一种基于特征元素发动机润滑油鉴别法

摘要

本发明提供了一种润滑油鉴别法，包括数据测定、数据预处理、SOM网络的构建、利用所述SOM网络识别未知样品，其特征在于所述数据是指润滑油包含的特征元素的信息。本发明简单易操作、能即时得到鉴定结果，成本低廉，应用范围相当广泛；且准确度高，还可根据实际需要，建立属于自己的SOM网络，实现检测的个性化和特异化。

权利要求

1.一种润滑油鉴别法，包括数据测定、数据预处理、SOM网络的构建、利用所述SOM网络识别未知样品，其特征在于：所述数据是指润滑油包含的钙、锌元素的ppm值和钙、锌元素在金属元素Ag、Al、Ca、Cr、Cu、Fe、Si、Sn、Ti和Zn中所占质量分数。

2.如权利要求1所述的润滑油鉴别法，其特征在于所述数据预处理是指将测定的数据进行线性函数转换，将数据归一化到(0.1，0.9)区间，公式为p＝0.1+(x-min)/(max-min)*(0.9-0.1)，max是指所有样品中的最大值，min是指所有样品中的最小值，x为所测样品的数值。

3.如权利要求1或2所述的润滑油鉴别法，其特征在于SOM网络的构建包括SOM网络设计和网络训练，其特征在于所述网络设计是指：网络样本输入用p表示，其中k和n取自然数，共有k组样本向量，每个样本包含n个元素，并对p进行归一化处理。

4.如权利要求3所述的润滑油鉴别法，其特征在于将所述神经网络的竞争层设计为a×b的结构，a×b＝k；net＝newsom(minmax(p)，[a，b])，式中，p为输入向量，minmax(p)指定了输入向量元素的最大值和最小值。

5.如权利要求4所述的润滑油鉴别法，所述网络训练是指利用函数train对网络进行训练：net＝train(net，p)，

Y＝sim(net，p)，

yc＝vec2ind(Y)；训练后的网络神经元开始自组织分布。

6.如权利要求1所述的润滑油鉴别法，其特征在于包括以下步骤：(1)数据测定：通过多元素油料光谱仪MOA或ICP原子发射光谱仪或原子吸收光谱仪等测得润滑油中特征元素的质量含量，以及所述特征元素在金属元素中的质量比；所述特征元素是指Ca、Zn；

(2)数据预处理：将步骤(1)测定的数据进行线性函数转换，将数据归一化到(0.1，

0.9)区间，公式为p＝0.1+(x-min)/(max-min)*(0.9-0.1)，max是指所有样品中的最大值，min是指所有样品中的最小值，x为所测样品的值；

(3)SOM网络的构建：包括SOM网络设计和网络训练；

所述SOM网络设计是指：网络样本输入用p表示， 其中k和n取自然数，k为样本数，n为向量元素数；所述神经网络的竞争层设计为a×b的结构，a×b＝k；net＝newsom(minmax(p)，[a，b])，式中，p为输入向量，minmax(p)指定了输入向量元素的最大值和最小值；

所述网络训练是指利用函数train对网络进行训练：net＝train(net，p)，

Y＝sim(net，p)，

yc＝vec2ind(Y)；

循环训练；

训练后的网络神经元开始自组织分布；

(4)利用所述SOM网络识别未知样品。

7.如权利要求1所述的润滑油鉴别法，其特征在于包括以下步骤：(1)数据测定：通过MOA或ICP原子发射光谱仪或原子吸收光谱仪等测得润滑油中钙元素、锌元素的ppm值，以及钙元素、锌元素在Ag、Al、Ca、Cr、Cu、Fe、Si、Sn、Ti和Zn这十种金属中所占质量比例；

(2)数据预处理：将步骤(1)测定的数据进行线性函数转换，将数据归一化到(0.1，

0.9)区间，公式为p＝0.1+(x-min)/(max-min)*(0.9-0.1)，max是指所有样品中的最大值，min是指所有样品中的最小值，x为所测样品的值；

(3)SOM网络的构建：包括SOM网络设计和网络训练；

所述SOM网络设计是指：网络样本输入用p表示， 其中k＝1，

2，……20；n＝1，2，3，4，k为样本数，n为向量元素数，一共有20个样本，每个样本中包含钙元素ppm、锌元素ppm、ωCa(％)、ωZn(％)这4个特征变量，并对p进行归一化处理；所述SOM网络的竞争层设计为4×5的结构，a×b＝k；net＝newsom(minmax(p)，[4，5])，式中，p为输入向量，minmax(p)指定了输入向量元素的最大值和最小值；

所述网络训练是指利用函数train对网络进行训练：net＝train(net，p)，

Y＝sim(net，p)，

yc＝vec2ind(Y)；循环训练，循环步数以500-1000；

训练后的网络神经元开始自组织分布；

(4)利用所述SOM网络用于识别未知样本。

说明书

一种基于特征元素发动机润滑油鉴别法

技术领域

[0001] 本发明涉及一种发动机润滑油鉴别法，尤其涉及基于特征元素鉴别发动机润滑油的方法。

背景技术

[0002] 市场上，润滑油的混乱现象更是使其管理难度大幅增加。由于不同厂家不同品牌的润滑油利润相差很大，这给了市场上不法厂商造假提供了利益动机，造成市场出售的润滑油以次充好、以劣充优的现象普遍存在，它们有的是少加添加剂，有的是不加添加剂或是以低档充高档。这些润滑油外表包装不亚于正宗品牌的润滑油，而且颜色也与真油相当，普通消费者仅从外观上难以区分真假或是质量高低。

[0003] 这些现象都对润滑油管理提出更高的要求，单纯从润滑油外表包装标记管理鉴别润滑油具有致命的缺陷。润滑油种类繁多，外观特征差别不大，即便是专门的技术员或经验丰富的技工根据感观也难以对润滑油类别做出十足把握判断。根据润滑油本质特性研究鉴别方法，对于润滑油的正确使用及管理具有重要的理论与现实意义。

[0004] 正确鉴别润滑油不仅能够避免错用油，还能够充分发挥润滑油的性能。目前，国内外对油品类别的鉴别方法很多，但几乎集中在汽油、柴油等燃油的鉴别上，发动机润滑油类别的鉴别方法则很少。

[0005] 发动机润滑油品类繁多，成分复杂。例如，汽油发动机一般作为小轿车和轻型车的动力，其运行状况既有开开停停的市内行驶也有高速公路上的高速行驶，因此机油除应具备好的高温氧化安定性和清净性外，还应具有优良的抑制生成和分散低温油泥的能力，以及好的防锈、防腐蚀和抗磨能力，故加入的分散剂比率比柴油机油大。柴油机是以柴油为燃料的压燃式发动机，一般长时间高速行驶的工况比较多，其热负荷通常都高于汽油发动机，故对润滑油的高温清净性及抗氧性要求较高，而对抗低温锈蚀和抑制低温油泥生成的要求不是太高，故其清净剂比率比汽油机油大，特别是负荷大的CD级柴油机油复合添加剂配方中还要加一些硫化烷基酚盐来解决高温抗氧抗腐蚀问题。通用机油的润滑性能要同时满足汽油机油和柴油机油的性能要求，其配方组分之间要进行精心的选择和平衡。通用油配方中，多采用分散剂、清净剂和ZDDP三组分复合配制就能满足其性能要求，发动机润滑油质量等级要求越高，其组分就越复杂。

[0006] 美军野战手册FM-10-70中有关于润滑油类别的简易鉴别方法。他们根据油品皂化值和普通灰化值的大小，将润滑油分为三大类：第一类油品的碱值低于2.0mgKOH/g，普通灰分大于0.05％，为内燃机油类。第二类油品的碱值大于2.0mgKOH/g，为车用齿轮油类。第三类油品的皂化值低于2.0mgKOH/g，普通灰分低于0.05％，为机械油和其它油品类。美军这种鉴别润滑油种类的方法是很有使用价值的，但这种方法只适用于70年代以前生产的油品，对70年代以后的润滑油就不适用。

[0007] 侯大庆于2002年提出根据润滑油与碱(KOH)反应的物质数量多少来简易鉴别润滑油类别的方法。该方法是根据不同种类润滑油所含添加剂的种类和数量不同这一特性的基础上提出来的。润滑油中能与碱反应的添加剂很多，例如：抗氧防腐剂中的二烷基(芳基)二硫代磷酸盐，清净分散剂中的高、中、低碱值磺酸盐、烷基水杨酸钙，极压添加剂中的氯化石蜡、硫化烯烃、硫磷氨化物等，它们都能与碱反应，但反应的量不同。例如，最常用的与碱反应量最大，约为120～140mgKOH/g。在机械油中，添加量与碱反应量是成正比的，能与碱反应的添加剂在内燃机油、齿轮油中都有，但加入量是有很大差别的。例如：硫、磷、氯、锌型双曲线齿轮油中，加入的添加剂量在5％左右；高中档内燃机油中加入的添加剂量在10％左右；而机械油、汽轮机油和其它油品则不加上述添加剂，即便是加一些抗氧添加剂也是2.6-二叔丁基对甲酚、N-苯基β-萘胺等，它们不与碱反应。因此，根据试油与碱反应量的大小，可以把润滑油区分。

[0008] 目前，经常使用还有感观鉴别法“一看，二闻，三摸，四摇”和手捻法、光照法、机油滴痕迹法、流动速度法、滴油监别法、瓶装监别法等。这些方法主要用来判断在用润滑油的质量以确定是否更换新油，其中有涉及到润滑油与燃油区别的判断，但对润滑油的鉴别则没有研究，而且这些方法受鉴别者主观因素影响较大，使用范围受限。

[0009] 对于润滑油类别鉴别，较可靠的方法是综合考察润滑油物理化学特性，采用专门技术，主要有理化性能检测技术、模拟试验方法和发动机台架试验方法。例如，用红外光谱等分析仪器测定润滑油中添加剂、结构/组成等，通过结构与组成达到区分润滑油的目的；采用发动机试验，通过评价润滑油的综合性能鉴别润滑油等。这些方法可以获得润滑油的组成、性能等本质特性，但它们的技术要求高，耗费高，实验设备昂贵，有的实验时间较长，不利于广大普通消费者对润滑油的鉴别。润滑油的鉴别问题引起了人们的关注，如何方便、快速与有效鉴别发动机润滑油已成为当前一个紧迫的重要课题。

发明内容

[0010] 本发明的目的在于提供一种简约型发动机润滑油鉴别法。

[0011] 本发明目的是通过以下措施实现的：

[0012] 一种润滑油鉴别法，包括数据测定、数据预处理、SOM网络的构建、利用所述SOM网络识别，其特征在于所述数据是指润滑油包含的特征元素的信息。

[0013] 上述特征元素是指对润滑油性能起主要作用的物质元素。

[0014] 为了准确地鉴别发动机润滑油，上述特征元素是指金属元素，包括Ag、Al、Ca、Cr、Cu、Fe、Si、Sn、Ti或Zn，优选为钙元素、锌元素。

[0015] 为了更好的以特征元素表征润滑油，上述特征元素的信息是指上述元素的ppm值和上述元素在所有金属元素中所占质量分数。ppm是指上述特征元素在上述润滑油中的质量含量。上述数据是通过多元素油料光谱仪MOA或ICP原子发射光谱仪或原子吸收光谱仪等测得，优选为MOA多元素油液光谱仪。

[0016] 为了提高准确度，上述数据预处理是指将测定的数据进行线性函数转换，将数据归一化到(0.1，0.9)区间，公式为p＝0.1+(x-min)/(max-min)*(0.9-0.1)，max是指所有样品中的最大值，min是指所有样品中的最小值，x为所测样品的值。

[0017] 上述SOM网络构建包括SOM网络设计和网络训练。上述SOM网络设计是指：SOM网络所测样本输入用p表示， 其中k和n取自然数，k为样本数，并对p进行归一化处理。

[0018] 为了提高网络映射精度，将所述神经网络的竞争层设计为a×b的结构，a×b＝k；net＝newsom(minmax(p)，[a，b])，式中，p为输入向量，minmax(p)指定了输入向量元素的最大值和最小值。

[0019] 上述网络训练是指利用函数train对网络进行训练：

[0020] net＝train(net，p)，

[0021] Y＝sim(net，p)，

[0022] yc＝vec2ind(Y)；

[0023] 训练后的网络神经元开始自组织分布。每个神经元可以区分不同的样本。训练结束后，权值就固定了，以后每输入一个值，网络就会自动地对其进行分类。

[0024] 为了提高网络神经的精密度，可进行循环训练。循环步数以500-1000为佳。

[0025] 上述润滑油鉴别法，其特征在于包括以下步骤：

[0026] (1)数据测定：通过多元素油料光谱仪MOA或ICP原子发射光谱仪或原子吸收光谱仪等测得润滑油中特征元素的质量含量，以及所述特征元素在金属元素中的质量比；所述特征元素是指Ag、Al、Ca、Cr、Cu、Fe、Si、Sn、Ti或Zn中的一种或多种；

[0027] (2)数据预处理：将步骤(1)测定的数据进行线性函数转换，将数据归一化到(0.1，0.9)区间，公式为p＝0.1+(x-min)/(max-min)*(0.9-0.1)，max是指所有样品中的最大值，min是指所有样品中的最小值，x为所测样品的值；

[0028] (3)SOM网络的构建：包括SOM网络设计和网络训练；

[0029] 所述SOM网络设计是指：网络样本输入用p表示， 其中k和n取自然数，k为样本数，n为向量元素数；所述神经网络的竞争层设计为a×b的结构，a×b＝k；net＝newsom(minmax(p)，[a，b])，式中，p为输入向量，minmax(p)指定了输入向量元素的最大值和最小值；

[0030] 所述网络训练是指利用函数train对网络进行训练：

[0031] net＝train(net，p)，

[0032] Y＝sim(net，p)，

[0033] yc＝vec2ind(Y)；

[0034] 循环训练；

[0035] 训练后的网络神经元开始自组织分布。

[0036] (4)利用所述SOM网络识别未知样品。

[0037] 上述润滑油鉴别法，其特征在于包括以下步骤：

[0038] (1)数据测定：通过多元素油料光谱仪MOA或ICP原子发射光谱仪或原子吸收光谱仪等测得润滑油中Ag、Al、Ca、Cr、Cu、Fe、Si、Sn、Ti和Zn的含量(ppm)，以及钙元素、锌元素在这十种金属元素中质量比；

[0039] (2)数据预处理：将步骤(1)测定的数据进行线性函数转换，将数据归一化到(0.1，0.9)区间，公式为p＝0.1+(x-min)/(max-min)*(0.9-0.1)，max是指所有样品中的最大值，min是指所有样品中的最小值，x为所测样品的值；

[0040] (3)SOM网络的构建：包括SOM网络设计和网络训练；

[0041] 所述SOM网络设计是指：网络样本输入用p表示， 其中k＝1，2，……20；n＝1，2，3，4，k为样本数，n为向量元素数，一共有20个样本，每个样本中包含钙元素ppm、锌元素ppm、ωCa(％)、ωZn(％)这4个元素，并对p进行归一化处理；所述SOM网络的竞争层设计为4×5的结构；net＝newsom(minmax(p)[4，5])，式中，p为输入向量，minmax(p)指定了输入向量元素的最大值和最小值；

[0042] 所述网络训练是指利用函数train对网络进行训练：

[0043] net＝train(net，P)，

[0044] Y＝sim(net，P)，

[0045] yc＝vec2ind(Y)；循环训练，循环步数为500-1000；

[0046] 训练后的网络神经元开始自组织分布。

[0047] (4)利用所述SOM网络识别未知样品。

[0048] ωCa(％)、ωZn(％)表示钙、锌元素含量占据Ag、Al、Ca、Cr、Cu、Fe、Si、Sn、Ti或Zn这十种金属总含量的质量比。

[0049] 有益效果

[0050] 1.利用本发明进行润滑油的鉴别简单易操作、能即时得到鉴定结果，[0051] 成本低廉，应用范围相当广泛。

[0052] 2.本发明准确度高，几乎不会出现误检的情况，准确度可达到99％。

[0053] 3.利用本发明所述方法，可根据实际需要，建立属于自己的SOM网络，[0054] 实现检测的个性化和特异化。

附图说明

[0055] 图1神经网络(SOM网络)鉴别润滑油流程图

[0056] 图2本发明实施例1中训练后的网络神经元自组织分布后的权值分布图具体实施方式

[0057] 下面通过具体实施例对本发明进行描述，有必要在此指出的是，所述实施例只用于对本方法进行进一步说明，不能理解为对本发明保护范围的限制，该领域的技术人员可以根据本发明的技术方案做出一些非本质的改进和调整。

[0058] 实施例1

[0059] 1.数据获取

[0060] 利用MOA多元素油液光谱仪测定发动机油的金属元素，利用该仪器获得润滑油液中钙、锌含量，所得数据放在表1列Ca(ppm)、Zn(ppm)中，并计算钙元素、锌元素在Ag、Al、Ca、Cr、Cu、Fe、Si、Sn、T和Zn这10种金属含量中的百分比，所得结果放在表1列ωCa(％)、ωZn(％)中。表一中结果一列内容为被激发的神经元索引值。

[0061]编号 厂家 牌号 Ca(ppm) Zn(ppm) ωCa(％) ωZn(％) 结果
1 Esso CG4CF4_15W40 1325.0 829.0 0.614 0.384 17
2 Esso SJCF10W40 883.0 805.0 0.522 0.476 19
3 Esso超力富 SL15W50 928.0 1126.0 0.451 0.548 16
4 M SJ15W50 627.0 771.0 0.448 0.551 11
5 Mobil黑霸王 CG-4CF-4CF 1270.0 865 0.594 0.404 17
6 Shell CDSE50 1004.0 505.0 0.663 0.333 13
7 Shell SHCD10W40 319.0 743 0.300 0.698 7
8 Shell SJCF10W40 848.0 772.0 0.523 0.476 19
9 Shell SJCF15W50 643.0 782.0 0.450 0.548 11
10 Shell SJCF5W40 693.0 856.0 0.447 0.552 15
11 长安铃木 SH15W40 173.0 1016.0 0.145 0.850 4
12 长安铃木 SJ15W40 177.0 1278.0 0.121 0.874 4
13 长倍 SE10W30 502.0 473.0 0.514 0.484 1
14 长倍(1) SE15W40 486.0 440.0 0.523 0.473 1
15 长倍(2) SE15W40 499.0 438.0 0.530 0.465 1
16 长倍 SF15W40 622.0 587.0 0.512 0.483 5
17 昆仑 SE15W40 808.0 645.0 0.555 0.443 10
18 昆仑 SF15W40 742.0 610.0 0.547 0.450 10
19 一坪隆鑫 SF15W40 610.0 911.0 0.400 0.597 12
20 玉柴 CD20W50 1082.0 572.0 0.652 0.345 13

[0062] 表1发动机润滑油金属元素分析结果

[0063] 2.数据预处理

[0064] 对于测定好的数据进行线性函数转换，表达式如下：p＝0.1+(x-min)/(max-min)*(0.9-0.1)将 数 据 归 一 化 到(0.1，0.9) 区 间。MAX[Ca(ppm)]＝ 1325，MIN[Ca(ppm)]＝173；MAX[Zn(ppm)]＝1278，MIN[Zn(ppm)]＝438；MAX[ωCa]＝0.663，MIN[ωCa]＝0.121；MAX[ωZn]＝0.874，MIN[ωZn]＝0.333。

[0065] 3.SOM网络构建

[0066] (1)SOM网络设计

[0067] 网络样本输入用P表示，

[0068]

[0069] 其中，k＝1，2，……20；n＝1，2，3，4，一共有20样本，每个样本中包含4个元素，并对p进行归一化处理。为提高网络映射精度，将网络的竞争层设计为4×5的结构：

[0070] net＝newsom(minmax(p)，[4 5])

[0071] 式中，p为输入向量，minmax(p)指定了输入向量元素的最大值和最小值。

[0072] (2)网络训练

[0073] 利用函数train对网络进行训练：

[0074] net＝train(net，p)；

[0075] Y＝sim(net，p)

[0076] yc＝vec2ind(Y)

[0077] 结果为：

[0078] yc＝17，19，16，11，17，13，7，19，11，15，4，4，1，1，5，1，10，10，12，13，[0079] 见表1的结果一列。训练后的网络神经元开始自组织分布，每个神经元可以区分不同的样本，本实施例训练步数为500，所得权值分布情况如图2所示。

[0080] 4.输入待测样本的数据，网络可自动地对其进行分类。聚类结果见表2。

[0081]样本序号 类别 索引 润滑油类型
13 14 15 1 1 长倍_SE10W30、长倍_SE15W40(1)、长倍_SE15W40(2)
11 12 2 4 长安铃木_SH15W40、长安铃木_SJ15W40
16 3 5 长倍_SF15W40
7 4 7 Shell_SHCD10W40
17 18 5 10 昆仑_SE15W40、昆仑_SF15W40
49 6 11 Mobil_SJ15W50、Shell_SJCF15W50
19 7 12 一坪隆鑫_SF15W40
20 8 13 Shell_CDSE50、玉柴_CD20W50
10 9 15 Shell_SJCF5W40
3 10 16 Esso超力富_SL15W50
15 11 17 Mobil黑霸王_CG4CF4CF、Esso_CG4CF415W40
28 12 19 Esso_SJCF10W40、Shell_SJCF10W40

[0082] 表2聚类结果

[0083] 实施例1完整的MATLAB代码为：

[0084] ％％％％％％％％％％％％％％SOM神经网络％％％％％％％％％％％％％％％％％％％[0085] load matlab.mat％加载数据

[0086] a＝MOA_SOM；

[0087] ％归一化

[0088] for i＝1∶4

[0089] a(：，i) ＝ 01+(a(：，i)-min(a(：，i)))/(max(a (：，i))-min(a(：，i)))*(09-0.1)；

[0090] end

[0091] c＝[25 200 2000]；％设定训练步数

[0092] P＝a’；

[0093] net＝newsom(minmax(p)，[4，5])；

[0094] for i＝1∶3

[0095] net.trainParam.epochs＝c(i)；

[0096] net.trainParam.goal＝0.01；

[0097] net＝train(net，p)；

[0098] Y＝sim(net，p)

[0099] yc＝vec2ind(Y)

[0100] figure；plotsom(net.iw{1，1}，ne t.layers{1}.distances)

[0101] end