发动机润滑油是保障汽车发动机持久且稳定运转的基石, 准确评定发动机润滑油各项性能指标是其在生产到使用全过程必不可少的步骤。 发动机润滑油在一段时间的使用后会因为多种原因引起油品变质, 发动机润滑油变质的指标可以用其中非磁性颗粒物浓度、 金属屑含量、 pH值、 粘稠度、 含水率等表述。 关于发动机润滑油含水量的检测, 传统的检测方法存在操作复杂, 及时性差等缺点。 太赫兹对水吸收强烈, 适合用于对样品中微水含量的分析。 通过透射式太赫兹时域光谱系统获得1.0～3.5 THz下的六种不同水含量的发动机润滑油的吸收系数谱线, 对谱线进行Savitzky-Golay（SG）平滑去噪, 剔除奇异样本后, 采用Kennard-Stone算法划分样品集, 尝试常规区间偏最小二乘法（iPLS）、 向后区间偏最小二乘法（BiPLS）和联合区间偏最小二乘法（SiPLS）对其太赫兹时域光谱特征谱区间进行筛选, 着重研究区间间隔数、 PLS组件数、 最佳主因子数和区间选择等因素对PLS模型属性的影响, 并且对不同含水量的润滑油建模分析, 对不同模型比较选优, 建立最优定量分析模型。 建模结果表示特征谱区筛选可以提高建模性能、 降低模型复杂性, 特征谱区筛选算法通过剔除发动机润滑油太赫兹吸收系数谱线中非线性或者无关变量的方式, 使建模结果更好的表达吸收系数谱线与其含水量的关系。 结果表明: 采用BiPLS模型用于发电机润滑油中微量水含量的定量分析时建模效果最佳, 模型区间数为26, 入选区间为［18 10 4 3 8 12 5 11 24 13 16 21 2］, 主因子数为10, 最优模型的交互验证均方根误差RMSECV为0.003 5, 预测均方根误差RMSEP为0.004 6, 校正集相关系数r为0.919 3, 预测集相关系数r为0.865 7。 由此可见, 可以采用反向区间偏最小二乘法（BiPLS）用于发动机润滑油水含量的测定, 且实验过程简单, 建模计算速度快, 效果理想, 可以适用于非接触式油品含水量的定量分析。

对船舶柴油机而言, 润滑油常受到冷却液的污染, 引起润滑油劣化变质, 从而导致其功能失效。 冷却液的主要成分是水、 乙二醇及少量的防腐蚀、 抗穴蚀、 消泡沫等添加剂。 将拉曼光谱用于检测润滑油被冷却液污染的浓度, 是一种针对复杂混合物的拉曼光谱检测问题, 单个拉曼峰强度的定量分析方法无法满足浓度的定量检测。 为此, 将拉曼光谱分析和LSTM神经网络数据挖掘方法应用于检测润滑油冷却液污染的浓度。 在实验室条件下, 配制了冷却液污染浓度为2%, 1.5%, 1%, 0.5%, 0.25%和0%的柴油机润滑油油样, 对每个油样取样50次, 并进行拉曼光谱分析, 共获得300个拉曼光谱数据, 随机抽取其中80%的数据作为神经网络训练样本, 剩余20%的数据作为测试样本, 拉曼光谱样本数据的光谱范围为300～2 000 cm-1; 对数据进行预处理, 包括采样、 拟合、 离散点平均梯度估计等; 构建训练样本集, 将LSTM神经网络和多层全连接层(FC)结合, 建立4种不同的神经网络模型结构; 得到其在训练集和测试集上的平均误差曲线、 测试集上的检测准确率曲线。 分析结果表明, FCs, LSTM-FCs-1, LSTM-FCs-2和LSTM-FCs-3等4种神经网络模型, 检测准确率分别为96.7%, 93.3%, 98.3%和83.3%。 选取任意1%的波数点, 加入幅值随机正负变化1%的噪声之后, 4种神经网络模型的检测准确率分别为88.3%, 90.0%, 96.7%和78.3%。 可见, 相比于其他3种神经网络结构模型, LSTM-FCs-2模型更适用于进行润滑油冷却液污染的定量估计, 加噪后最高准确率仍可以达到96.7%, 鲁棒性优于其他三种模型。 拉曼光谱结合LSTM网络中的LSTM-FCs-2模型, 应用于冷却液污染浓度分别为0.2%和0.4%的实际油样检测, 相对误差分别为5.0%和7.5%, 结果表明该方法可用于在用润滑油冷却液污染浓度的检测。

润滑油动力粘度是划分润滑油品质的重要依据之一, 高铁变速箱润滑油需要进行实时、 快速、 无损的检测, 因此提出一种基于可见近红外光谱微型模块结合量子遗传-神经网络算法对润滑油粘度值进行定量分析的新方法。 不仅实现了高铁变速箱润滑油动力粘度的无损快速实时检测, 还进一步提高了对润滑油动力粘度预测的精度。 微型光谱仪具有性能优良、 体积小巧等优势, 在便携式光谱无损检测方面用途越来越多。 在这里, 选用可见短波近红外和近红外波导光栅两种微型光谱模块进行光纤耦合, 实现了330～1 700 nm可见-近红外波段光谱拼接。 首先我们采用该组合微型光谱仪对13种不同粘度的润滑油共78个样本进行光谱扫描得到原始光谱数据。 原始光谱经过Savitzky-Golay卷积平滑后, 再一阶求导, 可以有效地消除基线漂移和背景噪声。 然后采用主成分分析和马氏距离相结合的方法来识别浓度界外样本, 剔除界外样本3个。 最后采用BP(back propagation)神经网络和量子遗传神经网络两种回归算法分别建立定量分析模型, 并对比分析了两种算法的性能。 量子遗传算法是量子计算和遗传算法相结合地一种概率进化算法, 采用量子染色体的形式, 利用量子逻辑门进行全局搜索, 从而可以利用量子遗传算法优化神经网络地权重和阈值, 提高建模效率和精度。 分别用BP神经网络算法和量子遗传-神经网络算法进行建模仿真, 从75个样本随机抽取10个样本作为预测集, 其余65个为建模集。 在量子遗传寻优算法中, 其种群数目设置为40, 终止代数为200, 寻优结果表明该算法在训练81代后可快速得到最优解。 比较两种建模算法的预测结果, 采用量子遗传-神经网络算法相比BP神经网络算法得到的粘度预测结果均方根误差从0.345 5降低至0.029 4, 决定系数从0.850 4升至0.979 9, 可知量子遗传-神经网络算法的预测能力明显强于BP神经网络。 为进一步提高润滑油粘度的定量分析准确度和微型光谱模块应用于高铁齿轮箱润滑油在线、 实时、 快速检测提供了参考方法。

柴油机润滑油在使用过程中, 会受到水份、 柴油或冷却液等的污染, 受高温或燃烧室气体的作用还会产生氧化、 硝化、 磺化等产物, 严重时, 这些污染和产物可导致装备的失效。 在用润滑油分析能可靠地反映其工作状态, 从而确定最佳换油时机和故障源, 以避免柴油机在使用过程中产生异常磨损及腐蚀等问题。 目前的传统方法, 是用卡尔菲休法测定石油产品中水份, 气相色谱法测定柴油机油中的柴油稀释剂, 因分析时间长和费用高等因素影响其普及应用。 傅里叶红外(FTIR)光谱法从分子水平分析润滑油, 从而能更有效地监测在用油, 由于光谱的复杂性, 目前尚不普及。 通过在实验室条件下配置多种污染程度的油液样, 分别为润滑油含水份百分比浓度为0.11%, 0.22%, 0.44%和0.88%的油样; 润滑油在230 ℃下的氧化时间为299, 323, 371和395 h的油样; 润滑油被柴油稀释的质量百分比浓度为1.5%, 3%, 6%和12%的油样; 润滑油含乙二醇质量百分比浓度为0.1%, 0.2%, 0.4%和0.8%的油样, 包括配置的润滑油油样共计20个。 实验采用安捷伦Agilent Cary 630红外光谱仪, 使用100 μm厚的液体池, 防潮ZeSe型配置的光谱范围为4 000～650 cm-1。 分析了所有油样, 获得了FTIR光谱图, 确定了水、 氧化产物、 柴油、 乙二醇污染所对应的特征波段范围分别为3 150~3 500, 1 670~1 800, 745~755和1 030~1 100 cm-1; 监测参数包括特征波段的实测中心点、 左边界、 右边界、 左基线、 右基线等。 建立了一种在用润滑油污染物定量分析模型, 通过水份、 柴油、 乙二醇的污染比例和峰面积, 在230 ℃下的氧化时间与峰面积分别建立拟合方程, 水、 柴油、 乙二醇含量百分比与对应峰面积的相关系数分别为0.977 9, 1.000 0和0.989 5, 氧化时间与对应峰面积的相关系数为0.999 6。 分析计算预测值与实际值的相对误差可知: 水份和乙二醇在含量大于0.2%时, 预测的最大相对误差为10%; 氧化时间和柴油预测值的最大相对误差为1%。 通过按比例稀释, 可对在用油进行监测, 对3个日常工作的实际油样进行FTIR光谱分析。 结果表明: 一个油样的水份含量为0.38%, 已经超过标准; 一个油样的燃油稀释为19%, 已经超标; 另外一个油样正常。 水份超过标准门阈值的油样经卡尔菲休法测量, 其相对误差为4.6%。 燃油稀释超过标准的油样经黏度测量, 其相对值变化同样超过了标准要求, 即在判断润滑油是否需要换油方面是一致的。 利用FTIR光谱法分析在用润滑油, 选定适当的吸收峰, 并计算吸收峰的面积, 借助于已经建立的拟合公式, 可快速可靠地监测在用油的污染种类及程度, 该方法可在一定程度上满足工程需要。

采用基底辅助激光诱导击穿光谱技术,以标准油中的Mg、Ti、Ni与Cr为目标元素进行定量分析。选定Mg II 279.55 nm、Ti I 334.94 nm、Ni I 352.45 nm与Cr I 425.44 nm为目标元素的定量分析谱线进行分析。考察样品预处理静置时间、样品油膜平均厚度、探测延时和激光脉冲能量对Mg、Ti、Ni与Cr元素光谱信号强度与信背比的影响。在最优的实验条件下,利用6个标准油样品建立了标准曲线定标模型,得出Mg、Ti、Ni与Cr的检出限分别为3.10,8.17,18.79,6.10 μg·g ^-1。基于定标曲线,预测了另外5个标准油样品中Mg、Ti、Ni与Cr的质量比,相对误差分别为7.43%、8.91%、13.66%与10.40%。

基于反射光谱技术原理研究润滑油的污染浓度预测模型。 选用纯净润滑油和原态污染油为原料, 采用等体积法逐一配置不同浓度的样本； 调整好光纤探头与样品之间的距离及方位角并保持不变, 采用脉冲氙灯为激发光源, 利用波段在200~850 nm范围的光谱仪对不同浓度的样本进行反射光谱测量实验。 实验曲线观察分析表明, 润滑油的污染浓度越高, 反射光谱的强度越低。 在采用变步长算法对原始实验数据进行稀疏采样的基础上, 分别采用相关系数法、 主成分分析法、 主成分分析结合相关系数法(主成分-相关系数法)选取工作润滑油在220~780 nm宽波段范围内的优势特征波长, 并在所选取的优势波长处建立了润滑油污染浓度与光谱反射率的指数关系模型。 测试结果表明, 主成分-相关系数法选取的优势波长37893 nm, 所建立的污染浓度与光谱反射率的指数回归模型能够较好地实现润滑油污染浓度大于006时的预测和估计。 基于主成分-相关系数法选取优势特征波长所建立的指数关系回归模型, 因混合介质及浓度的特异性条件, 不服从低浓度均匀透明溶液中的朗伯-比尔定律, 适用于较高污染浓度的润滑油质量状态估计, 为进一步实现工作润滑油污染浓度的反射光谱法在线快速准确测定提供了可行性实验依据。

为了对滑动轴承的润滑油膜厚度进行精确测量, 搭建了光纤结构的谱域光学相干层析成像(OCT)检测系统。该检测系统通过谱域OCT对油膜进行高分辨率成像, 根据一维深度图像和二维层析图像中油膜和轴承表面的相对位置得到油膜厚度。分析了SD-OCT的检测原理, 并对油膜厚度进行了测量, 通过干涉光谱解耦法减小噪声对测量结果的影响。实验结果表明, 该系统的测量误差小于2 μm, 具有良好的重复性和可靠性。该测量方法能够对油膜进行快速准确测量, 有望应用于机械设备轴承运行状况的在线监测。