油液性能参数的计算方法及在线监测润滑油的装置与流程

1.本发明涉及润滑油监测技术领域，尤其涉及了一种油液性能参数的计算方法及在线监测润滑油的装置。


背景技术：

2.润滑油可以称为是工业设备的“血液”，润滑油监测则是实现大型机械设备润滑磨损状态监测和故障诊断的最有效的方法。对于保证机械设备安全可靠运行、避免非计划停机、实现节能增效等有重要意义。
3.现有的油液监测多年来以离线监测为主，远不能满足现代设备长周期连续监测的需求，因而设备在线油液监测技术就成为当前设备润滑磨损失效诊断技术重要发展的趋势之一。润滑油在线监测消除了人为的不确定因素，取样和检测可以同时进行，只要安装位置选择合适，可以基本解决取样代表性的问题。
4.随着时代的发展，利用红外光谱分析技术对油液进行在线监测的需求越来越迫切。在润滑油在线监测领域，已经出现了利用中红外光进行光谱分析，来实现在线监测的尝试。但是，中红外光谱分析设备难以小型化，并且仍旧需要制备样本，难以完全实现“在线”监测的目标。


技术实现要素：

5.为了解决上述缺陷，完整地实现在线监测，本发明首先提出了一种油液性能参数的计算方法包括：
6.采集所述油液的近红外光谱数据，并基于所述光谱数据计算奇异值；
7.基于所述奇异值选取具有代表性的特征数据；
8.基于所述奇异值建立计算所述油液性能参数的模型。
9.上述的方法中，所述采集所述油液的近红外光谱数据，并基于所述光谱数据计算奇异值，包括：
10.s1、采集m组所述光谱数据，m为正整数，其中，每组所述光谱数据是一组n维的向量，n用于指示用于光谱分析的所述近红外光的频点数量；
11.s2、建立m
×
n的x矩阵，计算所述x矩阵的奇异值矩阵。
12.上述的方法中，s2中进一步包括：
13.s21、计算所述x矩阵中每行数据的中心向量；
14.s22、将所述x矩阵中的每个元素按行分别减去所述中心向量，得到矩阵；
15.s23、在所述矩阵的基础上计算奇异值矩阵。
16.上述的方法中，所述中心向量为所述每行数据的算术平均值。
17.上述的方法中，所述基于所述奇异值选取具有代表性的特征数据，包括：
18.s3、计算所述奇异值矩阵中的每个奇异值与所有奇异值之和的比值；
19.s4、将所述比值最大的k个奇异值所对应的所述光谱数据确定为具有代表性的特
征数据。
20.上述的方法中，s4中，所述k个奇异值通过如下方法确定：
21.预先指定k的值；或者
22.将所述比值降序排列，逐一累加所述比值，当累加值超过预定值时，所累加的比值个数确定为k。
23.上述的方法中，所述预定值为0.8～0.95。
24.上述的方法中，所述基于所述奇异值建立计算所述油液性能参数的模型，包括：
25.s5、基于选出的所述k个特征向量建立校正的计算所述性能参数的模型。
26.上述的方法中，用带惩罚项的最小二乘法建立计算所述性能参数的模型。
27.上述的方法中，所述油液性能参数包括：所述油液的粘度、使用时间、酸度、元素含量。
28.上述的方法中，所述光谱数据包括近红外光的透射数据、反射数据、漫反射数据中的一种或多种。
29.基于同一发明构思，本发明还提出了一种在线监测油液性能参数的装置，包括：
30.近红外光谱分析单元，用于获取所述油液在近红外波段的光谱数据；
31.性能参数计算单元，用于基于所述光谱数据，实现如权利要求1-11中任一项所述的计算方法。
32.上述的装置中，所述光谱数据包括与所述油液的粘度、使用时间、酸度、元素含量相关的数据。
33.本发明还提出了一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一条计算机指令，所述至少一条指令由处理器加载并执行，以实现上述的方法。
34.本发明还提出了一种计算机程序产品，所述计算机程序产品包括计算机指令，所述计算机指令被执行时，实现上述的方法。
35.与现有技术相比，本发明公开了先建立数学校正模型(例如，建立红外光谱吸收度与润滑油性能参数的对应关系)，再利用化学计量方法(包括光谱预处理，波长变量选取，欠拟合/过拟合判断以及异常样本的剔除，等)来定量分析润滑油的性能参数(如粘度、酸度元素含量等关键理化指标)的方法。此种方法不破坏样品，不消耗化学试剂，简单便捷，同时还高效、低成本，非常适用于现场快速分析，也为无损分析提供实验依据。
附图说明
36.图1是根据本发明的一些实施例提供的流程图；
37.图2是根据本发明的一些实施例提供的特征值柱状图；
38.图3是根据本发明的一些实施例提供的对时间参数的预测拟合曲线图；
39.图4是根据本发明的一些实施例提供的对粘度参数的预测拟合曲线图；
40.图5是根据本发明的一些实施例提供的对磷的含量的预测拟合曲线图。
具体实施方式
41.首先需要声明的是，虽然在本文中可能使用术语“第一”、“第二”等等来描述各个特征，但是这些特征不应当受这些术语限制。使用这些术语仅仅是为了进行区分，而不能理
解为指示或暗示相对重要性或排序。举例来说，在不背离示例性实施例的范围的情况下，第一特征可以被称为第二特征，并且类似地第二特征可以被称为第一特征。
42.还需声明的是，本发明中对方法、流程中的步骤进行编号是为了便于引用，而不是限定先后顺序，各步骤之间如有先后顺序，当以文字说明为准。
43.如背景技术所述，中红外光谱分析已被尝试着应用于润滑油的在线监测。而近红外光谱分析之所以暂时还未被应用到润滑油的在线监测技术中主要有两个原因：1)近红外光谱容易受温度和氢键影响，无法采用传统的光谱分析方法来鉴定分子结构；2)近红外光谱含有大量的重叠宽谱带(意味着几乎没有“指纹性”)，即，近红外谱带之间的干扰重重叠叠，无法基于单波长的朗伯-比尔定律来对油液进行定量分析。
44.本发明的技术构思在于：利用近红外光对待测油液进行照射，油液对该红外光存在反射、透射以及漫反射等物理现象。对上述的反射、透射以及漫反射的近红外光进行频谱分析，建立频谱与油液的性能(例如，粘度、酸度等)之间的关系函数，从而可以定量的计算油液的性能参数。
45.为使本发明的目的、实施例和优点更加清楚，下面将结合附图对本发明的实施方式作进一步地详细描述。
46.采用近红外光对油液进行分析时，数据的维度比较大。现在定义的近红外光谱的范围为780nm-2526nm。若以1nm为波长间隔单位进行光谱分析，一组近红外光谱数据可能可以达到1747维。即便采用计算机辅助计算，也很难直接从特征向量中提取关键有效的信息。且对于光谱检测来说，数据收集的间隔周期不会很短，因此会出现数据数量远小于特征数量的情况。因此，为了有效利用油液的近红外光谱数据，可以采用“降维”的方法，从众多的数据中选取出最能代表所有数据的若干个光谱数据，也就是说，选取承载了最多性能(参数)信息的光谱数据来作为计算模型所要关注的对象。
47.本发明在尽可能多的采集油液的近红外光谱数据的基础上，首先基于光谱数据计算奇异值，例如，可以采用奇异值分解(svd,singular value decomposition)的方法来计算二维矩阵的的奇异值。然后，基于所述奇异值选取具有代表性的特征数据和建立计算所述油液性能参数的模型。
48.具体的，图1所示是根据本发明的一些实施例提供的计算性能参数的流程图。
49.s1中，首先采集m组所述光谱数据，m为正整数。也可以理解为共采集过多少次所述光谱数据。实际的应用中，由于油液在使用中被污染或变质是长期的过程，因此对油液的采样频率不会非常频繁，也就是说m通常是个小数字，例如，个位数。其中，每组所述光谱数据是一组n维的向量，n用于指示用于光谱分析的所述近红外光的频点数量，n可能是上千量级的数值，在步骤s2中n维的光谱数据将减少到个位数。
50.s2中，建立m
×
n的x矩阵，计算所述x矩阵的奇异值矩阵。具体的，利用svd方法来获得奇异值的进一步的六帐。
51.s21、计算所述x矩阵中每行数据的中心向量。中心向量指的是所述每行数据的算术平均值。
52.s22、将所述x矩阵中的每个元素按行分别减去所述中心向量，得到矩阵。由于油液的近红外光谱数据在油液的整个生命周期变化浮动相对来说比较小，相对应的波长长度上光的吸收率的差别很小，如果直接使用原始数据建模微小的测量误差会造成预测结果的
巨大影响，此处对x矩阵中的每个元素与平均值的差进行分析，将有利于后期进行数据图表绘制时，给人带来的便利性。
53.s23、在所述矩阵的基础上计算奇异值矩阵。
54.s3中，计算所述奇异值矩阵中的每个奇异值与所有奇异值之和的比值；单个奇异值占奇异值总和的比例越高，说明相应的光谱数据携带了更多光谱信息。
55.s4中，将所述比值最大的k个奇异值(k＜n)所对应的所述光谱数据确定为具有代表性的特征数据。为了对数据降维，必须对数据有所取舍。通过计算奇异值占所有奇异值总和的比例，选取出能够代表光谱数据中绝大多数信息的光谱数据来，从而实现数据“降维”的效果。
56.具体的，k个奇异值可以预先规定取奇异值中的前k个较大的，也可以通过如下方法确定：
57.将所述比值降序排列，逐一累加所述比值，当累加值超过预定值时，所累加的比值个数确定为k。而所述预定值用于指示奇异值所对应的光谱数据已经可以代表(或者说已经包含了)所有光谱数据中的绝大部分信息，一般可以是0.8～0.95。
58.以下，以一个实例来说明数据选取的过程。
59.例如，假设通过svd方法得到的奇异值(已降序排列)为(5,1,0.1,0.1,0.01)，其中，第一个特征值(5)占全部特征值(奇异值)总数的比为：5/(5+1+0.1+0.1+0.01)＝0.805；第一个特征值(5)加第二个特征值(1)加在一起后，占比为：(5+1)/(5+1+0.1+0.1+0.01)＝0.966。如果预设的预定值为0.95，则取第一第二个特征值所对应的光谱数据作为降维的结果(主成分)即可。也就是说，之前5维的数据经过选择后，仅保留2维可以代表主要信息的数据。
60.上述的例子中前2个主成分的累积贡献率为96.6％，,即原光谱数据所包含的光谱信息的96.6％被浓集到这前2个主成分中，其余的3个光谱数据可以被舍弃，以换取简洁的数据维度(便于计算)。
61.s5中，基于选出的所述k个特征向量建立校正的计算所述性能参数的模型。例如，可以使用带惩罚项的最小二乘法建立计算所述性能参数的模型。根据该模型，在监测油液性能时，可以计算出较为准确的参数。
62.以下，以采集到有关油液粘度的m个近红外光谱数据x＝{x1,x2,
…
,xi…
,xm}为例，对上述方法完整地进行说明。
63.光谱数据x＝{x1,x2,
…
,xi…
,xm}中的任意一个元素xi的维度是n，即，xi＝[x
i1
,x
i2
,
…
,x
in
]。也就是说，针对油液粘度，在近红外的频谱上，总共在n个频点上进行了采样，共采样了m次。由此可知，x是一个m
×
n的矩阵。
[0064]
首先计算x矩阵中每行数据的中心向量，将每个数据减去中心点向量得到矩阵：
[0065][0066][0067]
针对该矩阵，使用奇异值分解(svd,singular value decomposition)方法，对矩阵进行奇异值分解：
[0068]
svd(x)＝uσvh[0069]
其中，u是一个m*m的正交矩阵，v是一个n*n的正交矩阵，σ是一个m*n且只有主对角线包含非零值的奇异值矩阵。特征值和奇异值之间为平方关系。
[0070]
然后根据特征值占所有特征值之和的比例来选定降维之后的特征维度k，k＜n。具体的举例可参考上文有关s4的说明部分，此处不赘述。
[0071]
最后，对于每一组已采集的或是新的光谱数据x，将其减去中心向量再矩阵乘上[v1,v2,
…
,vk]即为降维后的特征信息。对于降维后的特征，可以使用带惩罚项的最小二乘来计算。
[0072]
例如，设原始的光谱数据分别为：
[0073]
x1＝[1.1,1.2,2.3,2.6,1.9]
[0074]
x2＝[1.0,1.1,2.3,2.7,2.1]
[0075]
x3＝[1.2,1.2,2.4,2.5,2.0]
[0076]
将上述原始数据x1～x3合并为原始数据矩阵x：
[0077][0078]
则，x的每行数据的中心向量为：
[0079][0080]
将x与x
mean
减得到矩阵：
[0081][0082]
根据奇异值分解方法的公式svd(x)＝uσvh后，得到σ矩阵和vh矩阵：
[0083][0084][0085]
从上述的vh矩阵中选取含有95％以上比例的奇异值，即0.95*0.95＝90.25％以上的特征值，也即前两行，然后转置，得到降维后的v
trancated
矩阵：
[0086][0087]
进而，降维后的矩阵为：
[0088][0089]
对于需要计算多个性能参数的情况，例如需要同时计算粘度、使用时间、金属含量时，可将这些性能也建立矩阵y＝[y1,y2,
…
,y
p
]
t
，其中，p指示了需要预测的性能参数的序号，例如，本实施例中p＝3。我们只需要使用上述的主成分分析方法(principal component analysis，pca)找到一个低维的，能够最大包含x矩阵中的信息的奇异值矩阵，再采用拟合算法，如ridge regression(脊回归)就能建立模型。
[0090]
想要通过来找到和性能参数矩阵y的关联，可以使用最小二乘法计算权值使与y有最小误差。将常数项合并至矩阵中，得到：
[0091][0092][0093]
根据最小二乘法公式，
[0094]w′
＝(x
′
t
x
′
)-1
x
′
ty[0095]
为了数据稳定，使用带惩罚项的最小二乘，例如，设定λ＝0.001，也可以在大范围尝试不同λ的值，使y
est
和y误差最小。
[0096]
根据最小二乘法的公式w
′
＝(x
′
t
x
′
+λi)-1
x
′
t
y，其中，参数矩阵取值为yh＝[1,2,3]，可以得到：
[0097][0098]
计算得到油液粘度的预测值：
[0099][0100]
图2是根据本发明的一些实施例提供的特征值柱状图。为进行pca分解后特征值从大到小排序后前20个特征值的大小。由于特征值大小相差很多，这里显示对数坐标。由图可知，该实施例中，也是排序靠前的2个特征数据就可以囊括所有频谱数据超过90％的信息量。也就是说，图2所示实施例中，数据维度可以从20维降低维2维。
[0101]
图3-图5中，图3是根据本发明的一些实施例提供的对时间参数的预测拟合曲线图。图4是根据本发明的一些实施例提供的对粘度参数的预测拟合曲线图。图5是根据本发明的一些实施例提供的对磷的含量的预测拟合曲线图。图中，实线是y＝x的线性函数曲线，圆点是表示训练计算模型所使用的训练数据。
×
符号是用来测试模型是否准确的测试数据。由图可知，数据的拟合效果均还不错，
[0102]
本发明还提出了一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一条计算机指令，所述至少一条指令由处理器加载并执行，以实现上述的监测方法。
[0103]
本发明还提出了一种计算机程序产品，所述计算机程序产品包括计算机指令，所述计算机指令被执行时，实现上述的监测方法。
[0104]
总体而言，本发明通过对样本进行pca(principal component analysis)，即主成分分析方法主成分分析，将数据降维，将原变量进行转换，使少数几个新变量尽可能多地表达原变量地数据特征而不丢失信息。再通过偏最小二乘法的方法，建立润滑油的相关性能参数与近红外光谱吸光度的模型。随着光谱仪器小型化，测量附件日益完善、实验技术不断革新，以及化学计量学方法的发展和应用普及，近红外光谱分析技术将会在润滑油分析和监测方面发挥越来越重要的作用。
[0105]
本说明书中描述了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。
[0106]
类似地，应当理解，为了精简本发明并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。
[0107]
本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的替代特征来代替。
[0108]
此外，本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。