作者：周子立 张怡芳 何勇 吴迪

　　摘要:利用光谱仪测得三种品牌共150个机油样本的光谱数据,再借助数据处理软件对原始光谱数据进行处理,处理后的数据先采用主成分分析法对机油品种进行定性分类,然后利用小波变换技术提取光谱特征信息,把光谱特征信息作为人工神经网络的输入建立机油品种识别模型,对机油品种进行定量鉴别。从每种机油50个样本共计150个样本中随机抽取120个样本(每种40个样本)用来建立神经网络模型,剩下的30个机油样本用于预测。品种识别准确率达到100%。说明本文提出的方法具有很好的分类和鉴别作用,为机油的品种鉴别提供了一种新方法。
　　关键词:可见-近红外光谱;信息处理;机油;主成分分析;小波变换;人工神经网络
　　
　　机油是保证发动机正常运转,减少机件间摩擦的必需润滑剂,其内在品质的检测及品种鉴别一直是机油生产研究的重要课题。国内外学者已在机油品质对减少机械磨损方面做过大量研究[1],也有学者在机油添加剂技术及测量机油粘度方面进行了研究[2],但对机油的品种鉴别方面研究还很少。研究一种简单、快速的机油品种鉴别方法,在目前机油种类繁多,良莠不齐的市场中防止假冒产品,避免劣质机油进入市场是很有必要的。本文以可见-近红外光谱技术为基础研究了机油的品种鉴别,相对用红外光谱技术研究具有容易实现、快速、高效、低成本的特点,便于此项鉴别技术的普及与推广。Www.11665.Com
　　
　　1 材料与方法
　　1.1 仪器设备
　　实验使用美国asd(analytical spectral device)公司的handheld fieldspec光谱仪,其光谱采样间隔(波段宽)1.5nm,测定范围325~1075nm,扫描次数30次,分辨率3.5nm。光源是与光谱仪配套的14.5v卤素灯。光谱数据以ascll码形式导出进行处理,分析软件为asd(view spec pro, unscramble)和dps(data procession system for practical statistics)。
　　1.2 样本来源及光谱的获取
　　从市场买来三种机油,浙江壳牌化工石油有限公司生产的壳牌白喜力(shell oil),中国石化公司润滑油分公司生产的长城福星(great wall oil),广西玉柴高级润滑油有限责任公司生产的玉柴牌机油(yuchai oil)。为保证实验样本的均匀性,每种机油选用了10个不同的生产批次和日期。机油用直径65mm高度14mm的透明器皿盛装。装满1个器皿作为一个实验样本。三种机油按不同生产批次和日期各取50个样本,共150个样本。全部样本随机分成建模集和预测集,建模集有120个样本(每个品种40个样本),预测集有30个样本(每个品种10个样本)。光谱仪预热20分钟经白板校准后进行测试。光谱仪置于机油样本的下方,探头距离样本底部10mm,探头视场角为90度,光线自上而下经过机油样本垂直透射在光谱仪探头上,光谱仪对每一个样本扫描30次,取其采样透射光谱平均值,并分别保存。
　　1.3 计算机信息处理
　　信息处理是可以使用计算机领域的总称[3],包括数据处理、数据通信、过程控制、模式识别等。信息处理的任务是通过对表示信息的数据进行解释加工,确定数据的含义和形式,从中得到有用信息。信息处理的主要功能是对各应用领域的各种数据进行采集、存储、加工、传输等操作。计算机处理数据时先是把数据变换成计算机内部熟悉的二进制代码,当数据处理后输出时,计算机自动将其转换成人们熟悉的形式。
　　
　　2 实验结果与讨论
　　2.1 样本的近红外反射光谱
　　三种机油典型可见-近红外反射光谱曲线如图1所示。从图中可以看出,三种机油在600nm~700nm光谱范围内有很大的差异,在700nm~1075nm范围光谱曲线具有相同的趋势,但是存在较大的基线漂移,运用二阶求导消除基线漂移,使不同品种的谱线差异更明显。所以,不同品种机油的光谱图有明显区别,并具有一定的特征性,这一差异为机油的不同品种鉴别奠定了数学基础[4]。
　　
　　2.2 主成分分析对不同品种机油进行聚类
　　主成分分析不仅能够对降低数据维数[5],将多波长下的光谱数据压缩到有限的几个因子空间内,使数目较少的新变量能最大限度的表征原变量的数据结构特征,并不丢失信息。而且能够通过样本在各因子空间的得分确定所属的类别,所以新变量能够更加形象的表征原样本的品质差异,品种区别等。光谱数据经预处理并选择光谱范围后,对其做主成分分析。以样本在第一主成分和第二主成分上的得分作图,结果见图2。
　　
　　图2为主成分1、2所作的二维散点得分图,图中横坐标表示每个样本的第一主成分得分值,纵坐标表示每个样本的第二主成分得分值。图2中三种机油明显分成三类,说明主成分1、2对三种机油有较好的聚类作用。从图2中可以看出,长城机油50个样本聚合度很好,紧密地分布在图2中坐标系的第二象限附近;壳牌机油50个样本与其他两个品种的样本分界很清楚,它们都位于图2中坐标系的第一象限附近即坐标系中纵坐标的右边,而其他两个品种的样本大都位于坐标系中纵坐标的左边。玉柴机油的50个样本的聚合度没有前两个品种好,它们分布在图2坐标系中的第三﹑四象限,但是没有跟另两个品种混合起来,它们之间的分界线清楚。分析表明主成分分析对三种机油有一定的聚类作用,能定性区分不同品种的机油。

　　2.3 基于小波分析提取特征信息建立bp品种预测模型
　　小波变换是上个世纪末应用数学界最杰出的成果之一,其本质是信号的时间-尺度分析方法,具有多分辨率分析的特点,而且在时频两域都具有表征信号局部特征的能力。图像经过小波变换,其低频部分保留了绝大部分信息和能量。同时,在图像的敏感位置(如轮廓线,突出点等),小波换变换后生成的特征矢量的模会相对较大。本文选用的小波为daubechies(db2)正交小波基函数。原始光谱数据经二级db2小波变换后,得到图3所示的图,变换后的低频信号,大约是原始数据三十二分之一,包含了原始光谱几乎全部重要的信息。其他的高频信号包含了大量冗余和杂质,在品种识别中,起到的作用非常的微弱。图3直观地表明,当用小波分析提取的数据[6]作为机油品种识别的特征矢量时,送入神经网络时训练和识别时的好处:有用信息的相对集中、无用信息的剔除和数据量的明显下降。
　　
　　用小波变换对150个样本,每个样本601个光谱数据进行压缩得到新的变量,新的变量空间从601维下降到21维,数据维数大大降低。将样本随机分为建模集和预测集,建模集包含120个样本,预测包含30个样本。把新变量作为神经网络的输入[7],品种参数(1,2,3)作为神经网络的输出分别代表不同的机油品种,建立品种鉴别模型。各层传递函数都用s型(sigmoid)函数,网络输入层节点数为21,目标误差为0.00001,网络指定参数中最小学习速率为0.1,设定最大迭代次数为1000次。通过调整隐含层的节点数来优化网络结构[8],经过反复试验得到最佳网络结构为21(输入)-12(隐含)-1(输出)3层bp神经网络模型,对120个建模样本的拟合残差为9.863 10-6,对未知的30个样本进行预测,预测准确率为100%(见表1)。
　　
　　
　　3 结论
　　本文提出的组合主成分分析,小波变换和bp神经网络的模式识别方法对光谱数据进行了分析和建模,建立的机油品种判别模型能有效地从大量光谱信息中提取有用信息,降低数据维数,简化运算,能较好并快速地判别机油的品种。模型不仅能对不同品种机油进行定性聚类分析,而且还能够定量的预测出未知样本的品种,预测未知样本的机油品种识别率达100%。说明运用可见-近红外光谱技术可以快速、准确的对机油品种进行鉴别,具有很强的实用性,为其他产品的品种识鉴别分析提供了一种新的方法。
　　
　　参考文献
　　[1]孙霞,陈波水,谢学兵,等.n-油酰基丙氨酸润滑添加剂的性能研究[j].石油学报(石油加工),2008,24(1).
　　[2]管亮,冯新泸,熊刚,等.介电谱技术快速测定车用润滑油粘度[j].石油炼制与化工,2008,39(2).
　　[3]陈青果,刘超颖,韦玉堂,等.基于mdt的快速成形技术计算机信息处理[j].机械设计与制造,2008(11).
　　[4]傅霞萍,应义斌,刘燕德.近红外光谱技术在水果内部品质无损检测中的应用[j].农机化研究,2004(2).
　　[5]徐来,吕效平,韩萍芳.主成分分析法在超声波乳化柴油制备中的应用[j].石油学报(石油加工),2008,24(2).
　　[6]管亮,冯新泸,熊刚,等.介电谱技术评价柴油的润滑性能[j].石油学报(石油加工),2008,24(4).
　　[7]王洪波,武妍.基于小波变换和bp神经网络的人脸识别方法[j].计算机工程与应用,2004(24).
　　[8]赵琛,瞿海斌,程翼宇.虫草氨基酸的人工神经网络-近红外光谱快速测定方法[j].光谱学与光谱分析,2004,24(1).