一种经过偏差校正的集成模型，用于量化复杂润滑剂系统中添加剂成分的变化

《Spectrochimica Acta Part A: Molecular and Biomolecular Spectroscopy》：A bias-corrected ensemble model for quantifying additive content variations in complex lubricant systems

提出基于物理的偏置校正集成模型（BCE），解决复杂润滑油体系中添加剂光谱重叠与低浓度检测难题，通过扩展朗伯-比尔定律构建集成学习器提取特征，结合元模型补偿混合干扰，实验验证显示模型对T321预测R2达0.949，并成功跟踪MoDTP浓度变化。

　　

邹少德|冯鑫|夏彦秋

华北电力大学能源动力与机械工程学院，北京 102206，中国

摘要

润滑剂中功能性添加剂的浓度是决定其摩擦性能和服务寿命的关键参数。为了实现快速准确地检测润滑油中微量添加剂的浓度，本研究提出了一种基于物理原理的偏差校正集成模型（BCE）。该方法通过学习复杂混合物中的光谱特征，解决了由于多种添加剂特征峰重叠以及低浓度下信号较弱所带来的定量分析难题。基于对朗伯-比尔定律的扩展应用于导数光谱学，构建了一个学习器集成体来提取添加剂的内在光谱特征。随后，引入了一个元模型来系统地表征和补偿由混合干扰引起的预测偏差。学习器集成体和元模型共同构成了BCE，实现了多组分混合物中重叠光谱特征的分解。结果表明，该方法能够准确检测复杂模拟油系统中的特定添加剂含量。目标添加剂T321的浓度预测决定系数（R²）达到了0.949。此外，根据模型对油样中添加剂浓度变化的预测，准备了含有MoDTP的验证油样，并使用四球摩擦试验机进行了摩擦测试。测量得到的稳态摩擦系数和磨损痕迹直径的误差分别小于5.8%和1%，与实际使用中的油样结果相比。

引言

润滑剂的类型和浓度直接决定了设备的服务性能和寿命[1]，其性能退化是导致设备非计划停机和灾难性故障的关键因素[2]。在润滑剂的多种性能指标中，功能性添加剂（如抗磨剂、极压剂、抗氧化剂）的浓度对其润滑和抗磨能力至关重要[3]。这些添加剂在摩擦过程中逐渐被消耗和降解[4]，导致油膜强度下降和磨损加速[5]。因此，实现润滑油中关键添加剂浓度的快速准确监测对于实施基于状态的维护和确保运行可靠性至关重要。这也是将摩擦学从机械研究转向精密工程的重要要求[6]、[7]、[8]、[9]。

目前，标准的实验室添加剂浓度分析方法（如色谱法[10]、质谱法[11]和元素分析）存在固有的局限性，包括繁琐的程序、较长的检测时间、高昂的设备成本以及有限的灵敏度，这使得它们不适用于工业环境中的快速润滑剂状态监测。光谱技术以其快速且无损的特性而得到显著发展，已成为化学分析领域研究者的首选工具。关于光谱技术的研究在化学分析[12]、油品老化[13]和污染检测[14]等领域展示了巨大潜力。商业实体和研究人员开发了一种基于多层分类卷积神经网络的傅里叶变换红外光谱识别专家系统，该系统能够相对准确地识别和分类有机化合物[15]。Zahra Zare等人[16]利用激光诱导荧光（LIF）光谱技术在稳定加热过程中评估油品质量及老化情况，预测的变压器油老化时间与实际服役年限的吻合度高达99.7%。Hu等人[17]提出了一种基于拉曼光谱的技术来评估变压器绝缘油的老化状态。通过整合四个弱分类器，他们的多状态老化评估模型达到了99.52%的最佳准确率。Yan等人[18]引入了一种使用近红外光谱技术检测海洋泄漏和船舶排放物中乳化油浓度的方法。他们的结果表明，深度神经网络（DNN）模型能够准确预测乳化油浓度，而将核密度估计（KDE）与DNN模型结合使用后，预测精度提高了5.0%。然而，将这些先进的光谱技术应用于润滑油系统以进行特定添加剂类型和浓度的精确定量分析的研究仍然很少。这一领域的巨大潜力尚未得到充分挖掘，这定义了本研究的研究目标和目的。

机器学习和深度学习技术在探索摩擦机制、预测摩擦性能以及监测设备故障方面取得了显著成就[19]、[20]。Yuan等人[21]利用多变量Weierstrass–Mandelbrot（W–M）函数构建了具有特定均方根（RMS）值的粗糙表面，并使用反应力场分子动力学（ReaxFF MD）模拟了金刚石化学机械抛光（CMP）过程中的摩擦现象。Ning等人[22]使用文献中报道的摩擦实验数据训练了五个机器学习模型，并比较了它们在预测Cu/Al-石墨自润滑复合材料的摩擦系数和磨损率方面的性能。结果表明，基于集成学习算法的LSBoost模型表现最佳，预测摩擦系数和磨损率的关联系数（R²）分别为0.9219和0.9243。Yan等人[23]研究了机械制动器在制动过程中异常摩擦状态变化时的摩擦信号处理和故障诊断方法。他们开发的系统能够识别由三种摩擦信号引起的多级常见故障，平均诊断时间为4.73秒，准确率为95.2%。润滑剂状态监测是防止设备早期退化的首要防线，有助于预防潜在的灾难性故障[7]、[8]、[24]。Mao等人[25]采用了一种替代传感器技术，即传动误差（TE），结合输入到输出轴的角度测量数据，来检测污染物的存在并量化由油污染引起的齿轮磨损程度。上述研究推动了摩擦信息学领域的发展，加强了摩擦学与实验性能之间的信息学联系，从而扩展了研究的范围和深度。尽管这些努力有效建立了系统级宏观属性（如摩擦和振动）与设备状态之间的相关性，但该领域仍缺乏一个能够将微观组成与宏观摩擦性能精确关联的系统性机器学习框架。

为了实现这一目标，研究人员开始将光谱技术与机器学习结合应用于摩擦学和润滑领域，取得了具有理论意义和工程价值的结果。这些应用涵盖了从识别油类和润滑剂成分到探索摩擦机制和优化性能的广泛范围。例如，Chen等人[26]开发了一种利用重叠荧光光谱进行油类识别的模型，并通过结合LDA辅助的机器学习算法提高了柴油润滑剂类型的分类准确性。Aung等人[27]研究了使用傅里叶变换红外（FTIR）光谱数据通过主成分分析（PCA）优化的堆叠集成模型来识别和检测润滑剂成分，预测润滑剂组成的准确率高达0.983–0.996。Liu等人[28]首先使用逻辑回归分析了负载、成分和添加剂类型对79种添加剂抗磨性能的影响，随后结合随机森林分类器阐明了每种添加剂影响抗磨行为的机制，为后续润滑剂机器学习模型的开发提供了宝贵见解。Xia等人[29]提出了一种使用机器学习模型预测PTFE基润滑脂的摩擦性能的方法。根据该模型得出的最佳配方制备了润滑脂，并进行了高速往复摩擦测试。测量的平均摩擦系数和磨损痕迹宽度与预测值相比相对误差小于1%。尽管取得了这些进展，但微量添加剂浓度的精确量化问题仍未得到充分解决。首先，润滑剂添加剂不仅在分子结构上相似，而且具有类似的功能基团和化学键，导致红外光谱峰高度重叠。光谱多样性和显著的重叠大大增加了红外光谱检测的难度。现有模型在很大程度上未能有效区分混合系统中各组分的独立光谱特征与它们相互作用引起的非线性干扰[30]。其次，润滑剂中的添加剂浓度通常非常低，一般占最终产品的0.1%至2.0%。因此，由微量浓度变化引起的光谱变化极其微妙，容易被仪器噪声或测量偏差掩盖。为了解决这些挑战，研究团队之前开发了一种基于朗伯-比尔定律的多点集成回归AI检测器[31]。然而，随着干扰添加剂种类的增加，该模型的检测准确性显著下降。因此，准确识别和量化润滑剂中的添加剂类型和浓度仍然是一个具有挑战性的研究课题。

本研究提出了一种偏差校正集成模型（BCE），以实现复杂润滑系统中微量添加剂浓度的精确定量检测。首先，基于对朗伯-比尔定律的扩展应用于导数光谱学，构建了一个学习器集成体来提取添加剂的内在光谱特征。随后，引入了一个元模型来系统地表征和补偿由混合干扰引起的预测偏差。学习器集成体和元模型共同构成了偏差校正集成模型（BCE）。该方法通过以典型添加剂T321的检测作为案例研究进行了验证，并在含有多达七种添加剂的复杂模拟油样中证明了其有效性。为了进一步展示BCE模型的泛化能力，选择了另一种典型添加剂MoDTP进行老化模拟实验，以复制润滑剂老化过程。通过比较老化油样和验证油样在四球测试中的摩擦性能（稳态摩擦系数和磨损痕迹直径），有效验证了模型跟踪添加剂浓度动态变化的能力。

部分摘录

润滑剂样品和制备

为了更好地模拟实际分析和检测中遇到的添加剂之间的干扰情况，选择了多种极压和抗磨剂进行研究。用于分析的油样是通过将基础油聚α烯烃（PAO）与几种市售的极压和抗磨剂及抗氧化剂混合配制而成的。选择了七种润滑剂添加剂，包括极压抗磨剂、抗氧化剂等

模型构建

本研究提出了一种基于物理原理的偏差校正集成模型（BCE），旨在实现复杂润滑系统中微量添加剂浓度的精确定量检测。如图3所示，该框架首先基于对朗伯-比尔定律的扩展应用于导数光谱学，构建了一个学习器集成体来提取添加剂的内在光谱特征。随后，引入了一个元模型来系统地表征和补偿

内在特征区间筛选和降维效率分析

对七种添加剂的内在特征区间筛选过程的有效性进行了系统评估。以T321为例，进一步分析了其余六种添加剂的结果。如表3所示，该过程成功识别了每种添加剂数百个关键波数点，构成了它们各自的内在特征区间，从原始的7467个波数点中筛选出来。

结论

本研究提出了一种基于物理原理的偏差校正集成模型（BCE），以实现复杂润滑系统中微量添加剂浓度的精确定量检测。通过系统分析和实验验证，得出以下主要结论：

(1)

对于所研究的七种添加剂，所提出的筛选过程能够从7467个原始波数点中识别出具有高线性的内在特征区间。

利益冲突声明

作者声明他们没有已知的财务利益或个人关系可能影响本文所述的工作。

致谢

作者感谢国家自然科学基金（项目编号52575206）和北京市自然科学基金（项目编号2232066）对这项学术工作的财政支持。