SVM算法预测发动机润滑油的高温清洁性

SVM算法预测发动机润滑油的高温清洁性
林华慧
【摘要】考察了发动机润滑油功能元素与其高温清净性能的相关性,用支持向量机算法和偏最小二乘算法定量预测了发动机润滑油高温清净性能.结果表明,利用发动
机润滑油的功能元素能够预测其高温清净性.支持向量机法的预测结果要优于偏最
小二乘法的结果.
【期刊名称】《广州化工》
【年(卷),期】2013(041)024
【总页数】4页(P79-81,138)
【关键词】发动机润滑油;功能元素;高温清净性能;支持向量机算法;MATLAB
【作者】林华慧
【作者单位】广东省东莞市东莞太平洋博高润滑油有限公司,广东东莞523146【正文语种】中文
【中图分类】TQ171.1
发动机润滑油的高温清净性是其重要使用性能之一，发动机油的高温清净性能主要指发动机油的抗氧化能力和其“容纳”氧化产物的能力。

这与发动机油的基础油质量、加入添加剂的种类、数量、质量以及加入添加剂之间的配伍性有着密切关系［1－2］。

人们认为，发动机油的基础油质量、加入添加剂的量和添加剂的种类
可以用各种功能元素来表征，即发动机油中的元素信息可以反映基础油的组成信息、
加入的添加剂种类和量的信息，发动机油中的元素信息与发动机油的高温清净性能应该有相关关系［3－4］。

通常，发动机油的高温清净性能用高温清净性实验机
评价，发动机油中的功能元素用氮、磷、锌、钙和镁五种元素来表征。

笔者在测定发动机油功能元素与其高温清净性能相关关系基础上，采用支持向量机法(SVM)预测了不同生产厂家，不同添加剂配方体系的发动机润滑油高温清净性能评价结果，并和偏最小二乘法(PLS)的预测结果作了对比。

对比数据表明，SVM算法的预测(泛化)能力好于PLS法。

1 实验部分
1.1 实验样品
笔者用埃索(ESSO)和美孚(Mobil)两个公司的不同级别商品发动机油作为实验样品，其中埃索(ESSO)发动机油有:SH/CD，SG/CD，SF/CC，SF/CE四个质量等级;美孚(Mobil)发动机油有:SH/CD，SG/CD，SF/CC三个质量等级。

1.2 发动机油高温清净性能实验
采用高温清净性试验机评价发动机油的高温清净性能。

由于笔者研究的发动机油为多级油，实验中对试验机实验条件作了改变，以适应评价多级油的需要。

实验条件的改变主要包括:(1)适当降低实验温度，以适应多级油中加入的增粘剂对实验条件
的承受能力;(2)适当降低转速以减少飞溅的润滑油量，提高实验条件的苛刻度。

改
进的实验条件对多级油有区分性。

1.3 元素分析
1.3.1 氮元素分析
按ASTM D429方法分析油样品中氮元素含量。

1.3.2 磷元素分析
按SH/T0296方法分析油样品中磷元素含量。

1.3.3 锌、钙元素分析
按SH/T0309(原子吸收)方法分析油样品中锌、钙元素含量。

1.3.4 镁元素分析
按Q/SH 027 09.80－93(原子吸收)方法分析油样品中镁元素含量。

1.4 实验结果
用埃索(ESSO)和美孚(Mobil)两个公司的18个发动机油样作为训练集，测试结果
见表1。

另用8个发动机油样作为测试集，测试结果见表2。

表1 训练集发动机油样品实验结果Table 1 The test results of the training set engine oil samples?
表2 测试集发动机油样品实验结果Table 2 The test results of the testing set engine oil samples?
2 结果与讨论
2.1 发动机油元素与其高温清净性能的相关性考察
从理论上讲，发动机油中的元素种类与含量与其高温清净性能应该有相关性。

但是，由于在发动机油中不同添加剂之间的配伍性，即相互影响、相互作用，对其最终性能影响很大。

因此，发动机油中的元素种类与含量对其高温清净性能的影响也是很复杂的［3］。

笔者曾尝试用相关系数(corrcoef)来表征各功能元素与其高温清净
性的相关关系，未达到预期的效果。

由于不同润滑油公司的基础油和添加剂配方体系的不同，在发动机油体系中，不同功能元素对使用性能所起的作用并不是简单的线性加和关系。

因此，不同功能元素与高温清净性能的相关系数(corrcoef)值不同。

美孚公司发动机油中功能元素与高温清净性能的相关性较好，相关系数绝对值在0.90以上，而埃索公司发动机油的
功能元素与其高温清净性能的相关性较差，尤其是锌、钙和镁元素，其它元素与高温清净性则有一些相关性。

这说明尽管发动机油中的功能元素与其高温清净性能有相关性，但这5个功能元素的每一种，与高温清净性对应的关联信息并不一样多，
如直接用多元线性回归方法处理，在这些测试数据中包含的干扰信号会影响预测结果，如果从这些功能元素中提取出具有关联性的有用信息，并去除干扰信号的影响，就可以提高预测的可靠性和准确性，这就促使我们考虑用其它合适的建立数模方法，来拟合功能元素含量与其高温清净性能之间的关系。

2.2 用测试数据建立数学模型
目前用SVM算法建立数学模型，在国内外已经引起了广泛的关注［5－6］。

笔者在本课题探讨中，利用美国Southampton大学S.R.Gunn编写的Matlab SVM Toolbox软件包，建立数学模型，主要过程是:利用训练集数据建立数学模型;再用测试集数据考察模型的“泛化”能力，如果达到预期就可以用来预测。

2.2.1 SVM 回归算法的原理［5－6］
支持向量机(SVM)是在结构风险最小化原理的基础上发展起来的一种新的学习机器，它根据有限的样本信息在模型的复杂性和学习能力之间寻求最佳折中，以获得良好的推广能力。

支持向量机回归(SVR)是用于解决回归问题的支持向量机。

在SVR中，输入样本X首先通过非线性映射Φ(x)映射到一个高维的特征空间，然后在这个特征空间中建立一个线性模型来估计回归函数，公式如下:
式中:w为权向量;b为阈值。

对于给定的训练数据集(y1，x1)，(y2，x2)，…，(yn，xn)，采用ε不敏感损失函数，对应的支持向量机称为ε－支持向量机，则其约束
优化问题可表示为:
约束条件:
式 (2)的优化问题可通过引入拉格朗日函数将其转化为对偶问题，通过解对偶问题得到式 (1)的解:
其中(i=1，2，…，n)，是拉格郎日乘子，只有一小部分不为零，它们对应的样本
就是支持向量 (Support Vector，SV);nSV为支持向量机的个数;K(xix，x)为核函数。

支持向量机的核函数有:'linear'，'poly'，'rbf'，'sigmoid'，'spline'，
'bspline'，'fourier'，'erfb'，'anova'，除了'linear'和'spline'这两个核函数之外，其它的核函数还需要设定一些参数，如指定多项式核函数'poly'的阶数，径向基核函数'rbf'的宽度等。

当前，应用较多的核函数有四种:
线性核(linear):K(xi·xj)=xi·xj
多项式核(poly):K(xi·xj)=(xi·xj+1)d
径向基(RBF)核(rbf):K(xi·xj)=exp(－γ‖xi－xj‖)2
Sigmoid 核(sigmoid):K(xi·xj)=tanh［c1(xi，xj)+c2］
其中，径向基核函数采用最多。

实践表明，控制C，ε和γ就可以控制支持向量机的推广能力，因此合理、快速地选择上述3个参数，就成为影响SVR实际应用效
果和范围的关键［5－6］。

2.2.2 SVM回归算法的建模
利用表1的18个样品的测试数据作为训练集，表2的8个样品的测试数据作为测试集，对训练集数据，采用Matlab SVM Toolbox软件包的erbf(指数径向基)核
函数、erbf的设置参数p1=4.12、不敏感系数e=0.001、选择惩罚因子C=700、损失函数loss=＇einsensitive＇，来建立数学模型;然后用表2的测试集数据考察模型的泛化预测能力［4－5］。

2.2.3 用SVM算法所得数模“泛化”能力考查
表3为测试集数据的仿真结果。

从表看出，用SVM算法所建的数学模型，对测试集数据仿真时，最大绝对误差为0.0908，最大相对误差为3.4909%(绝对值)，因
此测试结果是满意的。

这表明，上述SVM算法所建数学模型的泛化能力较好，说明可以用发动机油的功能元素的种类和含量来预测其高温清洁性［6］。

表3 测试集数据用SVM法所建数模仿真情况Table 3 The simulated data of
the testing set engine oil samples by SVM Algorithm?
2.3 与PLS法预测结果的对比
为了对比不同方法建立数学模型“泛化”能力的优劣，使用表1、表2的数据，利用PLS_tool－tem软件包，建立模型进行了预测，选择潜变量个数为5时，建立的模型仿真值与测试集的高温清净性结果最接近。

PLS的预测值和SVM法预测值的对比见表4。

由表可见，SVM法所建立的数学模型“泛化”能力要优于PLS法。

表4 两种不同方法所建数学模型仿真结果与配制值的比较表Table 4 The data comparison of SVM Algorithm、partial least square algorithm for quantitative and the testing results?
3 结语
发动机油的功能元素可以表征加入的添加剂种类和加入量，功能元素的种类和含量与其高温清净性有相关关系。

采用SVM算法和PLS算法，通过功能元素信息可以预测发动机油的高温清净性能。

实验表明，采用SVM算法比采用PLS算法所得数学模型预测能力要好。

参考文献
［1］Zhou han，et al.Patern Recognition Studies on the Influence of Chemical Composition onSome Properties of Lubricating Base Oils
［J］.Fuel Sci.Tech.Int.，1992，10:1085 －1098.
［2］Jayaprakash K C，Srivastave S P，Anand K S，Goel P K.Oxidation Stability of Steam Turbine oils and Laboratory Methods of Evaluation，Lubr，Eng.，1984，40(2):89 －95.
［3］Mooken R T，et al.Dependence of Oxidation Stability of Steam Turbine Oil on Base Oil Compo － Sition，Lubr.Eng.，1997(10):19 －24. ［4］黄海涛，李科，张明.内燃机油基础油调配中的数学模型［J］.石油学报(石油加工)，1994，10(1):79 －87.
［5］Steve R Gunn.Support Vector Machines for Classification and Regreassion［R］. TechnicalReport，Southamption:Universityof Southamption，1998:1 －28.
［6］郭小荟，马小平.基于MaUab的支持向量机工具箱［J］.计算机应用与软件，2007，24(12):57 －59.。