潤滑油冷卻液污染的拉曼光譜檢測方法研究

李 婧，明廷鋒*，孫云嶺，田洪祥，盛晨興

1. 海軍工程大學(xué)動力工程學(xué)院，湖北 武漢 430033 2. 武漢理工大學(xué)船舶動力工程技術(shù)交通行業(yè)重點實驗室，湖北 武漢 430063 3. 國家水運安全工程技術(shù)研究中心可靠性工程研究所，湖北 武漢 430063

引 言

船舶柴油機潤滑油易受到冷卻液的污染，從而引起潤滑油老化、變質(zhì)及功能失效[1]。因此，在潤滑油使用過程中，針對潤滑油中冷卻液的污染問題，必須加以監(jiān)測，防止二次故障損失。冷卻液主要包含水、乙二醇及有機羧酸。目前可以用蒸餾法[2]和卡爾菲休滴定法[3]測量水分，間接反映冷卻液的污染。該方法一方面受到水分來源的影響，一般來說，常見的船舶柴油機潤滑油進水來源是冷卻液，也存在進海水或淡水的可能性。另一方面，柴油機工作時，由于潤滑油溫度高，會揮發(fā)掉一部分水分。僅通過測量水分來表征冷卻液的污染是很不全面的。通過利用氣相色譜法[4]測量發(fā)動機機油中的乙二醇。但由于測量時間長，體積大，操作比較復(fù)雜，不適合現(xiàn)場測量使用。傅里葉紅外(FT-IR)光譜法[5]可測量水和乙二醇濃度，但由于冷卻液中含一定量的水，如果測試污染油樣中水的含量過高，會使傅里葉紅外光譜儀中的分束器受潮而損傷。拉曼光譜在測試過程中，具有無需觸及試樣、儀器維護費用低等特點[6]，一條光譜數(shù)據(jù)隱藏了大量可分析的試樣信息，在定量分析和定性分析試樣濃度的領(lǐng)域獲得了廣泛應(yīng)用。

目前，人工神經(jīng)網(wǎng)絡(luò)和偏最小二乘法可以用于拉曼光譜分析[7]。阮華等[8]利用拉曼光譜，結(jié)合支持向量機的方法，建立汽油辛烷值的多元校正模型。徐薈迪等[9]利用馬氏距離判別方法和隨機森林判別的模式識別方法可以對具有相同拉曼峰的不同產(chǎn)地的軟玉進行鑒別。本文使用長短期記憶神經(jīng)網(wǎng)絡(luò)(long short-term memory，LSTM)，分析柴油機冷卻液污染潤滑油的拉曼光譜數(shù)據(jù)，并進行冷卻液污染比例的定量檢測研究。

1 理論部分

LSTM是一種特殊的遞歸神經(jīng)網(wǎng)絡(luò)(recurrent neural network，RNN)，其中一個關(guān)鍵性擴展是使自循環(huán)的權(quán)重視上下文而定，而不是固定的[10]。本文給出一種基于LSTM神經(jīng)網(wǎng)絡(luò)的潤滑油冷卻液污染定量估計方法。算法分為3個部分，數(shù)據(jù)預(yù)處理、神經(jīng)網(wǎng)絡(luò)訓(xùn)練、冷卻液濃度定量估計，如圖1所示。光譜數(shù)據(jù)預(yù)處理包括數(shù)據(jù)采樣、擬合、離散點平均梯度估計； 神經(jīng)網(wǎng)絡(luò)訓(xùn)練，包括模型結(jié)構(gòu)的選定、構(gòu)建訓(xùn)練樣本集、對神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練和測試； 冷卻液污染濃度定量估計包括原始光譜數(shù)據(jù)預(yù)處理及神經(jīng)網(wǎng)絡(luò)估計污染物濃度的檢測。

圖1 整體算法流程圖Fig.1 Overall algorithm flow chart

2 實驗部分

2.1 儀器

實驗使用的拉曼光譜儀，型號為RamTracer，最大功率為330 mW。所檢測的光譜范圍為2 000～250 cm-1。光學(xué)分辨率小于6 cm-1。

2.2 材料

實驗柴油機潤滑油為殼牌喜力HX2，15W-40潤滑油，防凍冷卻液為Prestone 50/50。

2.3 樣本

油樣的配置方案為通過空白油樣，配制混入冷卻液質(zhì)量百分比濃度為2%，1.5%，1%，0.5%和0.25%的油樣，作為A組，編號分別為A1，A2，A3，A4和A5。空白油樣編號為A6。

選擇某型柴油機潤滑油的在用潤滑油，不含冷卻液的油樣，加入已知冷卻液，分別得到含0.2%和0.4%冷卻液污染的在用潤滑油，作為B組，編號分別為B1和B2。

拉曼光譜儀開機預(yù)熱30分鐘以后，進行預(yù)先測試。將功率調(diào)節(jié)器調(diào)到合適位置以確保每次測量時，在功率調(diào)節(jié)器固定不變的情況下能得到有效譜圖。功率調(diào)節(jié)器固定以后，進行A組樣本的拉曼光譜測試，每組油樣測得拉曼光譜數(shù)據(jù)50個，6組共300個數(shù)據(jù)。數(shù)據(jù)范圍為300～2 000 cm-1的拉曼光譜圖疊加如圖2所示。從拉曼光譜圖中難以看出冷卻液污染濃度與圖形之間的關(guān)系，因此必須建立污染度濃度與圖形之間的定量分析方法。

圖2 300個樣本的拉曼光譜數(shù)據(jù)Fig.2 Raman spectral data of 300 samples

3 結(jié)果與討論

3.1 光譜數(shù)據(jù)預(yù)處理

以污染物為乙二醇作為研究對象，選取300～2 000 cm-1的數(shù)據(jù)作為原始的數(shù)據(jù)，數(shù)據(jù)預(yù)處理算法流程:

(1) 在波段中進行數(shù)據(jù)采樣，采樣間隔為1個波數(shù)單位，每組數(shù)據(jù)采樣得到n1個采樣點Wori,i=[woi,1,woi,2, …,woi,n1];

(2) 對wori,i進行三次插值擬合，并對擬合后的曲線進行采樣，采樣間隔為0.1,每組數(shù)據(jù)采樣得到n2個采樣點Wcub,i=[wci,1,wci,2,…,wci,n2]；

(3) 求取各組數(shù)據(jù)wori,i中原始采樣點處的平均梯度Gradi=[gi,1,gi,2, …,gi,n3]，每組數(shù)據(jù)得到n3個平均梯度點，各點平均梯度計算公式為

(1)

3.2 神經(jīng)網(wǎng)絡(luò)模型選定、訓(xùn)練、測試

選取拉曼光譜中300～2 000 cm-1段作為原始數(shù)據(jù)，數(shù)據(jù)采樣間隔為1,進行數(shù)據(jù)預(yù)處理后的梯度數(shù)據(jù)維度與原始數(shù)據(jù)一致。數(shù)據(jù)集樣本歸一化處理后，見表1所示。

表1 數(shù)據(jù)集樣本Table 1 Sample distribution of the dataset

共設(shè)計了4種神經(jīng)網(wǎng)絡(luò)模型用于污染物濃度的估計，如圖3所示。

圖3(a)中模型為6層全連接層結(jié)構(gòu)，該結(jié)構(gòu)用FCs(fully connected layers)表示。圖3(b)中模型在圖3(a)中模型的基礎(chǔ)上增加單層結(jié)構(gòu)的LSTM層，該結(jié)構(gòu)用LSTM-FCs-1表示。圖3(c)中模型含有兩個分支，LSTM分支和全連接分支構(gòu)成分支結(jié)構(gòu)。該結(jié)構(gòu)用LSTM-FCs-2表示。圖3(d)中模型在兩個分支結(jié)構(gòu)中的末端分別增加1個全連接層。該結(jié)構(gòu)用LSTM-FCs-3表示。

圖3 神經(jīng)網(wǎng)絡(luò)模型圖Fig.3 Neural network model diagram

從數(shù)據(jù)集中每個類別抽取其中80%的數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)訓(xùn)練集中樣本，剩余20%作為測試集樣本。在模型的訓(xùn)練過程中，選用L1損失函數(shù); 訓(xùn)練策略選用隨機梯度下降法，batchsize取值為8，學(xué)習(xí)率更新策略選用step，初始學(xué)習(xí)率選擇為0.01,學(xué)習(xí)率更新間隔為每10次完全迭代，學(xué)習(xí)率衰減比例為0.1。

3.3 冷卻液污染定量估計

四個模型在數(shù)據(jù)集上最終測試結(jié)果對比見表2，前兩項平均誤差指標(biāo)分別為標(biāo)簽值下的平均誤差和濃度值下的平均誤差，標(biāo)簽值下的平均誤差度量為模型的輸出與樣本真實標(biāo)簽之間的差值，濃度值下的平均誤差度量為模型估計值換算至污染物實際濃度后與樣本實際濃度之間的差值，平均誤差越小表示污染物濃度估計預(yù)期準(zhǔn)確； 準(zhǔn)確率的統(tǒng)計依據(jù)為模型估計的單個樣本濃度值誤差小于0.05%，則判定為定量估計準(zhǔn)確。

表2 四個模型在數(shù)據(jù)集上測試結(jié)果對比Table 2 The test results of each model were compared on the data set

四個模型在數(shù)據(jù)集上的損失曲線如圖4所示。圖4(a)和(b)中分別為各模型在訓(xùn)練集、測試集上的損失與迭代次數(shù)的關(guān)系，隨著模型訓(xùn)練迭代次數(shù)的增加，各模型在數(shù)據(jù)集上的損失逐漸降低，最終均趨于穩(wěn)定，誤差越低，代表網(wǎng)絡(luò)模型的輸出結(jié)果越接近真實的標(biāo)簽值。根據(jù)損失曲線進行對比不難發(fā)現(xiàn)，LSTM-FCs-3模型在訓(xùn)練過程中的收斂速度最慢，且最終的平均損失最大。

圖4 損失曲線(a)： 訓(xùn)練集上的損失曲線； (b)： 測試集上的損失曲線Fig.4 Loss curve(a)： Loss curve on training set； (b)： Loss curve on the test set

四個模型在測試集上的準(zhǔn)確度如圖5所示。四個模型在測試集上的魯棒性測試如圖6所示。魯棒性測試會對測試集中每組樣本隨機抽取1%的波數(shù)數(shù)據(jù)上隨機添加不大于1%的噪聲，測試模型的抗擾動能力。

圖5 測試集上的準(zhǔn)確率曲線Fig.5 The accuracy curve on the test set

結(jié)合圖5、圖6和表2分析，LSTM-FCs-2模型的估計最高準(zhǔn)確率達到98.3%，且該模型在訓(xùn)練集上的表現(xiàn)明顯優(yōu)于其他模型； 且在魯棒性測試中對測試集添加1%的隨機噪聲后進行測試，LSTM-FCs-2模型最高準(zhǔn)確率仍能達到96.7%，魯棒性明顯優(yōu)于其他模型。

將B組的兩個已知冷卻液污染含量分別為0.2%和0.4%的在用油的拉曼光譜，輸入LSTM-FCs-2神經(jīng)網(wǎng)絡(luò)模型中檢測，分別得到冷卻液含量的估計值分別為0.19%和0.43%，相對誤差分別為5.0%和7.5%。

圖6 測試集上的魯棒性測試Fig.6 Robustness testing on test sets

4 結(jié) 論

(1)拉曼光譜是一種檢測柴油機潤滑油冷卻液污染的有效技術(shù)，但是無法直接獲得拉曼光譜數(shù)據(jù)信息與潤滑油污染物濃度含量之間的對應(yīng)關(guān)系。

(2)通過對FCs，LSTM-FCs-1，LSTM-FCs-2和LSTM-FCs-3四種神經(jīng)網(wǎng)絡(luò)模型的實驗計算結(jié)果對比，LSTM-FCs-2網(wǎng)絡(luò)模型對冷卻液污染濃度估計準(zhǔn)確率達到96.7%，魯棒性優(yōu)。因此，相對于其他三種網(wǎng)絡(luò)模型，LSTM-FCs-2網(wǎng)絡(luò)模型更適用于潤滑油冷卻液污染的拉曼光譜數(shù)據(jù)分析處理。通過對某在用潤滑油進行冷卻液污染濃度檢測試驗，表明該方法魯棒性好，可適用于在用油冷卻液污染濃度的檢測。