崔策,賀石中,李秋秋,康鑫碩

(廣州機械科學(xué)研究院有限公司設(shè)備潤滑與檢測研究所, 廣東 廣州 510700)

0 引言

油液監(jiān)測技術(shù)是通過潤滑劑的性能變化、污染狀況及油中攜帶的磨損顆粒等信息，并結(jié)合工程師對現(xiàn)場工況的了解，綜合評價設(shè)備運行狀態(tài)的監(jiān)測技術(shù)[1]。該技術(shù)不僅對潛在故障、避免災(zāi)難性損壞導(dǎo)致的設(shè)備停機停產(chǎn)狀況的預(yù)報具有及時性，同時減少了設(shè)備不必要的維修時間，增加隱性產(chǎn)值和效益[2]。神經(jīng)網(wǎng)絡(luò)在數(shù)據(jù)分類及回歸等方面已有廣泛應(yīng)用，其特點主要包括；①充分逼近并求解復(fù)雜的非線性問題；②自適應(yīng)特征提取及學(xué)習(xí)能力；③具有一定容錯性和魯棒性；④適用于處理多維數(shù)學(xué)問題。

本文首先通過主成分分析進行數(shù)據(jù)降維，后將降維后的數(shù)據(jù)集訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)，在關(guān)聯(lián)專家知識后，結(jié)合模糊綜合評價理論，對數(shù)據(jù)集進行分類，建立PCA-BP神經(jīng)網(wǎng)絡(luò)分類模型。結(jié)果表明，基于PCA-BP神經(jīng)網(wǎng)絡(luò)的油液監(jiān)測評價模型的準確率較高，相比人工識別分類，消除了數(shù)據(jù)模糊性，且效率明顯提升。

1 主成分分析

素等共12個項目，其中黏度是表征潤滑劑的油膜強度的主要指標；水分、元素Si及Al通常來源于外部污染；酸值主要表征潤滑油的氧化程度及添加劑消耗程度；添加劑元素Ca、Zn及P是油中極壓抗磨添加劑的主要成分，如烷基水楊酸鈣、 二烷基二硫代磷酸鋅(ZDDP)等；金屬元素Fe、Cu、Cr、Sn主要來源于系統(tǒng)中的摩擦副材料，如齒輪、軸承材料及液壓系統(tǒng)中的鍍層等。

表1 測試樣本集

潤滑狀態(tài)評價集合是檢測數(shù)據(jù)集及專家知識的綜合內(nèi)容，其內(nèi)容主要依據(jù)診斷人員的專家經(jīng)驗，監(jiān)測數(shù)據(jù)的狀態(tài)，部分項目的評價指標參考石化行業(yè)標準SH/T 0467，如40 ℃運動黏度值的變化率超出10%時，說明油質(zhì)明顯氧化變質(zhì)，需要換油；水分超過0.1%則可能引起油品乳化等，表2列舉了評價結(jié)論集U={u1、u2、u3、u4}及其特征矢量。

表2 評價集及特征矢量

圖1是協(xié)方差矩陣的特征值累計曲線，為了消除指標之間的量綱影響，本文先對原數(shù)據(jù)進行歸一化處理，不僅能加快梯度下降求最優(yōu)解的速度，同時也降低了奇異樣本對誤差梯度無法收斂的影響[4]。由圖1可知，前8個成分的累計特征值貢獻率達到90%，因此本文選取8個特征作為原數(shù)據(jù)的主成分，圖2列舉了部分主成分特征向量。

圖1 主成分特征值累計貢獻率

圖2 累計貢獻率90%的主成分矩陣

2 BP神經(jīng)網(wǎng)絡(luò)識別分類結(jié)果

BP神經(jīng)網(wǎng)絡(luò)是一種多層前饋神經(jīng)網(wǎng)絡(luò)，其主要過程包括數(shù)據(jù)前向傳播及誤差反向傳播，是目前應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)之一[5-6]。

圖3 神經(jīng)元模型

圖4 最佳迭代次數(shù)及均方誤差

由圖4可知，在誤差梯度迭代至316次時，訓(xùn)練誤差已然達到目標誤差，此時為防止過擬合，網(wǎng)絡(luò)停止訓(xùn)練，模型已達到最優(yōu)。ROC曲線是一種常見的分類器模型評估方法，其原理是將單一樣本類別分類看成二分類問題，即對于類別yj，xm本屬于該類別即為正樣本，若不屬于即為負樣本。圖5表示ROC曲線圖中4個頂點分別表示的含義。

圖5 ROC曲線中坐標頂點的含義

對于優(yōu)質(zhì)模型，單一類別的ROC曲線應(yīng)盡量靠近(0,1)點，ROC曲線常用于解決由于樣本不均衡導(dǎo)致訓(xùn)練模型對單一類別敏感的評價問題。

對比圖4結(jié)果發(fā)現(xiàn)，采用PCA-BP的各類別ROC曲線ROC值較BP平均ROC值更高，說明模型對分類樣本集合的識別率更高，表明模型更優(yōu)，見圖6。

圖6 BP及PCA-BP模型ROC曲線

3 結(jié)論

本文采用BP神經(jīng)網(wǎng)絡(luò)建立油液監(jiān)測評價模型，并首先對樣本集合進行PCA降維，選取成分貢獻率90%的8個維度訓(xùn)練神經(jīng)網(wǎng)絡(luò)，并通過ROC曲線分別評價了4分類的模型識別率，通過對比發(fā)現(xiàn)，相比未降維樣本訓(xùn)練的BP神經(jīng)網(wǎng)絡(luò)，采用PCA-BP神經(jīng)網(wǎng)絡(luò)的識別結(jié)果較高，且能夠在一定程度消除人為評估的模糊性及主觀性。由于樣本數(shù)據(jù)較少，且維數(shù)較多，因此采用主成分分析對數(shù)據(jù)集進行降維，減少了訓(xùn)練集中存在相關(guān)冗余的屬性，提升了神經(jīng)網(wǎng)絡(luò)的計算效率。考慮數(shù)據(jù)集合的評價內(nèi)容可擴展性，后期也可通過擴充樣本數(shù)量或串聯(lián)其他機器學(xué)習(xí)算法進一步增加模型的魯棒性。