段小娟,蔡發(fā),黃杰,鄧可,戚佳琳
(1.青島出入境檢驗檢疫局,山東 青島 266001;2.山東出入境檢驗檢疫局檢驗檢疫技術(shù)中心,山東 青島 266002)
汽車用潤滑油在使用過程中,部分烴類在空氣中氧的作用下會發(fā)生氧化反應(yīng),生成過氧化物、羧酸、酮、醇等化合物,導(dǎo)致潤滑油顏色變深,酸值增加,并產(chǎn)生沉淀、油泥、漆膜等物質(zhì),這些物質(zhì)的沉積將造成發(fā)動機(jī)系統(tǒng)阻塞,降低發(fā)動機(jī)效率,同時,生成的有機(jī)酸還會腐蝕發(fā)動機(jī)部件,從而降低發(fā)動機(jī)的使用壽命。因此汽車潤滑油品質(zhì)的好壞直接影響汽車的使用年限和安全問題。若長期使用品質(zhì)不好的潤滑油或沒有及時更換新潤滑油,輕者將降低潤滑效果,加劇磨損,增大燃油消耗,重者會引發(fā)機(jī)械事故等。目前,我國潤滑油市場質(zhì)量參差不齊,加上消費(fèi)者對潤滑油的認(rèn)識尚不足,市面上假冒偽劣產(chǎn)品盛行。因此有必要建立一種能夠簡單、快速分辨新潤滑油和廢潤滑油的方法,為監(jiān)管部門提供技術(shù)支撐。
紅外光譜技術(shù)作為一種新型現(xiàn)代分析檢測技術(shù),與傳統(tǒng)檢測方法相比,具有無損、快速、高通量和低成本等優(yōu)點(diǎn),已被廣泛應(yīng)用于農(nóng)業(yè)[1-2]、化工[3-4]、醫(yī)藥[5]和食品工業(yè)[6-9]等領(lǐng)域。近幾年得到迅速發(fā)展的紅外光譜技術(shù)也被引入到石油化工領(lǐng)域[10-11]。本文通過對汽車用新潤滑油與廢潤滑油的紅外光譜數(shù)據(jù)進(jìn)行分析,結(jié)合主成分分析和偏最小二乘法,建立一種快速鑒別新潤滑油和廢潤滑油的方法。
實驗使用的紅外光譜儀是Thermo Fisher公司生產(chǎn)的Necolet 380型傅里葉變換紅外光譜儀,其波數(shù)測量范圍為4000~650 cm-1,分辨率為2 cm-1,掃描次數(shù)為16次;光譜數(shù)據(jù)分析軟件為Matlab。
實驗所用的116種新潤滑油采購于山東省各地4S店或潤滑油經(jīng)銷商,包含國內(nèi)外知名品牌和少量地方品牌,也有大型汽車生產(chǎn)廠家定制品牌,基本能夠代表國內(nèi)市場實際情況。所有潤滑油都在保質(zhì)期內(nèi),質(zhì)量可以保證。試驗所用的32種廢潤滑油采購于青島4S店,均為從汽車發(fā)動機(jī)上更換下來的廢潤滑油。在實驗過程中,所有潤滑油樣品都密封存放在干燥的房間內(nèi),室內(nèi)溫度保持在25 ℃左右。
每次檢測樣品前,采集背景并扣除背景值。儀器檢測波長用標(biāo)準(zhǔn)波長聚苯乙烯薄膜進(jìn)行校正。采用衰減全反射(ATR)制樣法,折射晶體為ZnSe,折射角度為45 °。每個樣本掃描16次,以其平均光譜作為該樣本最終的光譜。
從收集的116種新潤滑油和32種廢潤滑油中,隨機(jī)選擇81種新潤滑油和18種廢潤滑油組成建模集,剩余的35種新潤滑油和14種廢潤滑油組成預(yù)測集。
1.3.1 特征變量提取方法
當(dāng)采用全波段紅外光譜進(jìn)行光譜建模時,由于全波段光譜包含了成百上千的光譜波長變量,含有大量共線性信息和冗余信息,不僅計算量巨大,而且模型的預(yù)測精度也很難得到保證。為了減少輸入變量,節(jié)省計算時間,以及防止由于模型包含過多的非目標(biāo)因素造成模型的預(yù)測能力較弱和穩(wěn)定性較差等現(xiàn)象,可對原始光譜進(jìn)行變量篩選,把篩選出的最優(yōu)變量作為模型的輸入標(biāo)量來代替全譜進(jìn)行建模,能夠更快速地鑒別新潤滑油和廢潤滑油。
主成分分析法(PCA)是光譜分析中最常用的一種線性映射方法,其基本思想是設(shè)法將原來的變量重新組合成一組新的、互相無關(guān)的幾個綜合變量,在不丟失主要光譜信息的前提下,從中可以選取幾個較少的綜合變量,盡可能多地反映原來變量的信息。該方法的主要目的是消除眾多信息中相互重疊的信息,對高維變量實現(xiàn)降維處理。
1.3.2 建模方法
應(yīng)用定量分析方法將紅外光譜信息和被測物質(zhì)組分信息進(jìn)行關(guān)聯(lián),建立起兩者之間定性或定量關(guān)系的數(shù)學(xué)模型?;诮⒑玫哪P停灰杉A(yù)測樣品的紅外光譜信息,就可以快速預(yù)測出該樣品的組成或性質(zhì)。
偏最小二乘法(PLS)是目前在紅外光譜分析領(lǐng)域最為常用的定量分析方法。該方法是通過因子分析將矩陣分解和回歸并為一步,即自變量和因變量矩陣分解是同時進(jìn)行的,并且將因變量信息引入到自變量矩陣分解過程中,使得自變量主成分直接與因變量關(guān)聯(lián)。它既可處理回歸分析問題,又可處理模式識別問題,而且PLS對光譜數(shù)據(jù)可隨意選取,既可以是全光譜,也可以是其中的部分?jǐn)?shù)據(jù)。
1.3.3 數(shù)學(xué)模型評價
數(shù)學(xué)模型采用外部驗證對其性能進(jìn)行評價,一般用模型預(yù)測相關(guān)系數(shù)(r) 、預(yù)測誤差均方根(RMSEP)和校正誤差均方根(RMSEC)進(jìn)行評價。模型的相關(guān)系數(shù)越高,預(yù)測誤差均方根和校正誤差均方根越小,模型的預(yù)測能力和穩(wěn)健性越強(qiáng)。
81種新潤滑油和18種廢潤滑油的原始紅外光譜如圖1所示。圖1中橫坐標(biāo)為波數(shù),范圍4000~650 cm-1,縱坐標(biāo)為光譜吸光度值。從圖1中可以看出,新潤滑油和廢潤滑油的原始光譜曲線差異比較小,必須通過光譜變量篩選及數(shù)學(xué)模型才能實現(xiàn)新潤滑油和廢潤滑油的鑒別。
圖1 81種新潤滑油和18種廢潤滑油的紅外光譜重疊
由于從4000~650cm-1的全部光譜波段含有太多的輸入變量,造成建模的數(shù)據(jù)量太大,會影響到計算速度和模型精度;而且由于信息中還夾雜著噪聲等干擾,也會對模型的建立造成影響。為此,在對數(shù)據(jù)進(jìn)行建模之前,先應(yīng)用PCA對原始輸入變量進(jìn)行降維,然后選取貢獻(xiàn)量最高的幾個主成分代替原有的輸入變量建立模型。
對81個新潤滑油和18個廢潤滑油建模集樣本的光譜數(shù)據(jù)進(jìn)行主成分分析,結(jié)果見圖2。前7個主成分的累積貢獻(xiàn)量達(dá)到92.39%,說明前7個主成分可代表原紅外光譜的主要信息。
圖2 各主成分累積貢獻(xiàn)量
同時,用第一主成分(PC1)和第二主成分(PC2)得分值做散點(diǎn)圖,如圖3。由圖3可以看出,主成分1、2對新潤滑油和廢潤滑油有較好的聚類作用,它們明顯分成兩類。其中81個新潤滑油樣本比較集中,基本上位于左下區(qū)域,且除少部分樣品外,大多數(shù)樣本都位于第三象限。而廢潤滑油樣本基本上位于右上區(qū)域,大部分集中在第一象限。新潤滑油和廢潤滑油存在明顯差異,只有極少的個別樣品交叉重疊在一起。分析結(jié)果表明主成分分析對新潤滑油和廢潤滑油有一定的聚類作用,基本能定性區(qū)分兩類潤滑油。
圖3 81種新潤滑油和18種廢潤滑油的主成分分析聚類
以1、2符號分別代表新潤滑油和廢潤滑油,將81個新潤滑油樣本和18個廢潤滑油樣本作為建模集。將主成分分析提取的前7個主成分作為模型的輸入變量,新潤滑油和廢潤滑油作為輸出變量(分別用編號1、2表示),建立偏最小二乘法鑒別模型。該模型校正集相關(guān)系數(shù)(r)和校正誤差均方根(RMSEC)分別為0.96119和0.1064。用剩余的35個新潤滑油樣本和14個廢潤滑油樣本作為預(yù)測集,對所建模型進(jìn)行驗證,預(yù)測結(jié)果如圖4所示。該模型預(yù)測集相關(guān)系數(shù)(r)和預(yù)測誤差均方根(RMSEP)分別為0.94445和0.16551。將鑒別的閾值設(shè)置為0.5,即新潤滑油的預(yù)測值范圍為0.5~1.5,廢潤滑油的預(yù)測值為1.5~2.5,結(jié)果表明,該模型對新潤滑油和廢潤滑油的鑒別率為98%。
圖4 應(yīng)用PCA-PLS模型對新潤滑油和廢潤滑油的預(yù)測結(jié)果
提出了應(yīng)用中紅外光譜技術(shù)結(jié)合主成分分析與偏最小二乘法鑒別新潤滑油和廢潤滑油的方法。通過主成分分析可有效地壓縮建模的變量個數(shù),將提取的前7個主成分作為偏最小二乘法的輸入變量,建立了偏最小二乘法(PLS)鑒別模型。該模型的相關(guān)系數(shù)(r)達(dá)到了0.94445,預(yù)測誤差均方根(RMSEP)為0.16551,對新潤滑油和廢潤滑油鑒別率達(dá)到98%。說明利用中紅外光譜技術(shù)結(jié)合化學(xué)計量學(xué)方法快速鑒別新潤滑油和廢潤滑油是可行的,它為廢潤滑油的快速鑒別提供了一種新方法。