基于偏最小二乘-支持向量机的润滑油动力粘结值预测模型

基于偏最小二乘-支持向量机的润滑油动力粘结值预测模型

发动机润滑检测发动机磨损是保证车辆正常运行所必需的。发动机磨损的动态粘度反映了对发动机摩擦的阻力的抵抗力。润滑油不仅要承担抗磨损的功能,还承担散热、清洁发动机和分散杂质的作用。如果润滑油粘度过大,会导致发动机低温启动困难、功率损失大、冷却和清洗作用差;相反,如果粘度过低,又有可能使润滑油压力过低,润滑油膜强度不够,密封不严。润滑油粘度的选用还与发动机的负荷、转速和磨损等情况有关。另外,还应根据环境温度的变化选择不同粘度的润滑油。因此发动机润滑油的粘度是合理选择润滑油的关键因素。同时,随着发动机使用工况和状态的变化,以及各种零部件的磨损,润滑油的粘度也会发生较大的变化,因此润滑油的粘度也是发动机状态的一个综合指标,快速检测润滑油粘度有利于快速诊断发动机的工况和故障。而目前发动机润滑油的检测需要采用昂贵的仪器进行动力粘度检测,存在检测时间长、损耗润滑油和费用高等问题,难以在汽车维修等部门大量推广应用。因此,急需研究一种快速无损的检测方法。可见-近红外光谱分析技术能够充分利用全谱段或多波长的光谱数据,对被测物体进行定性或定量分析,它已被广泛应用于农业、食品、化工、医药等行业[1,2,3,4,5,6,7,8,9,10]。雷猛将近红外光谱技术用于成品润滑油的种类鉴别。朱焕勤研究了发动机润滑油光谱分析界限值的制定方法和存在的模糊性。化岩利用傅里叶变换红外光谱快速测定润滑油碱值,具有速度快、环保、化学试剂用量小、精密度高且操作方便等特点。王志芳提出一种基于近红外光谱分析技术的基团建模法,用于柴油密度值的软测量。方利民应用独立分量分析(ICA)方法分析柴油的十六烷值和密度、组分中芳烃含量与其近红外光谱之间的关系,证明该方法对化工行业油品的组分及物理特性分析具有良好的可行性。本文通过对发动机润滑油可见/近红外漫反射光谱数据的分析,结合偏最小二乘(PLS)和最小二乘-支持向量机(LS-SVM)建模,得到一种快速检测润滑油动力粘度值的方法。1实验设备和方法1.1光谱数据采集实验所用光谱仪为美国ASD(analyticalspectraldevice)公司生产的HandheldFieldSpec,每隔1nm采集一个光谱数据样本,测定范围为325～1075nm,探头视场角为20°。光源采用14.5V卤素灯。实验采用漫反射方式。软件分别为ASDViewSpecProV2.14,Unscrambler和Matlab。1.2动力粘度测试在市场上获取了常用的5种具有不同粘度值的汽车发动机润滑油,分别是加德士、美孚、壳牌喜力、长城和广本专用润滑油。先用AntonPaarC-LTD80/QC粘度仪测量每种润滑油的动力粘度,在室温较稳定的情况下对每个样本自动采集29次,取平均值,5种润滑油的动力粘度值如表1所示,测试仪器具有自动温度校正和补偿功能。光谱试验时,将润滑油倒入直径10cm、深10mm的测试皿中制成测试样本用于采集光谱数据。每种润滑油制作30个样本,共150个样本,采用漫反射模式对每个样本光谱扫描采样3次,这样可以减少随机误差。1.3光谱预处理实验在原始光谱数据采集过程中常常会受到高频随机噪音、光散射、样本不均匀、基线漂移等不良因素的影响,所以需进行光谱预处理。经过多次尝试、比较和优化,实验采用Savitzky-Golay平滑法,平滑点数选取为9,并用SNV处理。考虑到光谱曲线首端与末端噪声较大,所以截取450～1000nm波段光谱曲线进行分析。1.4回归模型的建立偏最小二乘法是一种新型的多元统计数据分析方法。它是多因变量对多自变量的回归建模方法,在解决普通多元回归无法解决的问题上能达到良好的效果。偏最小二乘原始预测变量线性组合的依据是得分因子,必须用完全线性无关的得分因子建立预测模型。当有一组含有严重线性相关成分的响应变量Y(矩阵形式)和预测变量X(矩阵形式)时,需要从这组数据中提取最佳因子用于计算得分因子矩阵:T=XW,再求合适的权重矩阵W,并建立线性回归模型:Y=TQ+E,模型中Q是矩阵T的回归系数矩阵,E为误差矩阵。计算出Q后,前面的方程就等价于Y=XB+E,其中B=WQ,它可直接作为预测模型。在最简单的形式中,只用一个线性模型就能描述独立变量Y与预测变量组X之间的关系,其中b0是截距,bi(i=1,2,…,p)是数据点1到p的回归系数Y=b0+b1X1+b2X2+⋯+bpXp(1)Y=b0+b1X1+b2X2+⋯+bpXp(1)1.5高维空间结构风险最小原则最小二乘-支持向量机是一种新型的统计学习方法,它以结构风险最小化原则取代传统机器学习中的经验风险最小化原则,从而提高泛化能力。该算法通过非线性映射函数建立回归模型,将输入向量映射到高维空间,并在此高维空间内利用结构风险最小化原则构造最优决策函数。用满足mercer条件的核函数来代替高维空间中的点积运算。常用的核函数有线性核函数、多项式核函数、径向基函数(radialbasisfunction,RBF)、多层感知核函数等。本文采用径向基函数(RBF)作为核函数,建立了发动机润滑油动力粘度值预测的LS-SVM模型。2结果2.1横坐标和吸光度发动机润滑油的可见/近红外吸收光谱如图1所示,波长范围为450～1000nm,横坐标为波长,纵坐标为吸光度。从图1可以看出不同粘度润滑油样本的光谱曲线趋势基本相同,但在不同的光谱区间曲线存在着差异,这为润滑油粘度的检测提供了依据,但我们难以直观地从图上区别不同的粘度,必须通过对光谱曲线的分析和建模来检测润滑油的不同粘度。2.2相关系数的预测从每种润滑油的30个样本中随机抽取25个样本,共125个样本作为建模集,其余每种5个,共25个样本作为预测集。使预处理后的光谱数据为输入变量,发动机润滑油的动力粘度值作为预测值,建立PLS模型。采用交互验证法(crossvalidation)判断得最佳主成分数为6。预测模型的主要参数如表2所示。从表2可见,预测集的决定系数(R2)为0.8776、预测标准误差(RMSEC)为0.0187,取得了较好的效果。利用PLS模型对25个预测集样本预测的粘度值润滑油散点分布图如图2所示,横坐标为用AntonPaarC-LTD80/QC粘度仪测量值,纵坐标为预测值,预测样本均分布在回归线周围。对样本进行预测的各个参数均显示应用可见/近红外光谱技术结合PLS方法对发动机润滑油动力粘度值的预测是可行的。为了进一步提高模型的预测精度,探讨了采用LS-SVM方法进行建模。2.3ls-svm模型本文中光谱波段选取了450～1000nm,如果将其全部作为LS-SVM模型的输入会大大增加模型的计算量,而且某些区域光谱信息很弱。而用PLS分析计算所有150个样本的主成分,各主成分的累计贡献率如表3所示,前6个主成分的累计贡献率已达到99.416%,可以有效描述光谱数据的主要信息,又能精简计算量,所以取前6个主成分得分值作为LS-SVM模型的输入变量。采用径向基函数(RBF)作为核函数。超参数γ和RBF核函数参数σ2是决定模型的学习泛化能力和预测能力的两个主要参数。本文采用交互验证的网格搜索法(grid-search)得到这两个参数的最优组合。该方法的核心原理是先用网格算法在全局范围内进行快速搜索,找到最优解的最小区间,再在这个最小区间内用模式搜索算法找到最优解,具有学习精度高和速度快的优点。根据经验设定γ和σ2的取值范围为1～106。网格搜索法是一个遍历搜索过程,初始值的选取对结果没有影响,因此这两个参数的初始值均取最小值1。通过计算得到参数最优组合为:γ=27.3212和σ2=3.2295。该模型对25个预测集样本的散点分布图如图3所示,横坐标为用AntonPaarC-LTD80/QC粘度仪测量值,纵坐标为预测值。预测模型的主要参数如表2所示,得到预测集的决定系数(R2)为0.9881、预测标准误差(RMSEC)为0.0066,与PLS模型相比,预测精度又有了较大的提高。2.4ls-svm方法比较2种建模方法的预测参数可以发现,LS-SVM模型的预测结果明显优于PLS模型,这主要是因为PLS方法只能处理光谱数据中的线性相关关系,而LS-SVM方法除了能利用光谱数据中的线性信息,还可以利