CN101782511B - 一种润滑油种类和级别的快速识别方法 - Google Patents

Abstract

本发明公开了一种润滑油种类和级别的快速识别方法，该方法包括如下步骤：第一步：收集具有代表性的样品作为训练集；第二步：测定训练集样品的中红外光谱；第三步：确定识别方案：采用多个模型逐级识别方式进行润滑油种类和级别识别；第四步：对第二步的中红外光谱数据进行预处理，其预处理后的光谱数据作为候选识别变量；第五步：根据第三步确定的识别方案，利用训练集样品，评价各候选识别变量的识别能力，然后选用BAYES判别方法，建立识别模型；第六步：对于未知润滑油样品的识别，首先测定其红外光谱，并进行与第四步中相同的预处理，然后结合第四步中建立的识别模型逐级进行种类和级别识别。本发明方法可快速识别润滑油样品的种类、粘度级别和质量级别。

Description

一种润滑油种类和级别的快速识别方法

技术领域

本发明涉及一种润滑油种类和级别的快速识别方法，具体地说，涉及一种快速将未知润滑油识别为柴油机油、汽油机油、通用内燃机油、齿轮油、液压油以及不同粘度级别和质量级别的方法。

背景技术

润滑油的种类繁多，如发动机油、齿轮油和液压油等，每种类型的润滑油又有多种粘度等级和质量等级。根据用途，发动机油又进一步分为汽油机油、柴油机油和通用内燃机油。不同种类、不同级别的润滑油不能相互混用，否则会导致发动机出现故障，甚至损坏发动机，需要严格按照说明书要求使用。但是，在实际使用过程中，由于种种原因，常常会存在润滑油种类和级别混用现象。为此，因此需要研制润滑油种类和级别的快速识别方法，正确指导正确用油，避免因误用油料带来的损失。目前，中国石油化工科学研究院提出“一种润滑油种类和粘度级别的快速识别方法”，能够成功将润滑油识别为齿轮油、液压油和发动机油，并且能够进一步识别其粘度级别。但是，该方法不能成功将发动机油进一步识别为汽油机油、柴油机油和内燃机油，也不能识别润滑油质量级别。

发明内容

本发明的目的是提供一种润滑油种类和级别的快速识别方法，该方法通过被测样品红外光谱，结合模式识别技术，根据识别方案，可快速识别润滑油种类、粘度级别和质量级别。

本发明提供的技术方案是：一种润滑油种类和级别的快速识别方法，包括如下步骤：

第一步：收集具有代表性的样品作为训练集；

第二步：测定训练集样品的中红外光谱；

第三步：确定识别方案：采用多个模型逐级识别方式进行润滑油种类和级别识别；

第四步：对第二步的中红外光谱数据进行预处理，其预处理后的光谱数据作为候选识别变量；

第五步：根据第三步确定的识别方案，利用训练集样品，评价各候选识别变量的识别能力，然后选用BAYES判别方法，建立识别模型；

第六步：对于未知润滑油样品的识别，首先测定其红外光谱，并进行与第四步中相同的预处理，然后结合第五步中建立的识别模型逐级进行种类和级别识别。

所述润滑油包括液压油、齿轮油、发动机油和传动液。

上述第五步中建立模型的过程如下：

一、采用F值来评价各候选识别变量的识别能力，F越大，说明分类能力越强，反之越差，F的计算公式如下：

$F=\frac{w_b}{w_w}\×\frac{n-g}{g-1}$

其中，g为类别数目，n为样本总数目；w_w为所选用特征的类内偏差矩阵，w_b为所选用特征的类间偏差矩阵。

二、采用BAYES判别方法建立识别模型：

(1)选用识别能力强的前m个变量作为识别特征；

(2)计算训练集中i类样品集的特征平均矩阵

协方差矩阵S_i和先验概率P(w_i)，其中，P(w_i)为i类样品数目与所有样品数目比值；

(3)建立模型，即构建各类的h判别函数：

$h_i\left(X\right)=\frac{1}{2}{(X-\stackrel{\‾}{X_i})}^T{S}_i^{-1}(X-\stackrel{\‾}{X_i})+\ln \left(P\left(w_i\right)\right)-\frac{1}{2}\ln \left|S_i\right|;$

(4)将训练集样品作为待识别样品X_un，计算X_un对训练集i类的h_i(X_un)值，然后比较h_i(X_un)大小，X属于h₁(X)，...，h_g(X)中最大的类，并与实际种类比较，计算正确识别率p_r(％)；

(5)绘制p_r与m的关系，选定p_r最高，且m最小的识别变量作为识别特征，建立识别模型。

所述润滑油包括液压油、齿轮油、发动机油和传动液。

上述第(5)步中，所述识别模型为：润滑油种类识别模型、发动机油种类识别模型、发动机油粘度级别识别模型、齿轮油粘度级别识别模型、液压油粘度级别识别模型、通用内燃机油质量级别识别模型、汽油机油质量级别识别模型、柴油机油质量级别识别模型。

所述识别方案所建立的模型分述如下：

润滑油种类识别模型：光谱预处理为小波变换，该模型将未知润滑油识别为液压油、齿轮油、发动机油和传动液四大类。

发动机油种类识别模型：光谱预处理为一阶微分，该模型将未知发动机油识别为柴油机油、汽油机油和通用内燃机油三类。

发动机油粘度级别识别模型：建立7个模型，预处理均为一阶微分，其中，模型1识别0W/30和5W/30两种粘度级别；模型2识别50和0W/50两种级别；模型3识别10W/30粘度级别；型4识别30粘度级别；模型5识别5W/40级别；模型6识别40级别；模型7识别10W/40和15W/40。

齿轮油粘度级别识别模型：光谱预处理为一阶微分，该模型将齿轮油识别为80W/90和85W/90；液压油粘度级别识别模型：共建立4个模型，预处理均为一阶微分，其中，模型1识别100^#液压油；模型2识别68^#液压油；模型3识别46^#液压油；模型4识别40^#液压油和30#液压油。

通用内燃机油质量级别识别模型：共建立5个模型，预处理为一阶微分，其中，模型1识别SI/CH-4、SL/CI-4、SM/CF-4级别；模型2识别为两组，组1即：SD/CC、SE/CD和SF/CC和组2即：SF/CD、SG/CF-4、SJ-CG-4；对于组1，模型3识别SD/CC、SE/CD和SF/CC；对于组2，模型4识别SJ/CG-4，然后模型5识别SF/CD和SG/CF-4；

对于汽油机油质量级别识别：共建立识别5个模型，预处理为一阶微分，其中，模型1识别SF级别；模型2识别SM级别；模型3分为组1即SG、SL和组2即SE、SG；模型4和模型5对组1和组2进一步准确识别各类；

对于柴油机油质量级别识别：共建立6个识别模型，预处理为一阶微分，其中，模型1识别CC级别；模型2识别CD级别；模型3识别CF-4级别；模型4识别CI-4级别；模型5识别CD+级别；模型6识别CG-4和CH-4级别。

本发明利用红外光谱，结合模式识别技术(BAYES判别方法)，迅速判断润滑油的种类、粘度级别和质量级别，能够成功地将未知润滑油识别为柴油机油、汽油机油和通用内燃机油、齿轮油、液压油、传动液，并可以进一步识别为不同粘度级别和质量级别，指导发动机润滑油的正确使用。

附图说明

图1为润滑油种类和级别识别方案；

图2发动机油粘度级别识别方案；

图3液压油粘度级别识别方案；

图4通用内燃机油质量级别识别方案；

图5汽油机油质量级别识别方案；

图6柴油机油质量级别识别方案；

图7所有润滑油样品中红外吸收光谱图

图8所有润滑油样品中红外吸收光谱小波变换系数图

图9小波系数对润滑油种类识别能力F图

图10润滑油种类正确识别率与识别特征数目关系图

图11所有润滑油样品中红外一阶微分吸收光谱图

具体实施方式

本发明方法的识别方案的确定步骤如下：

第一步：收集具有代表性的样品作为训练集。

第二步：测定训练集样品中红外光谱。

第三步：按照图1的方案，采用BAYES判别方法建立各个识别模型。各个模型的建立过程如下：

一、对训练集的红外光谱进行相应的预处理，预处理后数据作为候选识别变量；

二、采用F值来评价各候选识别变量的识别能力。F越大，说明分类能力越强，反之越差，F的计算公式如下：

$F=\frac{w_b}{w_w}\×\frac{n-g}{g-1}$

其中，g为类别数目，n为样本总数目；w_w为所选用特征的类内偏差矩阵，w_b为所选用特征的类间偏差矩阵。

三、采用BAYES判别方法建立识别模型(参考：许禄.化学计量学方法.科学出版社.1995)，具体过程如下：

(1)选用识别能力强的前m个变量作为识别特征；

(2)计算训练集中i类样品集的特征平均矩阵

协方差矩阵S_i和先验概率P(w_i)(P(w_i)为i类样品数目与所有样品数目比值)；

(3)建立模型，即构建各类的h  判别函数：

$h_i\left(X\right)=\frac{1}{2}{(X-\stackrel{\‾}{X_i})}^T{S}_i^{-1}(X-\stackrel{\‾}{X_i})+\ln \left(P\left(w_i\right)\right)-\frac{1}{2}\ln \left|S_i\right|;$

(4)将训练集样品作为待识别样品X_un，计算X_un对训练集i类的h_i(X_un)值，然后比较h_i(X_un)大小，X属于h₁(X)，...，h_g(X)中最大的类，并与实际种类比较，计算正确识别率p_r(％)；(4)绘制p_r与m的关系，选定p_r最高，且m最小的识别变量作为识别特征，建立识别模型。

图1的方案所建立的模型分述如下：

润滑油种类识别模型：光谱预处理为小波变换，识别方法为BAYES判别方法。该模型将未知润滑油识别为液压油、齿轮油、发动机油和传动液等四大类。

发动机油种类识别模型：光谱预处理为一阶微分，识别方法为BAYES判别方法。该模型将未知发动机油识别为柴油机油、汽油机油和通用内燃机油三类。

发动机油粘度级别识别模型：按照图2方案，建立7个模型。预处理均为一阶微分，识别方法为BAYES判别方法。具体过程如下：

首先，模型1识别0W/30和5w/30两种粘度级别；

其次，模型2识别50和0W/50两种级别；

再其次，模型3识别10W/30粘度级别；

随后，模型4识别30^#粘度级别；

随后，模型5识别5W/40级别；

随后，模型6识别40^#级别；

最后，模型7识别10W/40和15W/40。

齿轮油粘度级别识别模型：光谱预处理为一阶微分，识别方法为BAYES判别方法，该模型将齿轮油识别为80W/90和85W/90。

液压油粘度级别识别模型：按照图3方案，建立4个模型。预处理为一阶微分，识别方法为BAYES判别方法，具体过程如下：

首先，模型1识别100^#液压油；

其次，模型2识别68^#液压油；

再其次，模型3识别46^#液压油；

最后，模型4识别40^#液压油和30^#液压油。

通用内燃机油质量级别识别模型：需要按照图4方案，建立5个模型。预处理为一阶微分，识别方法为BAYES判别方法，具体过程如下：

首先，模型1识别SI/CH-4、SL/CI-4、SM/CF-4级别；

其次，模型2识别为两组，组1[SD/CC、SE/CD和SF/CC]和组2[SF/CD、SG/CF-4、SJ-CG-4]；

对于组1，模型3识别SD/CC、SE/CD和SF/CC；

对于组2，模型4识别SJ/CG-4，然后模型5识别SF/CD和SG/CF-4。

汽油机油质量级别识别：按照图5方案，建立识别5个模型，预处理为一阶微分，识别方法为BAYES判别方法，具体过程如下：

首先，模型1识别SF级别；

其次，模型2识别SM级别；

随后，模型3分为组1[SG、SL]和组2[SE、SG]；

最后，模型4和模型5两组进一步准确识别各类。

柴油机油质量级别识别：按照图6方案，建立6个识别模型，预处理为一阶微分，识别方法为BAYES判别方法，具体过程如下：

首先，模型1识别CC级别；

其次，模型2识别CD级别；

随后，模型3识别CF-4级别；

随后，模型4识别CI-4级别；

随后，模型5识别CD+级别；

最后，模型6识别CG-4和CH-4级别。

对于未知样品的识别，首先测定中红外光谱，按照图1进行逐级识别。具体过程如下：

(1)首先选用种类识别模型，确定是否为传动液、液压油、齿轮油和发动机油，然后采用相应方案进一步进行种类和级别识别。

(2)若为液压油，则采用液压油粘度级别识别方案(图3)，进行粘度级别识别；

(3)若为齿轮油，则采用齿轮油粘度级别识别方案，进行粘度级别识别；

(4)若为发动机油，先按照发动机油粘度级别识别方案(图2)，进行粘度级别识别；随后，进行发动机油种类识别，确定是否为汽油机油、柴油机油和通用机油；最后，选择对应发动机油质量级别方案，比如通用内燃机油质量级别识别方案(图4)、汽油机油质量级别识别方案(图5)和柴油机油质量级别识别方案(图6)识别质量级别。

实例1：建立润滑油种类识别模型

1)收集训练集样品

收集有明确种类和级别标识润滑油共124个，48品种。其中，其中5种液压油21个样品；2种传动液5个样品；2种齿轮油13个样品；39种发动机油85个样品。在发动机油中，含柴油机油40个、汽油机油13个、通用机内燃机油32个。其生产商包括壳牌、ESSO、美孚、MOBIL、长城、和昆仑等。

2)测定训练集样品红外光谱

采用TENSOR 27中红外光谱仪测定润滑油样品，光谱范围：600～4000cm^-1。透射样品池，0.1mm光程。

3)对红外光谱数据进行预处理

红外光谱数据经过小波变换处理，其小波变换系数作为识别候选变量。训练集红外光谱见图7，小波变换系数见图8。

4)评价各个候选变量识别能力。

采用F判据来评价小波系数对四类润滑油(发动机油、齿轮油、液压油和传动液)的识别能力。

$F=\frac{w_b}{w_w}\×\frac{n-g}{g-1}$

其中，g为类别数目，n为样本总数目，在本实施例中，g＝4，n＝124；w_w为所选用特征的类内偏差矩阵，w_b为所选用特征的类间偏差矩阵。

F的计算结果见图9。各个小波系数识别能力不同，F变化很大，幅度为0.0159～3540.2。

5)确定识别特征数目和建立识别模型

依据小波系数的识别能力评价结果(图9)，依次选用训练集的前m个识别能力最强的特征，采用BAYES判别方法建立模型，然后识别训练集样品进行检验，绘制正确识别率与识别特征数目关系，结果见图10。当m＝11时，识别率为100％。选用前11个识别能力最强的小波系数(序号为174、336、52、62、105、175、219、826、3、16、17)作为特征变量(这11个小波系数有对应的具体波长吗？最好写出对应的波长)，然后利用BAYES方法建立识别模型。为考察识别效果，将训练集的124个样品作为未知样品，并将上述识别能力最强的11个小波系数引入模型中，计算与各类的h值，最大h值对应的类为样品的识别种类，见表1。在所有124个样品中，识别结果种类与真实种类一致，即可以采用该模型同时识别发动机油(类1)、齿轮油(类2)、液压油(类4)和传动液(类3)。

表1

实例2：建立润滑油种类和级别识别模型

1)收集训练集样品

收集有明确种类和级别标识润滑油共124个，48品种。其中，5种液压油21个样品；2种传动液5个样品；2种齿轮油13个样品；39种发动机油85个样品。在发动机油中，含柴油机油40个、汽油机油13个、通用机内燃机油32个。其生产商包括壳牌、ESS0、美孚、MOBIL、长城和昆仑等。润滑油种类和级别见表2。

表2

2)测定训练集样品的红外光谱

采用TENSOR 27中红外光谱仪测定润滑油样品，光谱范围：600～4000cm^-1。透射样品池，0.1mm光程。

3)对红外光谱数据进行预处理

对红外光谱数据(见图7)进行一阶微分或小波变换处理，一阶微分处理后光谱数据(见图11)或者小波变换系数(见图8)作为识别候选变量。

4)建立和验证各个识别模型

按照图1的方案，按照实例1的步骤建立各个识别模型。

对于发动机油种类识别模型，建立一个识别模型，预处理为一阶微分，选用12个波长，即：586.34、893.01、584.41、1238.3、866.01、860.22、900.73、864.08、862.15、894.94cm^-1的吸光度为识别变量，识别方法为BAYES。该模型经检验将未知发动机油识别为柴油机油、汽油机油和通用内燃机油三类，正确识别率为100％，可以使用。

对于发动机油粘度级别识别模型，按照图2方案进行识别，建立7个识别模型，预处理均为一阶微分，识别方法为BAYES。该方案经检验，正确识别率高达96％，优于95％，可以使用。

对于齿轮油粘度级别识别模型，建立一个识别模型，预处理为一阶微分，识别方法为BAYES方法。该模型经检验未知齿轮油识别为80W/90和85W/90，正确识别率为100％，可以使用。

对于液压油粘度级别识别模型，按照图3方案识别，建立4个模型，预处理均为一阶微分，识别方法为BAYES法。该方案经检验，正确识别率为100％，可以使用。

对于通用内燃机油质量级别识别模型，按照图4方案识别，建立五个模型，预处理均为一阶微分，识别方法为BAYES法。该方案经检验，正确识别率为100％，可以使用。

对于汽油机油质量级别识别模型，按照图5方案识别，建立5个模型，预处理均为一阶微分，识别方法为BAYES法。该方案经检验，正确识别率为100％，可以使用。

对于柴油机油质量级别识别模型，按照图6方案识别，建立6个模型，预处理均为一阶微分，识别方法为BAYES法。该方案经检验，正确识别率为100％，可以使用。

实例3

选取一个有明确标识的GL-580W/90润滑油作为目标识别润滑油，采用本发明方法进行识别验证，识别步骤如下：

(1)测定其红外光谱。

(2)按照图1方案进行识别。

首先，通过润滑油种类识别模型，判别为齿轮油。

然后，通过齿轮油粘度级别模型，判别为GL-580W/90。

识别结果与真实结果一致。

实例4

选取一个有明确标识的GL-585W/90润滑油作为目标识别润滑油，采用本发明方法进行识别验证，识别步骤如下：

(1)测定其红外光谱。

(2)按照图1方案进行识别。

首先，通过润滑油种类识别模型，判别为齿轮油。

然后，通过齿轮油粘度级别模型，判别为GL-585W/90。

识别结果与真实结果一致。

实例5

选取一个有明确标识的68号液压油作为目标识别润滑油，采用本发明方法进行识别验证，识别步骤如下：

(1)测定其红外光谱。

(2)按照图1方案进行识别。

首先，通过润滑油种类识别模型，判别为液压油。

然后，通过图3方案进行识别。首先识别为非100号液压油，进一步识别判别为68号液压油。

识别结果与真实结果一致。

实例6

选取一个有明确标识的CD 0W/30柴油机油作为目标识别润滑油，采用本发明方法进行识别验证，识别步骤如下：

识别步骤如下：

(1)测定其红外光谱。

(2)按照图1方案进行识别。

首先，通过润滑油种类识别模型，判别为发动机油；

其次，通过发动机油种类识别模型，判别为柴油机油；

再其次，通过图2发动机粘度级别识别方案，判别为级别为0W/30；

最后，通过图6柴油机油质量级别识别方案，判别为CD级。

结合粘度级别和质量级别结果，最终识别为CD 0W/30，识别结果与真实结果一致。

实例7

选取一个有明确标识的SJ 10W/40柴油机油作为目标识别润滑油，采用本发明方法进行识别验证，识别步骤如下：

识别步骤如下：

(1)测定其红外光谱。

(2)按照图1方案进行识别。

首先，通过润滑油种类识别模型，判别为发动机油；

其次，通过发动机油种类识别模型，判别为汽油机油；

再其次，通过图2发动机粘度级别识别方案，判别为级别为10W/40；

最后，通过图5汽油机油质量级别识别方案，判别为SJ级。

结合粘度级别和质量级别结果，最终识别为SJ 10W/40，识别结果与真实结果一致。

实例8

选取一个有明确标识的SF/CD 15W/40通用内燃机油作为目标识别润滑油，采用本发明方法进行识别验证，识别步骤如下：

识别步骤如下：

(1)测定其红外光谱。

(2)按照图1方案进行识别。

首先，通过润滑油种类识别模型，判别为发动机油；

其次，通过发动机油种类识别模型，判别为通用内燃机油；

再其次，通过图2发动机粘度级别识别方案，判别为级别为15W/40；

最后，通过图4通用内燃机油质量级别识别方案，判别为SF/CD级。

结合粘度级别和质量级别结果，最终识别为SF/CD 15W/40，识别结果与真实结果一致。

Claims (9)

1.一种润滑油种类和级别的快速识别方法，包括如下步骤：

第一步：收集具有代表性的样品作为训练集；

第二步：测定训练集样品的中红外光谱；

第三步：确定识别方案：采用多个模型逐级识别方式进行润滑油种类和级别识别；

第四步：对第二步的中红外光谱数据进行预处理，其预处理后的光谱数据作为候选识别变量；

第五步：根据第三步确定的识别方案，利用训练集样品，评价各候选识别变量的识别能力，然后选用BAYES判别方法，建立识别模型；

一、采用F值来评价各候选识别变量的识别能力，F越大，说明分类能力越强，反之越差，F的计算公式如下：

$F=\frac{w_b}{w_w}\×\frac{n-g}{g-1}$

其中，g为类别数目，n为样本总数目；w_w为所选用特征的类内偏差矩阵，w_b为所选用特征的类间偏差矩阵；

二、采用BAYES判别方法建立识别模型：

(1)选用识别能力强的前m个变量作为识别特征；

(2)计算训练集中i类样品集的特征平均矩阵协方差矩阵S_i和先验概率P(w_i)，

其中，该先验概率P(w_i)为i类样品数目与所有样品数目比值；

(3)建立模型，即构建各类的h判别函数：

$h_i\left(X\right)=\frac{1}{2}{(X-\stackrel{\‾}{X_i})}^T{S}_i^{-1}(X-\stackrel{\‾}{X_i})+\ln \left(P\left(w_i\right)\right)-\frac{1}{2}\ln \left|S_i\right|$

(4)将训练集样品作为待识别样品X_un，计算X_un对训练集i类的h_i(X_un)值，然后比较h_i(X_un)大小，X属于h₁(X)，...，h_g(X)中最大的类，并与实际种类比较，计算正确识别率p_r，该正确识别率p_r为百分比；

(5)绘制p_r与m的关系，选定p_r最高，且m最小的识别变量作为识别特征，建立识别模型；

第六步：对于未知润滑油样品的识别，首先测定其红外光谱，并进行与第四步中相同的预处理，然后结合第五步中建立的识别模型逐级进行种类和级别识别。

2.根据权利要求1所述的方法，其特征在于：所述润滑油包括液压油、齿轮油、发动机油和传动液。

3.根据权利要求2所述的方法，其特征在于：第四步中的预处理包括一阶微分和小波变换，其中，润滑油的种类识别的光谱预处理为小波变换，发动机油、液压油、齿轮油和传动液各自种类和粘度级别的识别的光谱预处理为一阶微分。

4.根据权利要求1所述的方法，其特征在于：第五步中，所述识别模型为：润滑油种类识别模型、发动机油种类识别模型、发动机油粘度级别识别模型、齿轮油粘度级别识别模型、液压油粘度级别识别模型、通用内燃机油质量级别识别模型、汽油机油质量级别识别模型、柴油机油质量级别识别模型。

5.根据权利要求4所述的方法，其特征在于：润滑油种类识别模型的光谱预处理为小波变换，该模型将未知润滑油识别为液压油、齿轮油、发动机油和传动液四大类。

6.根据权利要求4所述的方法，其特征在于：发动机油种类识别模型的光谱预处理为一阶微分，选用12个波长，即：586.34cm^-1、893.01cm^-1、584.41cm^-1、1238.3cm^-1、866.01cm^-1、860.22cm^-1、900.73cm^-1、864.08cm^-1、862.15cm^-1和894.94cm^-1的吸光度为识别变量，该模型将未知发动机油识别为柴油机油、汽油机油和通用内燃机油三类。

7.根据权利要求4所述的方法，其特征在于：发动机油粘度级别识别模型：建立7个模型，预处理均为一阶微分，其中，模型1识别0W/30和5W/30两种粘度级别；模型2识别50和0W/50两种级别；模型3识别10W/30粘度级别；模型4识别30^#粘度级别；模型5识别5W/40级别；模型6识别40^#级别；模型7识别10W/40和15W/40。

8.根据权利要求4所述的方法，其特征在于：齿轮油粘度级别识别模型：光谱预处理为一阶微分，该模型将齿轮油识别为80W/90和85W/90；液压油粘度级别识别模型：共建立4个模型，预处理均为一阶微分，其中，模型1识别100^#液压油；模型2识别68^#液压油；模型3识别46^#液压油；模型4识别40^#液压油和30^#液压油。

9.根据权利要求4所述的方法，其特征在于：通用内燃机油质量级别识别模型：共建立5个模型，预处理为一阶微分，其中，模型1识别SI/CH-4、SL/CI-4、SM/CF-4级别；模型2识别为两组，即组1和组2，所述组1为：SD/CC、SE/CD和SF/CC，所述组2为：SF/CD、SG/CF-4、SJ-CG-4；对于组1，采用模型3进一步识别SD/CC、SE/CD和SF/CC；对于组2，采用模型4进一步识别SJ/CG-4；采用模型5进一步识别SF/CD和SG/CF-4；对于汽油机油质量级别识别：共建立识别5个模型，预处理为一阶微分，其中，模型1识别SF级别；模型2识别SM级别；模型3分为组1即SG、SL和组2即SE、SG；模型4和模型5对组1和组2进一步准确识别各类；

对于柴油机油质量级别识别：共建立6个识别模型，预处理为一阶微分，其中，模型1识别CC级别；模型2识别CD级别；模型3识别CF-4级别；模型4识别CI-4级别；模型5识别CD+级别；模型6识别CG-4和CH-4级别。

Images