摘要：為實現(xiàn)對拖拉機(jī)液壓油品質(zhì)的有效監(jiān)測，保障拖拉機(jī)液壓系統(tǒng)的平穩(wěn)運行，基于改進(jìn)PSO-BPNN設(shè)計一種針對拖拉機(jī)液壓油品質(zhì)的監(jiān)測方法。首先，為研究拖拉機(jī)液壓油品質(zhì)惡化情況，在液壓油新油的基礎(chǔ)上配制不同比例的液壓油油樣。隨后，搭建拖拉機(jī)液壓油品質(zhì)監(jiān)測試驗裝置，并依據(jù)試驗裝置采集與監(jiān)測液壓油粘度、介電常數(shù)和溫度參數(shù)。然后，設(shè)計并搭建一種基于改進(jìn)PSO-BPNN的拖拉機(jī)液壓油品質(zhì)監(jiān)測模型，該模型利用正弦調(diào)整慣性權(quán)重的PSO算法優(yōu)化BPNN的權(quán)值和閾值初始值，提高模型收斂效率。最后，為驗證基于改進(jìn)PSO-BPNN的液壓油品質(zhì)監(jiān)測方法的可行性，與基于傳統(tǒng)BPNN、標(biāo)準(zhǔn)PSO-BPNN的拖拉機(jī)液壓油品質(zhì)監(jiān)測模型進(jìn)行對比。結(jié)果表明，基于改進(jìn)PSO-BPNN的拖拉機(jī)液壓油品質(zhì)監(jiān)測方法具有較快的收斂速度，監(jiān)測正確率達(dá)到97.78%，為優(yōu)化拖拉機(jī)液壓油品質(zhì)監(jiān)測方法提供參考。

關(guān)鍵詞：拖拉機(jī)；液壓油品質(zhì)；改進(jìn)PSO算法；BP神經(jīng)網(wǎng)絡(luò)

中圖分類號：S219; TP137" " " 文獻(xiàn)標(biāo)識碼：A" " " 文章編號：2095?5553 （2024） 10?0140?07

Quality monitoring of tractor hydraulic oil based on improved PSO-BPNN

Li Zhongxing， Zhu Fangxi， Liu Bingchen， Xi Shaohua

（School of Automotive and Traffic Engineering， Jiangsu University， Zhenjiang， 212013， China）

Abstract： In order to effectively monitor the quality of tractor hydraulic oil and ensure the smooth operation of the tractor hydraulic system， a monitoring method for tractor hydraulic oil quality was designed by using improved PSO-BPNN. Firstly， in order to study the deterioration of tractor hydraulic oil quality， different proportions of hydraulic oil samples were prepared on the basis of new hydraulic oil. Subsequently， a tractor hydraulic oil quality monitoring test device was built， and the viscosity， dielectric constant， and temperature of the hydraulic oil were collected and monitored based on the test device. Secondly， a tractor hydraulic oil quality monitoring model by using improved PSO-BPNN was designed. The model utilized the PSO algorithm with sine adjusted inertia weights to optimize the weights and initial threshold values of BPNN， improving the convergence efficiency of the model. Finally， for verifying the feasibility of the hydraulic oil quality monitoring method by using improved PSO-BPNN， a comparison was made with the tractor hydraulic oil quality monitoring models by using traditional BPNN and standard PSO-BPNN. The comparison results show that the tractor hydraulic oil quality monitoring method by using improved PSO-BPNN has a fast convergence speed， with a monitoring accuracy of 97.78%， which can provide reference for optimizing the tractor hydraulic oil quality monitoring method.

Keywords： tractor; hydraulic oil quality; improved PSO algorithm; BP neural network

0 引言

液壓油作為拖拉機(jī)液壓系統(tǒng)的工作介質(zhì)，具有傳遞動力、潤滑、冷卻以及防腐防銹的作用。在田間作業(yè)的拖拉機(jī)，由于工作強(qiáng)度大和工作環(huán)境復(fù)雜多變等因素的影響，液壓油易被污染變質(zhì)。根據(jù)國內(nèi)外研究，液壓系統(tǒng)70%以上的故障是因液壓油污染及自身消耗變質(zhì)所造成的[1， 2]。隨著液壓油使用時間的增長，尤其當(dāng)拖拉機(jī)在一些惡劣的工況和工作環(huán)境中，氧化、水解等會有雜質(zhì)會滲入液壓油中。這導(dǎo)致液壓油劣化變質(zhì)而影響液壓系統(tǒng)使用性能[3]。液壓油污染會使得液壓油品質(zhì)惡化，對液壓系統(tǒng)造成嚴(yán)重危害。郝延龍[4]為了實現(xiàn)對油液中磨粒的分析，運用了微流控技術(shù)，結(jié)合圖像識別技術(shù)，提出了基于微流體與圖像識別技術(shù)的潤滑油中磨粒分析方法。油液污染物中占比最大的成分是固體金屬微粒[5]。固體顆粒污染會加劇液壓元器件的磨損，堵塞液壓泵等，進(jìn)而影響液壓系統(tǒng)的正常運行。當(dāng)液壓油中含有較多的水分時，水分會使液壓油乳化，腐蝕液壓元器件[6， 7]。液壓油中污染物主要是固體顆粒和水分等，來源主要由液壓系統(tǒng)內(nèi)部殘留的污染物、液壓系統(tǒng)內(nèi)部生成的污染物和外界混入的雜質(zhì)[8]。而針對液壓油的監(jiān)測的研究，李美威等[9]為了實現(xiàn)對油液品質(zhì)的在線監(jiān)測及預(yù)警，搭建了設(shè)備在正常狀態(tài)下的油液在線監(jiān)測自回歸滑動平均模型，通過仿真驗證了模型可以實現(xiàn)油液的監(jiān)測及預(yù)警。因此，監(jiān)測拖拉機(jī)液壓油運行狀態(tài)，保障液壓油品質(zhì)，對液壓系統(tǒng)乃至拖拉機(jī)的正常工作具有重要意義。

液壓油中的污染物會影響液壓油的理化參數(shù)（如粘度、介電常數(shù)等），降低液壓油的品質(zhì)和使用壽命。直接監(jiān)測液壓油的含水量和固體顆粒含量在工程實踐中難以實現(xiàn)，通常方法是通過監(jiān)測液壓油的粘度、介電常數(shù)等理化參數(shù)的變化情況來間接反映液壓油中含水率和固體顆粒含量。為實現(xiàn)對液壓油品質(zhì)的在線監(jiān)測，配制不同含水量和不同鐵含量的液壓油，模擬液壓油的惡化情況，設(shè)計并搭建液壓油品質(zhì)在線監(jiān)測試驗，監(jiān)測液壓油粘度、介電常數(shù)和溫度三個監(jiān)測參數(shù)，并基于改進(jìn)PSO-BP神經(jīng)網(wǎng)絡(luò)搭建液壓油品質(zhì)監(jiān)測模型，并對模型的可行性和有效性進(jìn)行驗證。

1 改進(jìn)PSO算法優(yōu)化BPNN

粒子群優(yōu)化算法（Particle Swarm Optimization， PSO）具有搜索能力強(qiáng)，有利于全局尋優(yōu)，但在尋優(yōu)過程中易陷入局部最優(yōu)。因此，提出對慣性權(quán)重值進(jìn)行正弦調(diào)整，以提高PSO算法的尋優(yōu)效果。同時，為了有效解決BP神經(jīng)網(wǎng)絡(luò)（Back Propagation Neural Network，BPNN）在非線性問題求解時存在的收斂速度慢、效率低等問題，將改進(jìn)PSO算法對BPNN的權(quán)重和閾值初始值進(jìn)行優(yōu)化，可有效改善BPNN的收斂速度和效率。

1.1 PSO算法改進(jìn)

1.1.1 PSO算法

PSO算法是一種群體智能的全局優(yōu)化算法，模擬了自然界的自然機(jī)制，生成特定數(shù)量的粒子[10]，將所有有關(guān)優(yōu)化的問題抽象成鳥類（粒子）的捕食行為進(jìn)行研究。具有需要調(diào)節(jié)參數(shù)少、運算耗時短、搜索質(zhì)量高的特點[11]。PSO是基于粒子迭代尋找目標(biāo)解空間中的最優(yōu)解的一種全局動態(tài)尋優(yōu)計算方法，通過在每次迭代過程中不斷調(diào)整自己的位置和速度尋求全局最優(yōu)和個體極值。其最終目的是尋找到最優(yōu)的候選解[12]，粒子群優(yōu)化算法的粒子速度更新如式（1）所示，粒子位置更新如式（2）所示。粒子的位置更新如圖1所示。

[vij（t+1）=wvij（t）+C1r1[pij（t）-xij（t）]+C2r2[pg j（t）-xij（t）]] （1）

式中： vij（t+1）——第i個粒子在t+1次迭代時的速度；

t——迭代次數(shù)；

w ——慣性權(quán)重；

vij（t）——第i個粒子在t次迭代時的速度；

C1、C2——加速度常數(shù)；

r1、r2——隨機(jī)常數(shù)；

pij（t）——第i個粒子在t次迭代時的最優(yōu)位置；

pgj（t）——粒子群在t次迭代時的最優(yōu)位置；

xij（t）——第i個粒子在t次迭代時的位置。

[xij（t+1）=xij（t）+vij（t+1）] （2）

式中： xij（t+1）——第i個粒子在t+1次迭代時的位置。

由式（1）、式（2）綜合可得粒子的位置更新可表示為

[xij（t+1）=xij（t）+wvij（t）+C1r1[pij（t）-xij（t）]+C2r2[pgj（t）-xij（t）]] （3）

在粒子的迭代尋優(yōu)過程中，對粒子的位置和速度分別做不同限制，分別如式（4）和式（5）所示。使得其分別在設(shè)定區(qū)間內(nèi)變化，防止粒子的盲目搜索。

[xij=-xmaxxmax] [xijlt;-xmaxxijgt;xmax] （4）

[vij=-vmaxvmax] [vijlt;-vmaxvijgt;vmax] （5）

式中： [xmax]——粒子的位置最大值；

[vmax]——粒子速度最大值。

1.1.2 PSO算法改進(jìn)

在標(biāo)準(zhǔn)PSO算法中，慣性權(quán)重w是介于[0.5，1.5]的隨機(jī)值。當(dāng)w設(shè)置過小時，無法保留原來的速度，使局部收斂能力強(qiáng)，全局收斂能力變?nèi)?；?dāng)w設(shè)置過大時，則相反。為了使得PSO算法在迭代前期具有較強(qiáng)的全局搜索能力，后期達(dá)到局部尋優(yōu)效果，提出了一種基于慣性權(quán)重正弦調(diào)整的改進(jìn)PSO算法，即在粒子群在尋優(yōu)的過程中，根據(jù)當(dāng)前迭代步數(shù)和最大迭代步數(shù)正弦調(diào)整慣性權(quán)重。正弦調(diào)整的慣性權(quán)重計算如式（6）所示。

[w（t）=wmax-（wmax-wmin）?sin（ttm）2] （6）

式中： wmax——最大慣性權(quán)重；

wmin——最小慣性權(quán)重；

tm——設(shè)定的最大迭代步數(shù)。

為了驗證改進(jìn)PSO算法的有效性，選擇具有大量按正弦拐點排列的、較多的局部最優(yōu)值點的多峰函數(shù)Rastrigrin函數(shù)對其進(jìn)行測試[13]，并將其與標(biāo)準(zhǔn)PSO算法進(jìn)行對比，結(jié)果如圖2所示。

通過對比可知，標(biāo)準(zhǔn)PSO算法在第10次迭代時達(dá)到函數(shù)的最優(yōu)適應(yīng)度值點，而改進(jìn)PSO算法在第6次迭代時達(dá)到該點。且在迭代過程中改進(jìn)PSO算法能夠很快地跳出局部最優(yōu)值點，而標(biāo)準(zhǔn)PSO算法多次陷入局部最優(yōu)值點，陷入的次數(shù)較多。由此可知，改進(jìn)PSO算法尋優(yōu)效果優(yōu)于標(biāo)準(zhǔn)PSO算法。

1.2 BPNN優(yōu)化

1.2.1 BPNN理論

BPNN是一種按照誤差逆向傳播算法訓(xùn)練的多層前饋神經(jīng)網(wǎng)絡(luò)，由輸入層、隱含層和輸出層三部分組成。針對不同的影響因子，BP神經(jīng)網(wǎng)絡(luò)可以得到變化對分析目標(biāo)的影響[14]。BPNN的基本思想是把網(wǎng)絡(luò)學(xué)習(xí)過程分為信息正向傳遞和誤差反向反饋兩個過程。其是基于BP算法的多層感知器而建立的，因此，其拓?fù)浣Y(jié)構(gòu)和多層感知器的拓?fù)浣Y(jié)構(gòu)相同[15]，BPNN拓?fù)浣Y(jié)構(gòu)，如圖3所示。

在信息正向傳遞過程中，信息從輸入層經(jīng)隱含層傳向輸出層，并計算每層的輸出值、輸出層實際輸出與期望輸出的誤差。

隱含層輸出值計算如式（7）所示；輸出層輸出值計算如式（8）所示；輸出層輸出結(jié)果與實際值的誤差如式（9）所示。

[zj=f1（i=1mw1ijxi+b1j）] （7）

[ok=f2（i=1mw2jkzj+b2k）] （8）

[E=12i=1m（ok-Ok）2] （9）

式中： zj——隱含層節(jié)點輸出；

f1——隱含層激活函數(shù)；

w1ij——輸入層和隱含層之間的權(quán)值；

xi——網(wǎng)絡(luò)輸入；

b1j——隱含層閾值；

ok——輸出節(jié)點輸出；

f2——輸出層激活函數(shù)；

w2jk——隱含層與輸出層間的權(quán)值；

b2k——輸出層閾值；

E——誤差值；

m——迭代次數(shù)；

Ok——網(wǎng)絡(luò)期望輸出。

若誤差E不在設(shè)定范圍內(nèi)，則BPNN將誤差信息從輸出層開始，按照梯度下降法反向調(diào)整各層的閾值和各層之間的權(quán)重，輸出權(quán)值變化如式（10）所示，隱含層權(quán)值變化如式（11）所示。

[Δw2jk=-η?E?w2jk=η（ok-Ok）f2'zj] （10）

[Δw1jk=-η?E?w1jk=ηEf2'w2jkf1'xi] （11）

式中： η——學(xué)習(xí)速率。

BPNN經(jīng)過信息正向傳遞和誤差反向反饋兩個過程的反復(fù)學(xué)習(xí)和訓(xùn)練，最終使得誤差E在設(shè)定范圍內(nèi)或達(dá)到設(shè)定的學(xué)習(xí)次數(shù)為止。

1.2.2 改進(jìn)PSO算法優(yōu)化BPNN

由于拖拉機(jī)液壓油監(jiān)測參數(shù)（粘度、介電常數(shù)和溫度）與液壓油品質(zhì)之間存在著復(fù)雜的映射關(guān)系，且BPNN在處理復(fù)雜映射和非線性問題時具有很大的優(yōu)勢。但在運算過程中存在著不足，BPNN的初始參數(shù)的隨機(jī)性在很大程度上影響著網(wǎng)絡(luò)自學(xué)習(xí)的收斂速度。因此需要合理確定初始值[16]。此時引入具備運行速度較快、全局尋優(yōu)能力較好的PSO算法可以有效解決BPNN上述問題[17]。而改進(jìn)PSO算法能進(jìn)一步提高全局搜索能力和迭代效率。利用改進(jìn)PSO算法對BPNN網(wǎng)絡(luò)初始參數(shù)進(jìn)行優(yōu)化，可更好解決BPNN的不足，提高BPNN尋優(yōu)效果。改進(jìn)PSO算法優(yōu)化BPNN的流程如圖4所示。

在采用改進(jìn)PSO算法優(yōu)化BPNN前，首先建立粒子維數(shù)j與BPNN初始的權(quán)值w1ij、w2jk和閾值b1j、b2k間的映射關(guān)系。映射關(guān)系表示方法如下

[123…I×Hw1ij，123…H×Ow2jk，123…Hb1j，123…Ob2k]

矩陣長度L即粒子的維數(shù)j，可用式（12）表示。

[L=j=I×H+H×O+H×O] （12）

式中： I——輸入層節(jié)點數(shù)；

H——隱含層節(jié)點數(shù)；

O——輸出層節(jié)點數(shù)。

1.3 基于改進(jìn)PSO-BPNN的液壓油品質(zhì)監(jiān)測模型搭建

針對拖拉機(jī)液壓油監(jiān)測參數(shù)與品質(zhì)存在的較大非線性，BP神經(jīng)網(wǎng)絡(luò)在處理耦合性強(qiáng)、非線性高等復(fù)雜的系統(tǒng)具有良好的擬合性能[18]。因此，通過改進(jìn)PSO-BPNN表示拖拉機(jī)液壓油監(jiān)測參數(shù)與品質(zhì)的非線性關(guān)系，以實現(xiàn)對拖拉機(jī)液壓油品質(zhì)的監(jiān)測。

液壓油品質(zhì)的優(yōu)劣可由粘度、介電常數(shù)、抗氧化性、抗乳化性等性能指標(biāo)反映。結(jié)合研究實際，選擇粘度、介電常數(shù)和溫度對液壓油品質(zhì)進(jìn)行監(jiān)測。

粘度是油液最重要的理化指標(biāo)，是決定潤滑油膜厚度的主要因素，由于設(shè)備潤滑主要靠潤滑油膜起到抗磨、減摩的作用，潤滑油粘度過大或過小都將導(dǎo)致潤滑油性能下降[19]。油液的介電常數(shù)是表征油液的介電特性或極化性質(zhì)的物理參數(shù)，綜合反映油液的污染和變質(zhì)程度；液壓油的溫度作為一個綜合特征信號，能夠直接反映液壓油的整體情況。液壓油的粘度、介電常數(shù)和溫度3個監(jiān)測參數(shù)作為改進(jìn)PSO-BPNN的輸入，可以較好監(jiān)測液壓油品質(zhì)，其值分別用c1、c2、c3表示。

液壓油因成分、使用情況、所在系統(tǒng)的不同，液壓油品質(zhì)惡化的程度也隨之不同，情況更為復(fù)雜。為了研究液壓油品質(zhì)惡化情況，將液壓油新油和配制的不同含水量和不同含鐵量的液壓油油樣按液壓油品質(zhì)分為優(yōu)、良、差3種級別，分別用o1、o2、o3表示，作為改進(jìn)PSO-BPNN的輸出?；诟倪M(jìn)PSO-BPNN的拖拉機(jī)液壓油品質(zhì)監(jiān)測模型如圖5所示。

2 拖拉機(jī)液壓油品質(zhì)監(jiān)測試驗

2.1 監(jiān)測試驗所用油樣配制

試驗以液壓油新油、配制的不同含水量和不同含鐵量的液壓油油樣為研究對象。試驗用油為某拖拉機(jī)企業(yè)定制的昆侖潤滑油。根據(jù)相關(guān)國家標(biāo)準(zhǔn)，當(dāng)液壓油含水量大于0.1%或機(jī)械雜質(zhì)含量大于0.05%時需要更換新油。為了模擬單一污染因素對液壓油的污染程度，分別配制含水量為0.05%、0.1%的水—液壓油油樣以及含鐵量為0.025%、0.05%的鐵粉—液壓油油樣。

2.2 拖拉機(jī)液壓油品質(zhì)在線監(jiān)測試驗

由于考察的污染因素和水平均有限，試驗采用單因素全面試驗設(shè)計法將所選取的污染因素和所有監(jiān)測參數(shù)組合全部實施多次。針對試驗實際情況，作兩點假設(shè)：配制油樣的水分、鐵粉均勻融于或分布于油樣中；忽略空氣對試驗的影響。試驗所需主要儀器見表1。

使用集熱式恒溫磁力攪拌器加熱試驗用油至不同的溫度，并通過流體特性傳感器（Fluid property sensor， FPS）采集包含液壓油粘度、介電常數(shù)和溫度的數(shù)據(jù)，采集時長為20 min。采集的數(shù)據(jù)經(jīng)CANalyst-Ⅱ分析儀傳送至油液監(jiān)測顯示系統(tǒng)進(jìn)行處理，進(jìn)而得到液壓油粘度、介電常數(shù)和溫度的具體數(shù)值。

液壓油品質(zhì)在線監(jiān)測試驗裝置如圖6所示。

3 仿真驗證

液壓油污染因素多變，粘度、介電常數(shù)可從不同方面反映液壓油的污染程度，采用容錯性好的BPNN建立液壓油品質(zhì)監(jiān)測模型對液壓油品質(zhì)進(jìn)行綜合判斷。采用離散標(biāo)準(zhǔn)化方法處理采集的數(shù)據(jù)，建立訓(xùn)練樣本集和測試樣本集，并利用訓(xùn)練樣本訓(xùn)練改進(jìn)PSO-BPNN，直至達(dá)到誤差要求，再運用測試集驗證基于改進(jìn)PSO-BPNN的液壓油品質(zhì)監(jiān)測模型的有效性和可行性，液壓油品質(zhì)監(jiān)測流程如圖7所示。

3.1 數(shù)據(jù)處理

根據(jù)拖拉機(jī)液壓油在線監(jiān)測試驗采集的數(shù)據(jù)，分別獲取不同含水量、不同含鐵量油樣的粘度、介電常數(shù)和溫度。依據(jù)液壓油中雜質(zhì)含量不同分別設(shè)定液壓油品質(zhì)的優(yōu)、良、差等級。為了便于數(shù)據(jù)處理，加快BPNN梯度下降求最優(yōu)解的速度，提高求解精度，采用如式（13）所示的離散標(biāo)準(zhǔn)化方法對數(shù)據(jù)進(jìn)行歸一化處理。

[cig=ci-cmincmax-cmin] （13）

式中： cig——歸一化后的參數(shù)；

ci——第i個參數(shù)；

cmax——ci中的最大值；

cmin——ci中的最小值。

從數(shù)據(jù)庫中分別選取c1、c2、c3中各10組作為液壓油品質(zhì)監(jiān)測模型的訓(xùn)練樣本集；以同樣的方法另選出15組數(shù)據(jù)作為測試樣本集。選取的訓(xùn)練樣本集和測試樣本集如表2所示。

3.2 仿真分析

3.2.1 參數(shù)設(shè)置

1） PSO算法參數(shù)設(shè)置。粒子群規(guī)模N=40，wmax=0.9，wmin=0.4，C1=C2=2，尋優(yōu)的最大迭代次數(shù)tmax=200，位置最小值xmin=-5，位置最大值xmax=5，速度最小值vmin=-1，速度最大值vmax=1。

2） BPNN參數(shù)設(shè)置。輸入層節(jié)點數(shù)為3，對應(yīng)輸入數(shù)據(jù)c1、c2、c3；輸出層節(jié)點數(shù)為3，對應(yīng)液壓油品質(zhì)等級o1、o2、o3，液壓油品質(zhì)優(yōu)等級期望輸出O1設(shè)為（1，0，0），良等級期望輸出O2的輸出設(shè)為（0，1，0），差等級期望輸出O3的輸出設(shè)為（0，0，1）；隱含層節(jié)點數(shù)計算如式（14）所示。

[n=nc+no+a] （14）

式中： n——隱含層節(jié)點數(shù)；

nc——輸入層節(jié)點數(shù)；

no——輸出層節(jié)點數(shù)；

a——調(diào)節(jié)常數(shù)，取值范圍為[1，10]。

經(jīng)測試驗證，確定隱含層節(jié)點數(shù)n為5。則BPNN結(jié)構(gòu)為3-5-3。隱含層激活函數(shù)選取tansig函數(shù)，輸出層激活函數(shù)選取logsig函數(shù)。誤差E的收斂值設(shè)為0.001。

3.2.2 仿真結(jié)果驗證

為了驗證基于改進(jìn)PSO-BPNN的液壓油品質(zhì)監(jiān)測模型收斂效果，將其與基于傳統(tǒng)BPNN、標(biāo)準(zhǔn)PSO-BPNN的液壓油品質(zhì)監(jiān)測模型進(jìn)行對比。三種模型的收斂效果如圖8所示。基于傳統(tǒng)BPNN的液壓油品質(zhì)監(jiān)測模型在第200次迭代時，未達(dá)到預(yù)設(shè)的MSE就迭代終止，基于標(biāo)準(zhǔn)PSO-BPNN的液壓油品質(zhì)監(jiān)測模型在第99次迭代時，收斂，而基于改進(jìn)PSO-BPNN的液壓油品質(zhì)監(jiān)測模型在第77次迭代時，便達(dá)到了預(yù)設(shè)的MSE。因此，相比基于傳統(tǒng)BPNN、標(biāo)準(zhǔn)PSO-BPNN的液壓油品質(zhì)監(jiān)測模型，基于改進(jìn)PSO-BPNN的液壓油品質(zhì)監(jiān)測模型收斂效率較高。

將測試樣本導(dǎo)入訓(xùn)練后的模型中，為便于液壓油品質(zhì)監(jiān)測，根據(jù)液壓油品質(zhì)等級的期望輸出對模型實際輸出數(shù)據(jù)進(jìn)行分類。輸出數(shù)據(jù)在[0，0.1]，判定其為0；在（0.1，0.9），判定其為無效分類；在[0.9，1]，判定其為1。為驗證基于改進(jìn)PSO-BPNN的監(jiān)測模型的有效性和可行性，將基于傳統(tǒng)BPNN、標(biāo)準(zhǔn)PSO-BPNN的液壓油品質(zhì)監(jiān)測模型與之對比，監(jiān)測模型的實際輸出與識別率對比結(jié)果見表3?；趥鹘y(tǒng)BPNN的液壓油品質(zhì)監(jiān)測模型中5組輸出數(shù)據(jù)有8個異常數(shù)據(jù)，其余10組數(shù)據(jù)均在有效范圍內(nèi)，液壓油品質(zhì)監(jiān)測的識別率R1的平均值為77.78%；基于標(biāo)準(zhǔn)PSO-BPNN的液壓油品質(zhì)監(jiān)測模型中4組輸出數(shù)據(jù)有5個異常數(shù)據(jù)，其余11組輸出數(shù)據(jù)均在有效范圍內(nèi)，識別率R2為86.67%，總體優(yōu)于R1；而基于改進(jìn)PSO-BPNN的液壓油品質(zhì)監(jiān)測模型輸出中僅存在1個輸出數(shù)據(jù)，識別率R3為97.78%，優(yōu)于R1、R2。由此可知，基于改進(jìn)PSO-BPNN的液壓油品質(zhì)監(jiān)測模型對液壓油品質(zhì)監(jiān)測的準(zhǔn)確度高于前兩者。

三種模型在訓(xùn)練和測試中的誤差率及準(zhǔn)確率見表4。由表4可知，與基于傳統(tǒng)BPNN、標(biāo)準(zhǔn)PSO-BPNN的液壓油品質(zhì)監(jiān)測模型相比，基于改進(jìn)PSO-BPNN的液壓油品質(zhì)監(jiān)測模型訓(xùn)練誤差和測試誤差明顯偏小，監(jiān)測結(jié)果正確率達(dá)到97.78%，監(jiān)測效果較高。

4 結(jié)論

1） 通過配制不同含水率和不同鐵含量的液壓油，模擬拖拉機(jī)液壓油污染程度，通過拖拉機(jī)液壓油在線監(jiān)測試驗實現(xiàn)對液壓油的粘度、介電常數(shù)和溫度的采集。

2） 正弦調(diào)整慣性權(quán)重的改進(jìn)PSO算法相較于標(biāo)準(zhǔn)PSO算法能夠有效改善粒子群的尋優(yōu)效果，運用改進(jìn)PSO算法優(yōu)化BPNN，搭建液壓油品質(zhì)監(jiān)測模型。與基于傳統(tǒng)BPNN、標(biāo)準(zhǔn)PSO-BPNN的液壓油品質(zhì)監(jiān)測模型相比，本文采用模型的監(jiān)測結(jié)果正確率達(dá)到97.78%，監(jiān)測效果較好，能夠滿足液壓油品質(zhì)監(jiān)測的要求，可為拖拉機(jī)液壓油品質(zhì)在線監(jiān)測提供依據(jù)。

參 考 文 獻(xiàn)

[ 1 ] 董志磊， 潘燕， 王月行. 液壓油污染度和水分含量在線檢測研究[J]. 潤滑與密封， 2015， 40（7）： 129-132.

[ 2 ] Ng F， Harding J A， Glass J. Improving hydraulic excavator performance through in line hydraulic oil contamination monitoring [J]. Mechanical Systems and Signal Processing， 2017， 83： 176-193.

[ 3 ] 陳希明. 商用車傳動系統(tǒng)機(jī)油品質(zhì)監(jiān)測預(yù)警系統(tǒng)研究[D]. 長春： 吉林大學(xué)， 2021.

Chen Ximing. Research on monitoring and early warning system for oil quality of commercial vehicle transmission system [D]. Changchun： Jilin University， 2021.

[ 4 ] 郝延龍. 基于微流體與圖像識別技術(shù)的潤滑油磨粒分析方法[D]. 大連： 大連海事大學(xué)， 2017.

Hao Yanlong. Recognition for particles in lubricating oil based on microfluidics and image processing technology [D]. Dalian： Dalian Maritime University， 2017.

[ 5 ] 宋云清， 丁曉強(qiáng). 液壓伺服控制系統(tǒng)油液污染及控制[J]. 設(shè)備管理與維修， 2021（15）： 135-137.

[ 6 ] 孫衍山， 鄧可， 王鈞. 液壓油水污染在線連續(xù)檢測傳感器研究[J]. 潤滑與密封， 2015， 40（7）： 103-105， 132.

[ 7 ] 龔烈航， 王強(qiáng)， 徐群章， 等. 液壓系統(tǒng)污染控制[M]. 北京： 國防工業(yè)出版社， 2010.

[ 8 ] Zeng R， Zhang Y， Lin Z R， et al. Contamination analysis and monitoring methods of hydraulic fluid [C]. 3rd Annual International Conference on Mechanics and Mechanical Engineering， Atlantis Press， 2016： 377-381.

[ 9 ] 李美威， 謝小鵬， 馮偉， 等. 基于ARMA模型的在線油液監(jiān)測故障預(yù)警研究[J]. 潤滑與密封， 2019， 44（12）： 108-113.

[10] 林歆悠， 黃強(qiáng)， 張光吉. 基于PSO的新型雙電機(jī)多模式驅(qū)動系統(tǒng)轉(zhuǎn)矩分配策略優(yōu)化[J]. 汽車工程， 2022， 44（8）： 1218-1225.

Lin Xinyou， Huang Qiang， Zhang Guangji. Torque distribution strategy optimization of a novel dual?motor multi?mode drive system using PSO algorithm [J]. Automotive Engineering， 2022， 44（8）： 1218-1225.

[11] 張揚， 朱志宇. 改進(jìn)PSO算法優(yōu)化LSSVM的柴油機(jī)排氣預(yù)測[J]. 重慶理工大學(xué)學(xué)報（自然科學(xué)）， 2020， 34（1）： 103-110.

Zhang Yang， Zhu Zhiyu. Diesel engine exhaust prediction based on improved PSO algorithm optimized ISSVM model [J]. Journal of Chongqing University of Technology （Natural Science）， 2020， 34（1）： 103-110.

[12] 張拓， 余何， 何愛民， 等. 基于混合特征與 PSO?SVM的旋轉(zhuǎn)部件故障診斷方法[J]. 重慶理工大學(xué)學(xué)報（自然科學(xué)）， 2022， 36（8）： 117-125.

Zhang Tuo， Yu He， He Aimin， et al. Rotating parts fault diagnosis method considering mixed feature and PSO?SVM [J]. Journal of Chongqing University of Technology （Natural Science）， 2022， 36（8）： 117-125.

[13] 張安玲， 王中. 一種混合粒子群優(yōu)化算法的研究[J]. 計算機(jī)工程與應(yīng)用， 2011， 47（31）： 27-29， 37.

Zhang Anling， Wang Zhong. Research on hybrid particle swarm optimization algorithm [J]. Computer Engineering and Applications， 2011， 47（31）： 27-29， 37.

[14] 羅兵， 張建敏. 基于BP神經(jīng)網(wǎng)絡(luò)的農(nóng)機(jī)安全評價敏感性分析[J]. 中國農(nóng)機(jī)化學(xué)報， 2022， 43（3）： 120-126.

Luo Bing， Zhang Jianmin. Sensitivity analysis of agricultural machinery safety evaluation based on BP neural network [J]. Journal of Chinese Agricultural Mechanization， 2022， 43（3）： 120-126.

[15] 姚璐嶠， 張小軍， 王凱， 等. BP神經(jīng)網(wǎng)絡(luò)輔助的氫氣泄漏檢測方法研究[J]. 重慶理工大學(xué)學(xué)報（自然科學(xué)）， 2022， 36（3）： 289-294.

Yao Luqiao， Zhang Xiaojun， Wang Kai， et al. Hydrogen leakage detection method by using BP neural network [J]. Journal of Chongqing University of Technology （Natural Science）， 2022， 36（3）： 289-294.

[16] 梁旺， 秦兆博， 陳亮， 等. 基于改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的智能車縱向控制方法[J]. 汽車工程， 2022， 44（8）： 1162-1172.

Liang Wang， Qin Zhaobo， Chen Liang， et al. Longitudinal control method of intelligent vehicles based on the improved BP neural network [J]. Automotive Engineering， 2022， 44（8）： 1162-1172.

[17] 楊濤鋒， 彭藝. 基于改進(jìn)PSO的ARIMA?SVM空氣質(zhì)量預(yù)測研究[J]. 云南大學(xué)學(xué)報（自然科學(xué)版）， 2020， 42（5）： 854-862.

Yang Taofeng， Peng Yi. A hybrid ARIMA?SVM model for the study of air quality prediction based on improved PSO [J]. Journal of Yunnan University （Natural Sciences Edition）， 2020， 42（5）： 854-862.

[18] 韓志國， 王基銘， 陳智高. 基于人工神經(jīng)網(wǎng)絡(luò)的石油化工工程建設(shè)項目管理績效評價[J]. 石油學(xué)報（石油加工）， 2021， 37（1）： 79-87.

[19] 汪宇航. 發(fā)動機(jī)潤滑油粘度在線檢測傳感器研究[D]. 廣州： 華南理工大學(xué)， 2020.

Wang Yuhang. Research on on?line detection sensor of engine lubricating oil viscosity [D]. Guangzhou： South China University of Technology， 2020.