CN103884675B - 一种基于红外光谱的发动机润滑油识别算法 - Google Patents

Abstract

本发明公开了一种基于红外光谱的发动机润滑油识别算法，本发明主要采用获取新的光谱相似性评价指标sim和应用新的光谱相似性评价指标sim进行润滑油判别的两种步骤来实现，与现有技术相比，本发明最显著的特征是将变量重要程度引入指纹图谱相似性评价指标，从而克服了现有算法不考虑变量重要程度所导致的不能有效区分微小变化谱图的不足，提高了相似性评价指标对微小变化图谱的识别能力。

Description

一种基于红外光谱的发动机润滑油识别算法

技术领域

本发明涉及一种发动机润滑油判别方法，尤其涉及一种基于红外光谱的发动机润滑油识别算法。

背景技术

发动机润滑油的组成、结构十分复杂，品种繁多，市场鱼目混珠、贴牌、掺假及造假现象等普遍存在，如何判别真伪就成了困扰生产者、销售者和使用者的一个令人棘手的问题，因此解决发动机润滑油的判别问题具有重要的现实意义。生产商通过判别可以保障自身的利益，维护品牌形象。销售商通过判别可增强代理产品的可靠性，提高声誉。使用者通过对润滑油的鉴别，可确定真伪，保证使用质量得到保障的正牌润滑油。生产商为维护品牌形象，一是通过管理手段防伪，二是通过技术手段打假。有的采用特定的润滑油配方，有的采用标记物，有的则以商标及包装，以保证产品不被仿制或假冒。

目前，判别发动机润滑油主要是从理化性能和使用性能的角度来进行，主要手段是模拟与台架试验，辅助以相关的理化指标分析。通过理化指标进行润滑油的判别，但对润滑油的区分性较弱，。要想获得准确与可靠的判别，必须依赖于模拟与台架试验。模拟与台架试验费用高、仪器复杂、操作需要专业技术人员，不可能广泛使用。为快速鉴别润滑油，人们研究了许多简易方法，如通过快速检测润滑油的碱值可粗略判别润滑油的类别，颜色与黏度判别法等，也曾有人建立了基于纸色谱的润滑油鉴别方法。但这些方法，目前还无法做到准确可靠。因此，探索新的润滑油质量判别手段一直是润滑油生产者、经销商及用户极其关注的课题。

采用光谱分析技术进行发动机润滑油的判别是人们的首选。为利用红外光谱进行发动机润滑油的有效识别，需要一个很重要的判别参数，即相似性度量参数。最常用的相似性度量参数为命中率指数或相关命中率指数。命中率指数HQI： $\mathrm{HQI}=1-\frac{\sqrt{\mathrm{\Σ}\left(A_i{L}_i\right)}}{\sqrt{\mathrm{\Σ}{A}_i^2}\×\sqrt{\mathrm{\Σ}{L}_i^2}},$ 相关命中率指数RHQI： $\mathrm{RHQI}=1-\frac{{\left[\mathrm{\Σ}(A_i-\stackrel{\‾}{A})(L_i-\stackrel{\‾}{L})\right]}^2}{\left[\mathrm{\Σ}{(A_i-\stackrel{\‾}{A})}^2\right]\left[\mathrm{\Σ}{(L_i-\stackrel{\‾}{L})}^2\right]}.$ 这两种相似性度量算法对谱图的特征和样式比较敏感，但对图谱细微差别不够敏感，用于润滑油的识别时，往往不能给出令人满意的结果，而这种微小的正是物质结构与组成存在差异的真实反映，因此将其用于结构与组成差异大的物质的判别效果较好，但将其用于润滑油这种结构与组成十分相近的物质的判别时很难给出满意的结果，误判不可避免。

发明内容

本发明的目的就在于为了解决上述问题而提供一种基于红外光谱的发动机润滑油识别算法。

本发明通过以下技术方案来实现上述目的：

本发明包括以下步骤：

(1)获取新的光谱相似性评价指标sim：

样本的红外光谱可表示为一个向量，即X(n)，在不同的波数处样本的红外光透过率或吸光度，设有两个样本X_i和Y_i，则两样本的差异性，得到下列公式：

D＝∑|x_i-y_i|/∑(x_i+y_i)

应用此式计算两向量的差异时，等同考虑各变量对差异的影响，变量的变异程度用标准偏差衡量，即：

各变量的重要程度用变量的标准偏差与变量标准偏差均值的比，即：p_i＝s_i/(∑s_i/n)，

将上述的差异性与衡量变量重要性的指标相结合，则有了一个新的度量向量差异性的指标，即：Diff＝∑(|x_i-y_i|×p_i)/∑(|x_i|+|y_i|)

由此表达式，完全相同的两个向量的差异性为0，完全不同的的两个向量的差异性为1，Diff值越小，两向量越相似，据此，向量的相似性可表达为：sim＝1-Diff，即sim越接近1，两向量越相似。

(2)应用新的光谱相似性评价指标sim进行润滑油判别时的具体做法如下：

A、获得润滑油红外光谱指纹谱：常用液体池法，液体池的厚度以0.1mm为佳，光谱范围取4000cm^-1-400cm^-1；

B、建立润滑油红外光谱标准样品库：要求收集的润滑油样品具有明确的来源，各种信息完备，采用带有绝对标准化功能的红外光谱仪获得所有样本的红外光谱指纹谱，以保证样本红外光谱的一致性；

C、润滑油红外光谱标准样品库的扩展：及时扩展润滑油红外光谱标准样品库，增添新的批号和新产品，有助于提高基于新指标的润滑油判别可靠性；

D、确定差异权重因子；

E、计算待判别样本的红外光谱指纹谱与标准库中样本红外光谱指纹谱的光谱相似性评价指标sim值；

F、根据得到的光谱相似性评价指标sim值，结合对待判别来源、代理商、包装及理化性质等了解，给出判别结果。

本发明的有益效果在于：

本发明是一种基于红外光谱的发动机润滑油识别算法，与现有技术相比，本发明最显著的特征是将变量重要程度引入指纹图谱相似性评价指标，从而克服了现有算法不考虑变量重要程度所导致的不能有效区分微小变化谱图的不足，提高了相似性评价指标对微小变化图谱的识别能力。

附图说明

图1是本发明实施例一所述的某品牌汽油机油15W40SE和某品牌汽油机油15W40SF的红外光谱图；

图2是本发明实施例二所述的某品牌润滑油15W40CD、某品牌润滑油15W40SE和某品牌润滑油15W40SF的红外光谱图。

具体实施方式

下面结合附图对本发明作进一步说明：

本发明包括以下步骤：

(1)获取新的光谱相似性评价指标sim：润滑油的红外光谱是润滑油组成与结构的反映，也称之为润滑油的特征指纹。红外光谱主要用于纯物质的结构分析与物质中特定成分的定量分析，将其用于润滑油鉴别的主要障碍是如何提出一种合理的相似性度量参数来衡量不同润滑油红外光谱的相似性，进而判别是否为某一特定的润滑油。现代润滑油主要由烃类化合物或合成烃或合成酯或烃类与合成烃或酯的混合物与功能添加剂构成，其主要成分为基础油，即烃类化合物或合成烃或合成酯或烃类与合成烃或酯的混合物，因此润滑油的红外光谱主要表现为这些物质的特征吸收，特别是在特征频率区。从4000cm^-1到2000cm^-1，各种润滑油的红外光谱很相似，特别是矿物及润滑油和合成烃润滑油，而且这部分的红外光谱的吸收峰强度大，如果将此部分纳入相似性的计算，很容易淹没弱吸收峰对相似性的贡献。因此，需要将这部分的红外光谱信号剔除，只考虑2000cm^-1到400cm^-1光谱区的吸收信号。此光谱区包含的润滑油结构与组成的信息极其丰富，微观结构和添加剂的信息此光谱区间都有响应。随之而来的问题是如何区分此光谱区的细小的变化，因此构建新的光谱相似性评价指标sim。

样本的红外光谱可表示为一个向量，即X(n)，在不同的波数处样本的红外光透过率或吸光度，设有两个样本X_i和Y_i，则两样本的差异性，得到下列公式：

D＝∑|x_i-y_i|/∑(x_i+y_i)

应用此式计算两向量的差异时，等同考虑各变量对差异的影响，因此计算值难以真实反映向量的实际差异。要想获得真实的差异，必须考虑各变量对差异的贡献程度。向量变量的特征性要强，越能够反映该向量，也可以说该变量是这个向量特征的反映。如果所有向量均含有这样一个特征变量，则该特征变量的差异决定了向量的差异。变量在区分向量过程中的重要性采用其变异程度来度量。变量的变异程度用标准偏差衡量，即：

$s_i=\sqrt{\frac{\mathrm{\Σ}{(x_i-{\stackrel{\‾}{x}}_i)}^2}{n-1}}$

式中：s_i表示第i个变量的标准偏差，n为向量的个数。因此，变量的重要程度定义为变量的标准偏差与变量标准偏差均值的比，即：

p_i＝s_i/(∑s_i/n)

式中：p_i表示变量i的标准偏差与变量标准偏差均值的比。这样，对于所研究样本，就有了一个可以衡量样本变量重要程度的参数。将上述的差异性与衡量变量重要性的指标相结合，则有了一个新的度量向量差异性的指标，即：

Diff＝∑(|x_i-y_i|×p_i)/∑(|x_i|+|y_i|)

由此表达式，完全相同的两个向量的差异性为0，完全不同的的两个向量的差异性为1。Diff值越小，两向量越相似。这样，向量的相似性可表达为：sim＝1-Diff，即sim越接近1，两向量越相似。

(2)应用新的光谱相似性评价指标sim进行润滑油判别时的具体做法如下：

A、获得润滑油红外光谱指纹谱：常用液体池法，液体池的厚度以0.1mm为佳，光谱范围取4000cm^-1-400cm^-1；

B、建立润滑油红外光谱标准样品库：要求收集的润滑油样品来源明确，信息完备，并应用带绝对标准化功能的红外光谱仪获得所有样本的红外光谱指纹谱，以保证样本红外光谱的一致性；

C、润滑油红外光谱标准样品库的扩展：及时扩展润滑油红外光谱标准样品库，增添新的批号和新产品，保证标准谱库的完备性，有助于提高基于新指标的润滑油判别可靠性；

D、确定差异权重因子；

E、计算待判别样本的红外光谱指纹图谱与标准库中样本红外光谱指纹图谱的光谱相似性评价指标sim值；

F、根据得到的光谱相似性评价指标sim值，结合对待判别样本来源、代理商、包装及理化性质等了解，给出判别结果。

实施例一：某品牌汽油机油15W40SE和某品牌汽油机油15W40SF是质量等级不同的润滑油，其红外光谱图如图1所示。

两种发动机润滑油的红外光谱十分相似，如果采用命中率指数度量两者的相似性，其值为0.9988，可认为两者几乎相同。但是实际情况是，两种发动机润滑油虽然出自相同厂家，质量等级不同，添加剂及其加入量也不同，表现在红外光谱同上，两者谱图相似，但细节和基线有明显差异，传统的命中率指数不能给出两者的差异，采用新的光谱相似性评价指标sim，两者的相似性度量指标值为0.9622。新的指标给出了两者的差异。

实施例二：某品牌润滑油15W40CD、某品牌润滑油15W40SE和某品牌润滑油15W40SF相互之间的相似性度量指标sim值见表1：

表1某品牌润滑油15W40CD、某品牌润滑油15W40SE和某品牌润滑油15W40SF的相似性

三种发动机润滑油具有相同的粘度等级，但质量等级存在差异，利用新的相似性度量指标可度量两两之间的差异。某品牌润滑油15W40CD为柴油机油，与后两者的相似性度量指标值分别为0.9621和0.9764，而两个汽油机油则较为相似，sim指标值为0.9817。新的光谱相似性评价指标sim能够正确区分这三种图谱相似的发动机润滑油。上述三种润滑油的红外光谱图如图2所示。从图中可以看出，某品牌润滑油15W40CD(柴油机油)与某品牌润滑油15W40SE(汽油机油)和某品牌润滑油15W40SF(汽油机油)存在加大差异，而汽油机油间的差异很小，这种差异在新的光谱相似性评价指标sim得到反映。若采用命中率指数法，这三种润滑油的光谱的相似性指标值分别为：某品牌润滑油15W40CD与某品牌润滑油15W40SE和某品牌润滑油15W40SF分别为0.9874和0.9854，某品牌润滑油15W40SE和某品牌润滑油15W40SF的相似性为0.9996。可见，命中率指数法不能正确反映光谱之间的差异。

Claims (1)

1.一种基于红外光谱的发动机润滑油识别算法，其特征在于，包括以下步骤：

(1)获取新的光谱相似性评价指标sim：

样本的红外光谱可表示为一个向量，即不同的波数处样本的红外光透过率或吸光度，设有两个样本X和Y，则两样本的差异性，定义为：

D＝∑|x_i-y_i|/∑(x_i+y_i)

应用此式计算两向量的差异时，等同考虑各变量对差异的影响，因此，不能真实反映向量的差异，必须引入变量差异权重因子，变量的变异程度用标准偏差衡量，即：

各变量的重要程度，称之为差异权重因子，用变量的标准偏差与变量标准偏差均值的比，即：p_i＝s_i/(∑s_i/n)；

将上述的差异性与衡量变量重要性的指标相结合，则有了一个新的度量向量差异性的指标，即：Diff＝∑(|x_i-y_i|×p_i)/∑(|x_i|+|y_i|)；

由此表达式，完全相同的两个向量的差异性为0，完全不同的两个向量的差异性为1，Diff值越小，两向量越相似，据此，向量的相似性可表达为：sim＝1-Diff，即sim越接近1，两向量越相似，

(2)应用新的光谱相似性评价指标sim进行润滑油判别时的具体做法如下：

A、获得润滑油红外光谱指纹谱：采用液体池法，液体池厚度取0.1mm，光谱范围取4000cm^-1-400cm^-1；

B、建立润滑油红外光谱标准样品库：要求收集的润滑油样品来源明确，信息完备，采用带绝对标准化功能的红外光谱仪获得所有样本的红外光谱指纹谱，保证样本红外光谱的一致性；

C、润滑油红外光谱标准样品库的扩展：及时扩展润滑油红外光谱标准样品库，增添新的批号和新产品，确保标准谱库的完备性，提高基于新指标的润滑油判别的可靠性；

D、确定差异权重因子；

E、计算待判别样本的红外光谱指纹谱与标准库中样本红外光谱指纹谱的光谱相似性评价指标sim值；

F、根据得到的光谱相似性评价指标sim值，结合对待判别样本来源、代理商、包装及理化性质的了解，给出判别结果。