1：A观察试管及试样若干分钟，直至试样温度达到150°C为止。如试样中有水分时，即发生泡沫，可以听到噼啪的爆裂响声，甚至试管会发生震动或颤动，高出浴面的油层会变成浑浊131. 12小波变换及能量分布特征提取则称奴》是基本小波。由基本小波生成的二进离散小波函数为扒）一般可看作为带通滤波器，其对应的尺度函数9（）满足：9（兮本质上是低通滤波器。由9（）导到的一簇二进正交尺度函数为：根据多分辨分析理论，如果二进离散小波函数簇*ik（）jl构成I（R）中的标准正交基，则对信号X》有如下的正交小波分解：0前言在机械设备的润滑油管理中，水分含量是一个非常重要的指标，且机械设备在运行时，由于水封的失效或损坏，热交换器的腐蚀或损坏，潮湿空气的原因，水侵入润滑油系统是不可避免的11.润滑油含水超标将会导致油膜失效、润滑油系统部件的腐蚀和锈蚀、润滑油乳化、添加剂失效等严重后果121.目前，常见的润滑油水分测量方法有卡尔一费休法、蒸馏法、重量法、介电常数法、微波衰减法、华特斯摩试纸法和爆裂法等，其中卡尔一费休法、蒸馏法和重量法属于实验室分析方法，介电常数法和微波衰减法可用于现场测量，但影响因素较多，不能有效地进行润滑油水分含量的判断，而华特斯摩试纸法和爆裂法属于定性的判断方法。本文以爆裂法为基础，对其进行半定量研究，着重研究了如何判断润滑油中的水分含量是否超标的方法。

　　工程专业，硕士研究生，主要从事油液分析领域的研究，已公开发Bp申经网络是自20世纪80年代发展起来的一种新的模式识别方法，它以其良好的非线性映射特性和自适应、自学习能力在模式识别、函数逼近和分类、数据压缩等领域得以应用，并取得了一定的研究成果。文中基于润滑油水分定性实验的爆裂声信号，构造了相应的BP网络目标识别模型，仿真实验结果表明，该方法对于半定量的确定润滑油中水分含量是可行的，为现场测量润滑油中水分含量提供了新的思路和方法，具有一定的理论价值和实际意义。

　　1基本原理11润滑油水分定性实验法BP算法包括信息的正向传播和误差的反向传播，不断修正权值和误差，使网络输出层实际输出与期望输出的误差平方和达到最小。由于这种算法采用非线性规划中的最速下降法，按误差函数的负梯度方向修改权系数，因此存在学习效率低，收敛速度慢；易陷于局部极小状态；网络的泛化及适应能力较差等缺点。为了解决这些问题，出现了很多BI改进算法，文中采用附加动量项的方法。

　　2润滑油水分测量研究21爆裂实验21.1仪器和材料信号。在实验过程中，每次取5mL试样置于烧杯中，用电炉加热。pulse系统分析带宽设为~256kHz频谱线数设为1600根据GB/T7607 02%时需要对润滑油进行更换。因此，在实验中，分别选取4组浓度小于0 2%的含水润滑油（农度分别为0068%、0093%、013%和0 17%）和3组浓度大于02%的含水润滑油（浓度分别为0. 25%、030%和050%）作为实验对象。

　　22润滑油水分测量研究含微量水分的润滑油是典型的油包水型分子基团，油是连续相，水是分散相，由于油的沸点比水高，受热后水总是先达到沸点而蒸发或沸腾。当油滴中的压力超过油的表面张力及环境压力之和时，水蒸气将冲破油膜的阻力使油滴发生爆炸，发出爆裂声，同时形成更细小的油滴，这就是微爆效应。因此，文中利用二进小波变换来提取尺度空间上的能量分布作为BP申经网络的输入特征向量。基于小波变换和BP神经网络的润滑油水分测量研究过程如221能量分布特征提取首先，对每个浓度的试样采集10组数据，共70组数据，选40组作为训练样本，其中浓度0 50%的6组，其余30组作为测试样本，其中0068%、0.093%、0 13%和017%的各5组，浓度025%和030%的各3组，浓度050%的4组。对这70组数据进行6层小波分解，采用db小波，计算各个高频分量的能量，这样每个能量特征向量的维数就是6总共有40组训练样本和30组测试样本。

　　~分别为浓度为0069%的含水润滑油（合格）加热时发生微爆效应所采集到的原始信号以及6层小波分解后得到的近似信号和细节信号。

　　22.2BP申经网络分类器的实现根据Km定理，采用一个NX2N+1XM的3层BP网络作为状态分类器。其中，N表示输入特征向量的分量数，M表示输出状态类别总数。由此可得，该BP网络结构为：输入层有6个神经元，中间层有13个神经元，输出层有2个神经元，用（Q 0）表示合格，（1，0康示不合格，中间层神经元的传递函数为§型正切函数，输出层神经元的传递函数为S型对数函数。然后，利用训练样本对该BP神经网络进行训练，经过2432次训练后，网络的均方误差落在所设定的0 00001以内。训练曲线如1994-2图小皮分解后的各层细节言号eCicPubliShingHUSe.All图sBP神经网络训练曲线wxnki.net最后，利用训练好的BP神经网络，把30个测试样本输入到神经网络，根据BP神经网络的实际输出对润滑油含水量是否合格进行判断，结果如表1观察BP神经网络输出结果可以发现，根据BP神经网络输出结果判断的润滑油含水量与实际结果完全一致，表明该BP神经网络分类器可以准确的判断润滑油中含水量是否合格。

　　表1测试样本的网络输出和含水量的判断浓度，％能量特征向量实际输出结果判断合格70位合格不合格3结论文中基于小波变换和BP神经网络理论，构造了一个BP神经网络分类器，并成功地应用于润滑油中水分含量的判断。实验结果表明：该方法能有效地进行润滑油含水量合格与否的判断，从而为研究润滑油水分含量的测量提供了新的思路和方法。

　　另外，文中在实验时只选取了7种浓度的溶液，且溶液的浓度差别相对较大。因此，溶液的浓度相差较小时是否可以用该方法进行有效的判断以及是否可以对分类结果进行更具体的分类将是下一步研究的重点。

作者：佚名　　来源：中国润滑油网