基于近紅外光譜的液壓油運動粘度快速分析*

杜傳斌 梁圣偉 李健聰

(海軍航空裝備計量監修中心 上海 200436)

?

基于近紅外光譜的液壓油運動粘度快速分析*

杜傳斌 梁圣偉 李健聰

(海軍航空裝備計量監修中心 上海 200436)

運動粘度是航空液壓油重要的理化性能指標之一,傳統理化檢測方法費時費力。論文主要通過近紅外光譜分析技術實現了運動粘度指標的簡便、快速、無損檢測。文中比較了平滑、導數、均值中心化和正交信號處理四種不同預處理方法的單獨和結合處理的優劣,建立了偏最小二乘法(PLS)模型和PLS與誤差反向傳播神經網絡相結合(PLS-BP)的模型,將預測相關系數(RC)和標準校正偏差(SEC)作為模型主要評價指標,兩種模型均通過驗證,RC分別為0.978和0.990。比較結果表明,PLS—BP模型明顯優于PLS模型,預測精度較高。

50℃運動粘度; 近紅外光譜; 偏最小二乘法; BP人工神經網絡

Class Number O657.33

1 引言

航空液壓油的粘度是指液體的內摩擦,是液壓油受到外力作用而發生相對移動時油分子之間產生的阻力,其阻力的大小稱為粘度,通常分為動力粘度、運動粘度和條件粘度,其中使用最廣泛的是液壓油的運動粘度,單位是mm2/s。粘度過大,會增加摩擦阻力增加液壓泵的負擔,造成油泵吸不上油或壓力低、輸出流量達不到指定值等故障,同時,由于摩擦阻力增大,在使用時油液溫度升高,加速油液氧化變質,產生油泥堵塞濾網,增加泵的磨損。甚至在高溫的環境中液壓元件發生熱膨脹,配合間隙減小,造成閥件卡死或失靈等故障粘度過小,會造成內外泄漏,降低能量利用率,造成液壓缸伸縮動作慢或不能伸縮到指定位置等故障。因此對運動粘度的及時監測是掌握液壓系統工作狀況的重要方式。

近紅外(NIR)分析方法[1]是一種具有無損、快速、準確、簡便等特點的新型分析技術,被廣泛應用于農產品、食品、藥物和石油化工產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,其運動粘度可以在近紅外光譜下進行測量。但是它是一種間接測量技術,需要借助化學計量學建立預測模型對未知樣品分析。由于樣品自身特性、環境、儀器特點等因素對光譜影響是非線性的,從而會影響預測精度。而目前應用較廣泛的BP神經網絡具有高度非線性映射能力,現在已經在多個領域廣泛應用。本文提出應用PLS結合BP神經網絡建立航空液壓油的運動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定量分析模型進行對比,實現對航空液壓油運動粘度的快速、準確預測。

2 實驗部分

2.1 基礎數據測定

對采集的28個10號航空液壓油油樣通過GB/T 265—88的標準[2]進行50℃運動粘度的測定。按照標準要求和步驟用做兩次平行實驗,每次實驗測量四次,將測量時間結果進行重復性檢驗,檢驗合格作為一次實驗結果,本實驗每次測量結果均達到重復性要求。最后對兩次實驗結果進行重復性檢驗,檢驗后均滿足標準規定的重復性要求。測量結果分布在8.9880mm2/s～10.1503mm2/s范圍內,分布比較均勻。數據的采集量和數據分布基本上達到了建立模型的需要和要求。

2.2 光譜數據測定

把采集到的航空液壓油樣品用TH-4000近紅外光譜儀[3]測定其光譜。該型號光譜儀由聚光科技自主研發,光譜采集范圍1000nm～1800nm,波長準確度為±0.15nm,波長重復性為±0.05nm,光譜分辨率小于6.0nm,雜散光小于0.15%,測量時間為1min,以空氣為參比進行光譜掃描,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個樣品為驗證集,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 光譜數據預處理

通過比較標準化、平滑、導數、正交信號校正和均值中心化四種預處理方法[4～5]單獨和結合處理光譜后所建立定量校正模型的校正相關系數(RC)和校正標準偏差(SEC),最終選定先用卷積平滑法(Savitky-Golay),選用平滑窗口為5,擬合次數為4,濾除高頻噪聲,再使用差分一階導數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相同權重。預處理后圖像如圖1所示。

圖2 航空液壓油預處理后譜圖

2.4 波長選擇

采用全譜計算時,計算工作量很大。實際上,在有些光譜區域樣品的光譜信息很弱,與樣品的組成或性質缺乏相關關系。為了找出最有效的光譜區域,可以將測定的性質數據與樣品的光譜數據進行關聯,找出相關系數,求得相關系數與波長的相關圖,通過相關圖,可以選取較大相關系數的光譜區域。并且可結合已知的化學知識給定一個閾值,選取相關系數大于該閾值的波長參與模型建立。本文中采用相關系數法,事先設定閾值,通過比較不同閾值及全光譜計算的結果,選取最佳的光譜范圍。通過比較RC和SEC,最終選取閾值為0.1時建立模型。

圖3 相關系數圖

圖4 PRESS值隨主因子數的變化

3 實驗結果分析

3.1 PLS定量校正模型

在以上確定的光譜預處理方式和選擇的波長范圍內,在用液壓油的50℃運動粘度的PLS[6～7]回歸交互驗證的PRESS值隨主因子的變化見圖4。由圖4選擇最佳的建模主因子數為5,建模的有關參數列于表1。50℃運動粘度的預測值—真實值分布圖見圖5(a)及性質殘差分布圖見圖5(b)。

表1 PLS模型參數

圖5 PLS模型預測值-真實值及性質殘差

3.2 PLS-ANN定量校正模型

采用BP-ANN[8～11]進行近紅外光譜建模時,需要對輸入輸出變量、隱含層網絡數、隱含層節點數、初始權重、傳輸函數、學習速率和終止條件等參數進行設置。

輸入輸出變量:采用PLS法得到的主因子得分作為網絡輸入,對單性質建立校正模型,因此輸出層采用單節點結構,即輸出層變量數為1;隱含層網絡數:三層BP神經網絡(即一個隱含層)可以以任意精度擬合任意連續函數,因此本研究選取一個隱含層建立模型;初始權重:輸入層到隱含層和隱含層到輸出層的初始權重均采用-0.5～0.5之間的隨機數;傳輸函數:輸入層和隱含層采用非線性傳輸函數Sigmoid函數,輸出層采用線性傳輸函數Purelin函數;終止條件:學習次數達2500次時模型預測能力趨于穩定,因此選擇最大迭代次數為2500次。

隱含層節點數、學習速率是影響網絡收斂和網絡性能的重要參數,需要經過反復實驗加以確定。經過選取不同參數分別進行模型建立和驗證,最終確定隱含層節點數為3,初始學習速率為0.1,動量項為0.8。

用以上確定的參數建立校正模型,其中RC=0.990,SEC=0.105,在用液壓油的50℃運動粘度的預測值—真實值見圖6(a)及性質殘差分布圖見圖6(b)。

圖6 ANN預測值-真實值及性質殘差

3.3 模型驗證

近紅外光譜分析要求在建模之后進行模型驗證以確保模型的可用性。模型驗證的基本過程是采用模型對一組已知參考值的樣品(稱為驗證集)進行預測,將預測結果與參考值進行統計比較。驗證過程中常用的評價參數[3]有:偏差(d),預測標準偏差(SEP)和進行成對t檢驗。模型驗證結果數據列于表2、表3。

表3與表4分別列出了50℃運動粘度的PLS模型和BP人工神經網絡近紅外光譜模型預測值與標準方法測定值之間的統計結果。兩種模型的SEP與模型建立時交互驗證過程得到的SEC相當;對于給定顯著性水平0.05,所得的成對t檢驗值均小于查表所得的t值,說明液壓油兩種模型的近紅外光譜分析法和標準方法的分析結果沒有顯著性差異;所有驗證集樣品的近紅外光譜測定結果與標準方法之間的偏差都在標準方法規定的再現性范圍以內,表明兩者的分析結果一致。以上結果表明PLS方法和BP-ANN方法所建立的50℃運動粘度模型通過驗證,可以用來對航空液壓油理化性能指標進行分析。

表2 PLS模型預測結果與標準方法測定結果的比較

表3 BP神經網絡模型預測結果與標準方法測定結果的比較

3.4 BP神經網絡與PLS模型比較

兩種方法所建立的模型均通過驗證,但是通過比較兩種方法所建立的定量校正模型的RC與SEC,BP模型相關系數(RC)優于PLS模型,而一般要求SEC值與參考方法規定的重復性相當,根據GB/T 265,10號航空液壓油50℃運動粘度重復性要求約為0.1,與BP模型SEC值相當,PLS模型SEC偏小,可能出現過擬合現象,綜上所述,對于10號航空液壓油運動粘度指標,BP定量校正模型優于PLS模型。

4 結語

本文旨在研究通過近紅外方法實現10號航空液壓油50℃運動粘度的快速監測。通過對28個航空液壓油樣品的運動粘度的基礎實驗測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。預處理采用卷積平滑法、差分一階導數和最后均值中心化,波長選擇采用相關系數法,相關系數為0.1。運用PLS方法,通過交互驗證,確定主因子數為5,模型RC=0.978,SEC=0.085,SEP=0.087;運用BP方法,經過不同參數分別進行模型建立和驗證,最終確定隱含層節點數為3,初始學習速率為0.1,動量項為0.8,模型RC=0.990,SEC=0.105,SEP=0.106。兩種模型均通過驗證,但通過比較,BP模型優于PLS模型。本文研究的方法操作簡便、無污染、低消耗,具有良好的預測效果,將會在化工領域內得到進一步的應用與發展。同時,模型需要更多的樣品進行補充和完善。

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

[2] 中國石油化工總公司.GB/T265-88,石油產品運動粘度測定和動力粘度計算法[S].1989,4.

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

[4] 嚴衍祿,趙龍蓮,韓東海,等.近紅外光譜分析基礎與應用[M].北京:中國輕工業出版社,2005:1-3,172-174.

[5] 尼珍,胡昌勤,馮芳.近紅外光譜分析中光譜預處理的作用及其發展[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計量學方法研究與應用進展[J].分析化學,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,王遠輝,黎慶濤,等.人工神經網絡-近紅外光譜法在線測定白砂糖粒度[J].食品科技,2011,36(5):268-271.

[9] 黎小輝,朱建華,武本成,等.基于BP神經網絡的液化石油氣芳構化反應體系的預測模型[J].化學工業與工程,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網絡近紅外光譜定量分析法[J].分析測試學報,2012,31(3):343-346.

[11] 陸婉珍.現代近紅外光譜分析技術[M].北京:中國石化出版社,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:油液監控方向。

O657.33

10.3969/j.issn.1672-9730.2015.10.036