jié)果與標(biāo)準(zhǔn)方法測(cè)定結(jié)果的比較

3.4 BP神經(jīng)網(wǎng)絡(luò)與PLS模型比較

兩種方法所建立的模型均通過(guò)驗(yàn)證,但是通過(guò)比較兩種方法所建立的定量校正模型的RC與SEC,BP模型相關(guān)系數(shù)(RC)優(yōu)于PLS模型,而一般要求SEC值與參考方法規(guī)定的重復(fù)性相當(dāng),根據(jù)GB/T 265,10號(hào)航空液壓油50℃運(yùn)動(dòng)粘度重復(fù)性要求約為0.1,與BP模型SEC值相當(dāng),PLS模型SEC偏小,可能出現(xiàn)過(guò)擬合現(xiàn)象,綜上所述,對(duì)于10號(hào)航空液壓油運(yùn)動(dòng)粘度指標(biāo),BP定量校正模型優(yōu)于PLS模型。

4 結(jié)語(yǔ)

本文旨在研究通過(guò)近紅外方法實(shí)現(xiàn)10號(hào)航空液壓油50℃運(yùn)動(dòng)粘度的快速監(jiān)測(cè)。通過(guò)對(duì)28個(gè)航空液壓油樣品的運(yùn)動(dòng)粘度的基礎(chǔ)實(shí)驗(yàn)測(cè)定和近紅外光譜的采集,采用PLS方法和PLS-BP方法分別建立定量校正模型。預(yù)處理采用卷積平滑法、差分一階導(dǎo)數(shù)和最后均值中心化,波長(zhǎng)選擇采用相關(guān)系數(shù)法,相關(guān)系數(shù)為0.1。運(yùn)用PLS方法,通過(guò)交互驗(yàn)證,確定主因子數(shù)為5,模型RC=0.978,SEC=0.085,SEP=0.087;運(yùn)用BP方法,經(jīng)過(guò)不同參數(shù)分別進(jìn)行模型建立和驗(yàn)證,最終確定隱含層節(jié)點(diǎn)數(shù)為3,初始學(xué)習(xí)速率為0.1,動(dòng)量項(xiàng)為0.8,模型RC=0.990,SEC=0.105,SEP=0.106。兩種模型均通過(guò)驗(yàn)證,但通過(guò)比較,BP模型優(yōu)于PLS模型。本文研究的方法操作簡(jiǎn)便、無(wú)污染、低消耗,具有良好的預(yù)測(cè)效果,將會(huì)在化工領(lǐng)域內(nèi)得到進(jìn)一步的應(yīng)用與發(fā)展。同時(shí),模型需要更多的樣品進(jìn)行補(bǔ)充和完善。

[1] 楊瓊.近紅外光譜法定量分析及其應(yīng)用研究[D].重慶:西南大學(xué),2009:1-15.

[2] 中國(guó)石油化工總公司.GB/T265-88,石油產(chǎn)品運(yùn)動(dòng)粘度測(cè)定和動(dòng)力粘度計(jì)算法[S].1989,4.

[3] 陸婉珍,袁洪福,褚小立.近紅外光譜儀器[M].北京:化學(xué)工業(yè)出版社,2010:21-22,27-61.

[4] 嚴(yán)衍祿,趙龍蓮,韓東海,等.近紅外光譜分析基礎(chǔ)與應(yīng)用[M].北京:中國(guó)輕工業(yè)出版社,2005:1-3,172-174.

[5] 尼珍,胡昌勤,馮芳.近紅外光譜分析中光譜預(yù)處理的作用及其發(fā)展[J].藥物分析雜志,2008,28(5):824-829.

[6] 褚小立,許育鵬,陸婉珍.用于近紅外光譜分析的化學(xué)計(jì)量學(xué)方法研究與應(yīng)用進(jìn)展[J].分析化學(xué),2008,36(5):702-709.

[7] Svante Wold, Michael Sjostrom, Lennart Eriksson. PLS-regression: A Basic Tool of Chemometrics[J]. Chemometrics and Intelligent Laboratory Systems,2001,(58):109-130.

[8] 陳剛,王遠(yuǎn)輝,黎慶濤,等.人工神經(jīng)網(wǎng)絡(luò)-近紅外光譜法在線測(cè)定白砂糖粒度[J].食品科技,2011,36(5):268-271.

[9] 黎小輝,朱建華,武本成,等.基于BP神經(jīng)網(wǎng)絡(luò)的液化石油氣芳構(gòu)化反應(yīng)體系的預(yù)測(cè)模型[J].化學(xué)工業(yè)與工程,2012,29(1):39-42,72.

[10] 李智,王圣毫,鄭維平,等.基于傅立葉變換的人工神經(jīng)網(wǎng)絡(luò)近紅外光譜定量分析法[J].分析測(cè)試學(xué)報(bào),2012,31(3):343-346.

[11] 陸婉珍.現(xiàn)代近紅外光譜分析技術(shù)[M].北京:中國(guó)石化出版社,2006:46-55.

Rapid Analysis of Hydraulic Oil Viscosity Based on Near Infrared Spectroscopy

DU Chuanbin LIANG Shenwei LI Jiancong

(Metrological Supervision and Maintenance Center of Navy Aviation Equipment, Shanghai 200436)

Kinematic viscosity is one of the most important Physico-chemical performance indexes of aviation hydraulic oil, and the traditional physical and chemical detection method is time consuming. This article mainly involves how to achieve the kinematic viscosity index’s simple, rapid and nondestructive testing through near-infrared spectroscopy technology. It compares four different pretreatment methods of single and combined with the merits of the processing, including the smoothed, derivative, mean centered and orthogonal signal correction. And the Partial Least Squares (PLS) and PLS models with error back propagation neural network combining (PLS-BP) model are established. The prediction coefficient (RC) and the standard deviation of calibration (SEC) are regarded as their main evaluation indexes. These two models are all verified, RC is 0.978 and 0.990 respectively. The result of comparison shows that, PLS-BP model is superior to PLS model, and the accuracy of prediction is higher.

50℃ viscosity, near infrared spectroscopy, partial least squares, Back-Propagation network

2015年4月7日,

2015年5月23日

杜傳斌,男,碩士,助理工程師,研究方向:油液監(jiān)控方向。

O657.33

10.3969/j.issn.1672-9730.2015.10.036