| 摘 要： | 润滑油动力粘度是划分润滑油品质的重要依据之一,高铁变速箱润滑油需要进行实时、快速、无损的检测,因此提出一种基于可见近红外光谱微型模块结合量子遗传-神经网络算法对润滑油粘度值进行定量分析的新方法。不仅实现了高铁变速箱润滑油动力粘度的无损快速实时检测,还进一步提高了对润滑油动力粘度预测的精度。微型光谱仪具有性能优良、体积小巧等优势,在便携式光谱无损检测方面用途越来越多。在这里,选用可见短波近红外和近红外波导光栅两种微型光谱模块进行光纤耦合,实现了330～1 700 nm可见-近红外波段光谱拼接。首先我们采用该组合微型光谱仪对13种不同粘度的润滑油共78个样本进行光谱扫描得到原始光谱数据。原始光谱经过Savitzky-Golay卷积平滑后,再一阶求导,可以有效地消除基线漂移和背景噪声。然后采用主成分分析和马氏距离相结合的方法来识别浓度界外样本,剔除界外样本3个。最后采用BP(back propagation)神经网络和量子遗传神经网络两种回归算法分别建立定量分析模型,并对比分析了两种算法的性能。量子遗传算法是量子计算和遗传算法相结合地一种概率进化算法,采用量子染色体的形式,利用量子逻辑门进行全局搜索,从而可以利用量子遗传算法优化神经网络地权重和阈值,提高建模效率和精度。分别用BP神经网络算法和量子遗传-神经网络算法进行建模仿真,从75个样本随机抽取10个样本作为预测集,其余65个为建模集。在量子遗传寻优算法中,其种群数目设置为40,终止代数为200,寻优结果表明该算法在训练81代后可快速得到最优解。比较两种建模算法的预测结果,采用量子遗传-神经网络算法相比BP神经网络算法得到的粘度预测结果均方根误差从0.345 5降低至0.029 4,决定系数从0.850 4升至0.979 9,可知量子遗传-神经网络算法的预测能力明显强于BP神经网络。为进一步提高润滑油粘度的定量分析准确度和微型光谱模块应用于高铁齿轮箱润滑油在线、实时、快速检测提供了参考方法。
|
