基于小波变换和ＢＰ神经网络的润滑油水分测量研究|润滑油水分含量标准

　　摘要：基于小波变换和BP神经网络理论，构造了一个应用于润滑油水分含量判断的BP神经网络分类器。通过PULSE系统对7种不同浓度润滑油加热后发生微爆效应时产生的声信号进行采集，并进行小波变换，提取能量分布特征信号，最后根据BP神经网络分类器对声信号进行分类并半定量判断润滑油中的水分含量。实验结果表明，该方法能有效地判断润滑油中水分含量是否合格，为研究润滑油水分含量的现场测量提供了新的思路和方法。
　　关键词：润滑油；水分；爆裂法；小波变换；神经网络
　　中图分类号：TE622.1 文献标识码：A
　　
　　0 前言
　　
　　在机械设备的润滑油管理中，水分含量是一个非常重要的指标，且机械设备在运行时，由于水封的失效或损坏,热交换器的腐蚀或损坏,潮湿空气的原因，水侵入润滑油系统是不可避免的［1］。润滑油含水超标将会导致油膜失效、润滑油系统部件的腐蚀和锈蚀、润滑油乳化、添加剂失效等严重后果［2］。目前，常见的润滑油水分测量方法有卡尔―费休法、蒸馏法、重量法、介电常数法、微波衰减法、华特斯摩试纸法和爆裂法等，其中卡尔―费休法、蒸馏法和重量法属于实验室分析方法，介电常数法和微波衰减法可用于现场测量，但影响因素较多，不能有效地进行润滑油水分含量的判断，而华特斯摩试纸法和爆裂法属于定性的判断方法。本文以爆裂法为基础，对其进行半定量研究，着重研究了如何判断润滑油中的水分含量是否超标的方法。
　　BP神经网络是自20世纪80年代发展起来的一种新的模式识别方法，它以其良好的非线性映射特性和自适应、自学习能力在模式识别、函数逼近和分类、数据压缩等领域得以应用，并取得了一定的研究成果。文中基于润滑油水分定性实验的爆裂声信号，构造了相应的BP网络目标识别模型，仿真实验结果表明，该方法对于半定量的确定润滑油中水分含量是可行的，为现场测量润滑油中水分含量提供了新的思路和方法，具有一定的理论价值和实际意义。
　　
　　1 基本原理
　　
　　1.1 润滑油水分定性实验法
　　将盛有试样的试管垂直地插入热油浴中，仔细观察试管及试样若干分钟，直至试样温度达到150 ℃为止。如试样中有水分时，即发生泡沫，可以听到噼啪的爆裂响声，甚至试管会发生震动或颤动，高出浴面的油层会变成浑浊［3］。
　　1.2 小波变换及能量分布特征提取
　　若ψ(t)∈L2(R)且满足容许性条件
　　
　　1.3 BP神经网络模型及算法
　　BP神经网络(Back propagation Neural Network，简称BP网络)也称误差反向传播神经网络，它是由[HJ]非线性变换单元组成的前馈网络。BP神经网络是人工神经网络中应用最广的一种神经网络。BP神经网络的拓扑结构如图1所示。这种网络的特点是：①一般由输入层、输出层和隐层3部分组成，隐层可以为一层或多层。根据Kolmogorov定理，1个3层的BP网络足以完成任意的n维到m维的映射，即一般只需1个隐层就够了；②输入信号从输入层节点，依次传过各隐层节点，最后传到输出层节点，每一层节点的输出仅影响下一层节点的输出。在确定了BP网络的结构后，利用输入输出样本集对其进行训练，也即对网络的权值和偏差进行学习和调整，以使网络实现对给定输入输出关系的映射，并使其具有泛化（Generalization )功能。对于样本集合:输入xi(Rm)和输出yi(Rn)，可以认为存在某一映射g，使g(xi)=yi,i=1, 2,…，P。现要求出一映射f,使得在某种意义下(通常是最小二乘意义下)，f是g的最佳逼近［5］。
　　
　　BP算法包括信息的正向传播和误差的反向传播，不断修正权值和误差，使网络输出层实际输出与期望输出的误差平方和达到最小。由于这种算法采用非线性规划中的最速下降法，按误差函数的负梯度方向修改权系数，因此存在学习效率低，收敛速度慢；易陷于局部极小状态；网络的泛化及适应能力较差等缺点。为了解决这些问题，出现了很多BP改进算法，文中采用附加动量项的方法。
　　
　　2 润滑油水分测量研究
　　
　　2.1 爆裂实验
　　2.1.1 仪器和材料
　　仪器：声传感器，PULSE系统，PC机，电炉和50 mL烧杯。
　　材料：CD 40润滑油。
　　2.1.2 实验内容
　　该实验采用丹麦PULSE系统和Microphone 4189A21型传感器采集含水润滑油爆裂实验中的声信号。在实验过程中，每次取5 mL试样置于烧杯中，用电炉加热。PULSE系统分析带宽设为0～25.6 kHz，频谱线数设为1600。根据GB/T 7607-1995柴油机油换油指标，当润滑油中水分含量大于0.2%时需要对润滑油进行更换。因此，在实验中，分别选取4组浓度小于0.2%的含水润滑油（浓度分别为0.068%、0.093%、0.13%和0.17%）和3组浓度大于0.2%的含水润滑油（浓度分别为0.25%、0.30%和0.50%）作为实验对象。
　　2.2 润滑油水分测量研究
　　含微量水分的润滑油是典型的油包水型分子基团,油是连续相,水是分散相，由于油的沸点比水高,受热后水总是先达到沸点而蒸发或沸腾。当油滴中的压力超过油的表面张力及环境压力之和时,水蒸气将冲破油膜的阻力使油滴发生爆炸,发出爆裂声，同时形成更细小的油滴,这就是微爆效应［6］。另外，微爆发生的强弱与油的品种及含水量有关［7］。因此，文中利用二进小波变换来提取尺度空间上的能量分布作为BP神经网络的输入特征向量。基于小波变换和BP神经网络的润滑油水分测量研究过程如图2。
　　
　　2.2.1 能量分布特征提取
　　首先，对每个浓度的试样采集10组数据，共70组数据，选40组作为训练样本，其中浓度0.068%、0.093%、0.13%和0.17%的各5组，浓度0.25%和0.30%的各7组，浓度0.50%的6组，其余30组作为测试样本，其中0.068%、0.093%、0.13%和0.17%的各5组，浓度0.25%和0.30%的各3组，浓度0.50%的4组。对这70组数据进行6层小波分解，采用db4小波，计算各个高频分量的能量，这样每个能量特征向量的维数就是6，总共有40组训练样本和30组测试样本。图3～图5分别为浓度为0.069%的含水润滑油（合格）加热时发生微爆效应所采集到的原始信号以及6层小波分解后得到的近似信号和细节信号。
　　
　　2.2.2 BP神经网络分类器的实现
　　根据Kolmogorov定理，采用一个N×2N+1×M的3层BP网络作为状态分类器。其中，N表示输入特征向量的分量数，M表示输出状态类别总数。由此可得，该BP网络结构为：输入层有6个神经元，中间层有13个神经元，输出层有2个神经元，用（0,0）表示合格，（1,0）表示不合格，中间层神经元的传递函数为S型正切函数，输出层神经元的传递函数为S型对数函数。然后，利用训练样本对该BP神经网络进行训练，经过2432次训练后，网络的均方误差落在所设定的0.00001以内。训练曲线如图6。
　　
　　最后，利用训练好的BP神经网络，把30个测试样本输入到神经网络，根据BP神经网络的实际输出对润滑油含水量是否合格进行判断，结果如表1。
　　观察BP神经网络输出结果可以发现，根据BP神经网络输出结果判断的润滑油含水量与实际结果完全一致，表明该BP神经网络分类器可以准确的判断润滑油中含水量是否合格。
　　
　　3 结论
　　
　　文中基于小波变换和BP神经网络理论，构造了一个BP神经网络分类器，并成功地应用于润滑油中水分含量的判断。实验结果表明：该方法能有效地进行润滑油含水量合格与否的判断，从而为研究润滑油水分含量的测量提供了新的思路和方法。
　　另外，文中在实验时只选取了7种浓度的溶液，且溶液的浓度差别相对较大。因此，溶液的浓度相差较小时是否可以用该方法进行有效的判断以及是否可以对分类结果进行更具体的分类将是下一步研究的重点。
　　
　　参考文献：
　　［1］ 李廷朝，程素萍.润滑油聚结脱水技术［J］.液压与气动，2003（1）：41-42.
　　［2］ 郭洪波,张志强,于达仁，等.透平油微水含量在线检测方法研究综述［J］.汽轮机技术，2001，43（2）：65-67.
　　［3］ SH/T 0257-92 润滑油水分定性实验法［S］.
　　［4］ 郑海波，陈心昭，李志远，等.小波神经网络故障诊断系统的设计与应用［J］.农业机械学报，2002，33（1）：73-76.
　　［5］ 焦李成.神经网络系统理论［M］.西安:西安电子科技大学出版社，1996.
　　［6］ Wang C H,Law C K. Micro-Explosion of Fuel Droplets UnderHigh Pressure［J］. Combust Flame,1985(59)：53-62.
　　［7］ 葛阳，傅维标.乳化油滴微爆规律的研究［J］.工程热物理学报，1998，19（6）：757-761.
本文为全文原貌 未安装PDF浏览器用户请先下载安装 原版全文