基于偏最小二乘-支持向量機(jī)的潤(rùn)滑油動(dòng)力粘結(jié)值預(yù)測(cè)模型

基于偏最小二乘-支持向量機(jī)的潤(rùn)滑油動(dòng)力粘結(jié)值預(yù)測(cè)模型

發(fā)動(dòng)機(jī)潤(rùn)滑檢測(cè)發(fā)動(dòng)機(jī)磨損是保證車輛正常運(yùn)行所必需的。發(fā)動(dòng)機(jī)磨損的動(dòng)態(tài)粘度反映了對(duì)發(fā)動(dòng)機(jī)摩擦的阻力的抵抗力。潤(rùn)滑油不僅要承擔(dān)抗磨損的功能,還承擔(dān)散熱、清潔發(fā)動(dòng)機(jī)和分散雜質(zhì)的作用。如果潤(rùn)滑油粘度過(guò)大,會(huì)導(dǎo)致發(fā)動(dòng)機(jī)低溫啟動(dòng)困難、功率損失大、冷卻和清洗作用差;相反,如果粘度過(guò)低,又有可能使?jié)櫥蛪毫^(guò)低,潤(rùn)滑油膜強(qiáng)度不夠,密封不嚴(yán)。潤(rùn)滑油粘度的選用還與發(fā)動(dòng)機(jī)的負(fù)荷、轉(zhuǎn)速和磨損等情況有關(guān)。另外,還應(yīng)根據(jù)環(huán)境溫度的變化選擇不同粘度的潤(rùn)滑油。因此發(fā)動(dòng)機(jī)潤(rùn)滑油的粘度是合理選擇潤(rùn)滑油的關(guān)鍵因素。同時(shí),隨著發(fā)動(dòng)機(jī)使用工況和狀態(tài)的變化,以及各種零部件的磨損,潤(rùn)滑油的粘度也會(huì)發(fā)生較大的變化,因此潤(rùn)滑油的粘度也是發(fā)動(dòng)機(jī)狀態(tài)的一個(gè)綜合指標(biāo),快速檢測(cè)潤(rùn)滑油粘度有利于快速診斷發(fā)動(dòng)機(jī)的工況和故障。而目前發(fā)動(dòng)機(jī)潤(rùn)滑油的檢測(cè)需要采用昂貴的儀器進(jìn)行動(dòng)力粘度檢測(cè),存在檢測(cè)時(shí)間長(zhǎng)、損耗潤(rùn)滑油和費(fèi)用高等問(wèn)題,難以在汽車維修等部門大量推廣應(yīng)用。因此,急需研究一種快速無(wú)損的檢測(cè)方法。可見(jiàn)-近紅外光譜分析技術(shù)能夠充分利用全譜段或多波長(zhǎng)的光譜數(shù)據(jù),對(duì)被測(cè)物體進(jìn)行定性或定量分析,它已被廣泛應(yīng)用于農(nóng)業(yè)、食品、化工、醫(yī)藥等行業(yè)[1,2,3,4,5,6,7,8,9,10]。雷猛將近紅外光譜技術(shù)用于成品潤(rùn)滑油的種類鑒別。朱煥勤研究了發(fā)動(dòng)機(jī)潤(rùn)滑油光譜分析界限值的制定方法和存在的模糊性?；瘞r利用傅里葉變換紅外光譜快速測(cè)定潤(rùn)滑油堿值,具有速度快、環(huán)保、化學(xué)試劑用量小、精密度高且操作方便等特點(diǎn)。王志芳提出一種基于近紅外光譜分析技術(shù)的基團(tuán)建模法,用于柴油密度值的軟測(cè)量。方利民應(yīng)用獨(dú)立分量分析(ICA)方法分析柴油的十六烷值和密度、組分中芳烴含量與其近紅外光譜之間的關(guān)系,證明該方法對(duì)化工行業(yè)油品的組分及物理特性分析具有良好的可行性。本文通過(guò)對(duì)發(fā)動(dòng)機(jī)潤(rùn)滑油可見(jiàn)/近紅外漫反射光譜數(shù)據(jù)的分析,結(jié)合偏最小二乘(PLS)和最小二乘-支持向量機(jī)(LS-SVM)建模,得到一種快速檢測(cè)潤(rùn)滑油動(dòng)力粘度值的方法。1實(shí)驗(yàn)設(shè)備和方法1.1光譜數(shù)據(jù)采集實(shí)驗(yàn)所用光譜儀為美國(guó)ASD(analyticalspectraldevice)公司生產(chǎn)的HandheldFieldSpec,每隔1nm采集一個(gè)光譜數(shù)據(jù)樣本,測(cè)定范圍為325～1075nm,探頭視場(chǎng)角為20°。光源采用14.5V鹵素?zé)?。?shí)驗(yàn)采用漫反射方式。軟件分別為ASDViewSpecProV2.14,Unscrambler和Matlab。1.2動(dòng)力粘度測(cè)試在市場(chǎng)上獲取了常用的5種具有不同粘度值的汽車發(fā)動(dòng)機(jī)潤(rùn)滑油,分別是加德士、美孚、殼牌喜力、長(zhǎng)城和廣本專用潤(rùn)滑油。先用AntonPaarC-LTD80/QC粘度儀測(cè)量每種潤(rùn)滑油的動(dòng)力粘度,在室溫較穩(wěn)定的情況下對(duì)每個(gè)樣本自動(dòng)采集29次,取平均值,5種潤(rùn)滑油的動(dòng)力粘度值如表1所示,測(cè)試儀器具有自動(dòng)溫度校正和補(bǔ)償功能。光譜試驗(yàn)時(shí),將潤(rùn)滑油倒入直徑10cm、深10mm的測(cè)試皿中制成測(cè)試樣本用于采集光譜數(shù)據(jù)。每種潤(rùn)滑油制作30個(gè)樣本,共150個(gè)樣本,采用漫反射模式對(duì)每個(gè)樣本光譜掃描采樣3次,這樣可以減少隨機(jī)誤差。1.3光譜預(yù)處理實(shí)驗(yàn)在原始光譜數(shù)據(jù)采集過(guò)程中常常會(huì)受到高頻隨機(jī)噪音、光散射、樣本不均勻、基線漂移等不良因素的影響,所以需進(jìn)行光譜預(yù)處理。經(jīng)過(guò)多次嘗試、比較和優(yōu)化,實(shí)驗(yàn)采用Savitzky-Golay平滑法,平滑點(diǎn)數(shù)選取為9,并用SNV處理?？紤]到光譜曲線首端與末端噪聲較大,所以截取450～1000nm波段光譜曲線進(jìn)行分析。1.4回歸模型的建立偏最小二乘法是一種新型的多元統(tǒng)計(jì)數(shù)據(jù)分析方法。它是多因變量對(duì)多自變量的回歸建模方法,在解決普通多元回歸無(wú)法解決的問(wèn)題上能達(dá)到良好的效果。偏最小二乘原始預(yù)測(cè)變量線性組合的依據(jù)是得分因子,必須用完全線性無(wú)關(guān)的得分因子建立預(yù)測(cè)模型。當(dāng)有一組含有嚴(yán)重線性相關(guān)成分的響應(yīng)變量Y(矩陣形式)和預(yù)測(cè)變量X(矩陣形式)時(shí),需要從這組數(shù)據(jù)中提取最佳因子用于計(jì)算得分因子矩陣:T=XW,再求合適的權(quán)重矩陣W,并建立線性回歸模型:Y=TQ+E,模型中Q是矩陣T的回歸系數(shù)矩陣,E為誤差矩陣。計(jì)算出Q后,前面的方程就等價(jià)于Y=XB+E,其中B=WQ,它可直接作為預(yù)測(cè)模型。在最簡(jiǎn)單的形式中,只用一個(gè)線性模型就能描述獨(dú)立變量Y與預(yù)測(cè)變量組X之間的關(guān)系,其中b0是截距,bi(i=1,2,…,p)是數(shù)據(jù)點(diǎn)1到p的回歸系數(shù)Y=b0+b1X1+b2X2+?+bpXp(1)Y=b0+b1X1+b2X2+?+bpXp(1)1.5高維空間結(jié)構(gòu)風(fēng)險(xiǎn)最小原則最小二乘-支持向量機(jī)是一種新型的統(tǒng)計(jì)學(xué)習(xí)方法,它以結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則取代傳統(tǒng)機(jī)器學(xué)習(xí)中的經(jīng)驗(yàn)風(fēng)險(xiǎn)最小化原則,從而提高泛化能力。該算法通過(guò)非線性映射函數(shù)建立回歸模型,將輸入向量映射到高維空間,并在此高維空間內(nèi)利用結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則構(gòu)造最優(yōu)決策函數(shù)。用滿足mercer條件的核函數(shù)來(lái)代替高維空間中的點(diǎn)積運(yùn)算。常用的核函數(shù)有線性核函數(shù)、多項(xiàng)式核函數(shù)、徑向基函數(shù)(radialbasisfunction,RBF)、多層感知核函數(shù)等。本文采用徑向基函數(shù)(RBF)作為核函數(shù),建立了發(fā)動(dòng)機(jī)潤(rùn)滑油動(dòng)力粘度值預(yù)測(cè)的LS-SVM模型。2結(jié)果2.1橫坐標(biāo)和吸光度發(fā)動(dòng)機(jī)潤(rùn)滑油的可見(jiàn)/近紅外吸收光譜如圖1所示,波長(zhǎng)范圍為450～1000nm,橫坐標(biāo)為波長(zhǎng),縱坐標(biāo)為吸光度。從圖1可以看出不同粘度潤(rùn)滑油樣本的光譜曲線趨勢(shì)基本相同,但在不同的光譜區(qū)間曲線存在著差異,這為潤(rùn)滑油粘度的檢測(cè)提供了依據(jù),但我們難以直觀地從圖上區(qū)別不同的粘度,必須通過(guò)對(duì)光譜曲線的分析和建模來(lái)檢測(cè)潤(rùn)滑油的不同粘度。2.2相關(guān)系數(shù)的預(yù)測(cè)從每種潤(rùn)滑油的30個(gè)樣本中隨機(jī)抽取25個(gè)樣本,共125個(gè)樣本作為建模集,其余每種5個(gè),共25個(gè)樣本作為預(yù)測(cè)集。使預(yù)處理后的光譜數(shù)據(jù)為輸入變量,發(fā)動(dòng)機(jī)潤(rùn)滑油的動(dòng)力粘度值作為預(yù)測(cè)值,建立PLS模型。采用交互驗(yàn)證法(crossvalidation)判斷得最佳主成分?jǐn)?shù)為6。預(yù)測(cè)模型的主要參數(shù)如表2所示。從表2可見(jiàn),預(yù)測(cè)集的決定系數(shù)(R2)為0.8776、預(yù)測(cè)標(biāo)準(zhǔn)誤差(RMSEC)為0.0187,取得了較好的效果。利用PLS模型對(duì)25個(gè)預(yù)測(cè)集樣本預(yù)測(cè)的粘度值潤(rùn)滑油散點(diǎn)分布圖如圖2所示,橫坐標(biāo)為用AntonPaarC-LTD80/QC粘度儀測(cè)量值,縱坐標(biāo)為預(yù)測(cè)值,預(yù)測(cè)樣本均分布在回歸線周圍。對(duì)樣本進(jìn)行預(yù)測(cè)的各個(gè)參數(shù)均顯示應(yīng)用可見(jiàn)/近紅外光譜技術(shù)結(jié)合PLS方法對(duì)發(fā)動(dòng)機(jī)潤(rùn)滑油動(dòng)力粘度值的預(yù)測(cè)是可行的。為了進(jìn)一步提高模型的預(yù)測(cè)精度,探討了采用LS-SVM方法進(jìn)行建模。2.3ls-svm模型本文中光譜波段選取了450～1000nm,如果將其全部作為L(zhǎng)S-SVM模型的輸入會(huì)大大增加模型的計(jì)算量,而且某些區(qū)域光譜信息很弱。而用PLS分析計(jì)算所有150個(gè)樣本的主成分,各主成分的累計(jì)貢獻(xiàn)率如表3所示,前6個(gè)主成分的累計(jì)貢獻(xiàn)率已達(dá)到99.416%,可以有效描述光譜數(shù)據(jù)的主要信息,又能精簡(jiǎn)計(jì)算量,所以取前6個(gè)主成分得分值作為L(zhǎng)S-SVM模型的輸入變量。采用徑向基函數(shù)(RBF)作為核函數(shù)。超參數(shù)γ和RBF核函數(shù)參數(shù)σ2是決定模型的學(xué)習(xí)泛化能力和預(yù)測(cè)能力的兩個(gè)主要參數(shù)。本文采用交互驗(yàn)證的網(wǎng)格搜索法(grid-search)得到這兩個(gè)參數(shù)的最優(yōu)組合。該方法的核心原理是先用網(wǎng)格算法在全局范圍內(nèi)進(jìn)行快速搜索,找到最優(yōu)解的最小區(qū)間,再在這個(gè)最小區(qū)間內(nèi)用模式搜索算法找到最優(yōu)解,具有學(xué)習(xí)精度高和速度快的優(yōu)點(diǎn)。根據(jù)經(jīng)驗(yàn)設(shè)定γ和σ2的取值范圍為1～106。網(wǎng)格搜索法是一個(gè)遍歷搜索過(guò)程,初始值的選取對(duì)結(jié)果沒(méi)有影響,因此這兩個(gè)參數(shù)的初始值均取最小值1。通過(guò)計(jì)算得到參數(shù)最優(yōu)組合為:γ=27.3212和σ2=3.2295。該模型對(duì)25個(gè)預(yù)測(cè)集樣本的散點(diǎn)分布圖如圖3所示,橫坐標(biāo)為用AntonPaarC-LTD80/QC粘度儀測(cè)量值,縱坐標(biāo)為預(yù)測(cè)值。預(yù)測(cè)模型的主要參數(shù)如表2所示,得到預(yù)測(cè)集的決定系數(shù)(R2)為0.9881、預(yù)測(cè)標(biāo)準(zhǔn)誤差(RMSEC)為0.0066,與PLS模型相比,預(yù)測(cè)精度又有了較大的提高。2.4ls-svm方法比較2種建模方法的預(yù)測(cè)參數(shù)可以發(fā)現(xiàn),LS-SVM模型的預(yù)測(cè)結(jié)果明顯優(yōu)于PLS模型,這主要是因?yàn)镻LS方法只能處理光譜數(shù)據(jù)中的線性相關(guān)關(guān)系,而LS-SVM方法除了能利用光譜數(shù)據(jù)中的線性信息,還可以利