基于近红外光谱的液压油运动粘度快速分析*

杜传斌 梁圣伟 李健聪

(海军航空装备计量监修中心 上海 200436)



基于近红外光谱的液压油运动粘度快速分析*

杜传斌 梁圣伟 李健聪

(海军航空装备计量监修中心 上海 200436)

运动粘度是航空液压油重要的理化性能指标之一,传统理化检测方法费时费力。论文主要通过近红外光谱分析技术实现了运动粘度指标的简便、快速、无损检测。文中比较了平滑、导数、均值中心化和正交信号处理四种不同预处理方法的单独和结合处理的优劣,建立了偏最小二乘法(PLS)模型和PLS与误差反向传播神经网络相结合(PLS-BP)的模型,将预测相关系数(RC)和标准校正偏差(SEC)作为模型主要评价指标,两种模型均通过验证,RC分别为0.978和0.990。比较结果表明,PLS—BP模型明显优于PLS模型,预测精度较高。

50℃运动粘度; 近红外光谱; 偏最小二乘法; BP人工神经网络

Class Number O657.33

1 引言

航空液压油的粘度是指液体的内摩擦,是液压油受到外力作用而发生相对移动时油分子之间产生的阻力,其阻力的大小称为粘度,通常分为动力粘度、运动粘度和条件粘度,其中使用最广泛的是液压油的运动粘度,单位是mm2/s。粘度过大,会增加摩擦阻力增加液压泵的负担,造成油泵吸不上油或压力低、输出流量达不到指定值等故障,同时,由于摩擦阻力增大,在使用时油液温度升高,加速油液氧化变质,产生油泥堵塞滤网,增加泵的磨损。甚至在高温的环境中液压元件发生热膨胀,配合间隙减小,造成阀件卡死或失灵等故障粘度过小,会造成内外泄漏,降低能量利用率,造成液压缸伸缩动作慢或不能伸缩到指定位置等故障。因此对运动粘度的及时监测是掌握液压系统工作状况的重要方式。

近红外(NIR)分析方法[1]是一种具有无损、快速、准确、简便等特点的新型分析技术,被广泛应用于农产品、食品、药物和石油化工产品的定性与定量分析。航空液压油中含有丰富的C—H、O—H键,其运动粘度可以在近红外光谱下进行测量。但是它是一种间接测量技术,需要借助化学计量学建立预测模型对未知样品分析。由于样品自身特性、环境、仪器特点等因素对光谱影响是非线性的,从而会影响预测精度。而目前应用较广泛的BP神经网络具有高度非线性映射能力,现在已经在多个领域广泛应用。本文提出应用PLS结合BP神经网络建立航空液压油的运动粘度近红外光谱定量分析模型,并与近红外分析中常用的PLS定量分析模型进行对比,实现对航空液压油运动粘度的快速、准确预测。

2 实验部分

2.1 基础数据测定

对采集的28个10号航空液压油油样通过GB/T 265—88的标准[2]进行50℃运动粘度的测定。按照标准要求和步骤用做两次平行实验,每次实验测量四次,将测量时间结果进行重复性检验,检验合格作为一次实验结果,本实验每次测量结果均达到重复性要求。最后对两次实验结果进行重复性检验,检验后均满足标准规定的重复性要求。测量结果分布在8.9880mm2/s～10.1503mm2/s范围内,分布比较均匀。数据的采集量和数据分布基本上达到了建立模型的需要和要求。

2.2 光谱数据测定

把采集到的航空液压油样品用TH-4000近红外光谱仪[3]测定其光谱。该型号光谱仪由聚光科技自主研发,光谱采集范围1000nm～1800nm,波长准确度为±0.15nm,波长重复性为±0.05nm,光谱分辨率小于6.0nm,杂散光小于0.15%,测量时间为1min,以空气为参比进行光谱扫描,扫描10次取平均值。采用马氏距离K-S分类方法,选择其中6个样品为验证集,其余为校正集。获取谱图如图1所示。

图1 航空液压油近红外谱图

2.3 光谱数据预处理

通过比较标准化、平滑、导数、正交信号校正和均值中心化四种预处理方法[4～5]单独和结合处理光谱后所建立定量校正模型的校正相关系数(RC)和校正标准偏差(SEC),最终选定先用卷积平滑法(Savitky-Golay),选用平滑窗口为5,拟合次数为4,滤除高频噪声,再使用差分一阶导数去除基线和背景信息的干扰,最后使用均值中心化赋予所有波长相同权重。预处理后图像如图1所示。

图2 航空液压油预处理后谱图

2.4 波长选择

采用全谱计算时,计算工作量很大。实际上,在有些光谱区域样品的光谱信息很弱,与样品的组成或性质缺乏相关关系。为了找出最有效的光谱区域,可以将测定的性质数据与样品的光谱数据进行关联,找出相关系数,求得相关系数与波长的相关图,通过相关图,可以选取较大相关系数的光谱区域。并且可结合已知的化学知识给定一个阈值,选取相关系数大于该阈值的波长参与模型建立。本文中采用相关系数法,事先设定阈值,通过比较不同阈值及全光谱计算的结果,选取最佳的光谱范围。通过比较RC和SEC,最终选取阈值为0.1时建立模型。

图3 相关系数图

图4 PRESS值随主因子数的变化

3 实验结果分析

3.1 PLS定量校正模型

在以上确定的光谱预处理方式和选择的波长范围内,在用液压油的50℃运动粘度的PLS[6～7]回归交互验证的PRESS值随主因子的变化见图4。由图4选择最佳的建模主因子数为5,建模的有关参数列于表1。50℃运动粘度的预测值—真实值分布图见图5(a)及性质残差分布图见图5(b)。

表1 PLS模型参数

图5 PLS模型预测值-真实值及性质残差

3.2 PLS-ANN定量校正模型

采用BP-ANN[8～11]进行近红外光谱建模时,需要对输入输出变量、隐含层网络数、隐含层节点数、初始权重、传输函数、学习速率和终止条件等参数进行设置。

输入输出变量:采用PLS法得到的主因子得分作为网络输入,对单性质建立校正模型,因此输出层采用单节点结构,即输出层变量数为1;隐含层网络数:三层BP神经网络(即一个隐含层)可以以任意精度拟合任意连续函数,因此本研究选取一个隐含层建立模型;初始权重:输入层到隐含层和隐含层到输出层的初始权重均采用-0.5～0.5之间的随机数;传输函数:输入层和隐含层采用非线性传输函数Sigmoid函数,输出层采用线性传输函数Purelin函数;终止条件:学习次数达2500次时模型预测能力趋于稳定,因此选择最大迭代次数为2500次。

隐含层节点数、学习速率是影响网络收敛和网络性能的重要参数,需要经过反复实验加以确定。经过选取不同参数分别进行模型建立和验证,最终确定隐含层节点数为3,初始学习速率为0.1,动量项为0.8。

用以上确定的参数建立校正模型,其中RC=0.990,SEC=0.105,在用液压油的50℃运动粘度的预测值—真实值见图6(a)及性质残差分布图见图6(b)。

图6 ANN预测值-真实值及性质残差

3.3 模型验证

近红外光谱分析要求在建模之后进行模型验证以确保模型的可用性。模型验证的基本过程是采用模型对一组已知参考值的样品(称为验证集)进行预测,将预测结果与参考值进行统计比较。验证过程中常用的评价参数[3]有:偏差(d),预测标准偏差(SEP)和进行成对t检验。模型验证结果数据列于表2、表3。

表3与表4分别列出了50℃运动粘度的PLS模型和BP人工神经网络近红外光谱模型预测值与标准方法测定值之间的统计结果。两种模型的SEP与模型建立时交互验证过程得到的SEC相当;对于给定显著性水平0.05,所得的成对t检验值均小于查表所得的t值,说明液压油两种模型的近红外光谱分析法和标准方法的分析结果没有显著性差异;所有验证集样品的近红外光谱测定结果与标准方法之间的偏差都在标准方法规定的再现性范围以内,表明两者的分析结果一致。以上结果表明PLS方法和BP-ANN方法所建立的50℃运动粘度模型通过验证,可以用来对航空液压油理化性能指标进行分析。

表2 PLS模型预测结果与标准方法测定结果的比较

表3 BP神经网络模型预测结果与标准方法测定结果的比较

3.4 BP神经网络与PLS模型比较

两种方法所建立的模型均通过验证,但是通过比较两种方法所建立的定量校正模型的RC与SEC,BP模型相关系数(RC)优于PLS模型,而一般要求SEC值与参考方法规定的重复性相当,根据GB/T 265,10号航空液压油50℃运动粘度重复性要求约为0.1,与BP模型SEC值相当,PLS模型SEC偏小,可能出现过拟合现象,综上所述,对于10号航空液压油运动粘度指标,BP定量校正模型优于PLS模型。

4 结语

本文旨在研究通过近红外方法实现10号航空液压油50℃运动粘度的快速监测。通过对28个航空液压油样品的运动粘度的基础实验测定和近红外光谱的采集,采用PLS方法和PLS-BP方法分别建立定量校正模型。预处理采用卷积平滑法、差分一阶导数和最后均值中心化,波长选择采用相关系数法,相关系数为0.1。运用PLS方法,通过交互验证,确定主因子数为5,模型RC=0.978,SEC=0.085,SEP=0.087;运用BP方法,经过不同参数分别进行模型建立和验证,最终确定隐含层节点数为3,初始学习速率为0.1,动量项为0.8,模型RC=0.990,SEC=0.105,SEP=0.106。两种模型均通过验证,但通过比较,BP模型优于PLS模型。本文研究的方法操作简便、无污染、低消耗,具有良好的预测效果,将会在化工领域内得到进一步的应用与发展。同时,模型需要更多的样品进行补充和完善。

[1] 杨琼.近红外光谱法定量分析及其应用研究[D].重庆:西南大学,2009:1-15.

[2] 中国石油化工总公司.GB/T265-88,石油产品运动粘度测定和动力粘度计算法[S].1989,4.

[3] 陆婉珍,袁洪福,褚小立.近红外光谱仪器[M].北京:化学工业出版社,2010:21-22,27-61.

[4] 严衍禄,赵龙莲,韩东海,等.近红外光谱分析基础与应用[M].北京:中国轻工业出版社,2005:1-3,172-174.

[5] 尼珍,胡昌勤,冯芳.近红外光谱分析中光谱预处理的作用及其发展[J].药物分析杂志,2008,28(5):824-829.

[6] 褚小立,许育鹏,陆婉珍.用于近红外光谱分析的化学计量学方法研究与应用进展[J].分析化学,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] 陈刚,王远辉,黎庆涛,等.人工神经网络-近红外光谱法在线测定白砂糖粒度[J].食品科技,2011,36(5):268-271.

[9] 黎小辉,朱建华,武本成,等.基于BP神经网络的液化石油气芳构化反应体系的预测模型[J].化学工业与工程,2012,29(1):39-42,72.

[10] 李智,王圣毫,郑维平,等.基于傅立叶变换的人工神经网络近红外光谱定量分析法[J].分析测试学报,2012,31(3):343-346.

[11] 陆婉珍.现代近红外光谱分析技术[M].北京:中国石化出版社,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

杜传斌,男,硕士,助理工程师,研究方向:油液监控方向。

O657.33

10.3969/j.issn.1672-9730.2015.10.036