基底辅助激光诱导击穿光谱技术检测润滑油中的金属元素 下载: 1093次
1 引言
发动机被喻为汽车的心脏,其重要性不言而喻。为提升发动机运行的品质与可靠性,减小震动与摩擦,人们通常采取两种措施:在气缸内壁制备涂层,如FeCrBSi、NiCrBSi等合金涂层[1-2]以及Cr3C2-NiCr、TiC-CrNiMo等陶瓷涂层[3];在润滑油生产过程中加入添加剂,以起到防腐蚀、抗摩擦、清洁分散等作用[4]。这些添加剂一般含有钙、钡、镁磺酸盐,钙、镁烷基水杨酸盐[4],以及多层状双氢氧化物,如Mg(NO3)2·6H2O、Al(NO3)3·9H2等[5-6]。发动机运行时,物理摩擦产生的大小不等的金属颗粒会混入润滑油中,同时,化学腐蚀产生的可溶性金属有机物也会混入润滑油中,润滑油中的添加剂含量也会因发生化学反应而衰减,润滑油中的元素成分将发生变化[7]。因此,对润滑油中磨损金属元素进行检测,能为诊断发动机的运行状况提供有价值的信息,如Ni、Ti或Cr浓度的突然上升说明发动机气缸、轴承、阀门与活塞腐蚀严重,Mg浓度的下降则说明润滑油中添加剂含量下降[7]。润滑油成分复杂、黏稠度高等特点使得对其成分进行检测存在许多难点。
目前,常采用光谱法对润滑油中金属元素的成分进行检测,如原子吸收光谱(AAS)法[8]、电感耦合等离子体发射光谱 (ICP-OES)法[9]、电感耦合等离子体质谱(ICP-MS)法[10-11]等。但这些光谱方法需要对润滑油进行乳化、萃取等复杂步骤[12],实验操作复杂,设备昂贵,且不可实时在线检测等。激光诱导击穿光谱(LIBS)技术通过将高能量激光脉冲作用于样品来产生高温等离子体,采集等离子体发射光谱就可以完成对样品的定性与定量分析。LIBS技术具有无需复杂的样品预处理、快速、可现场实时检测等优点[13-17],已被广泛应用于润滑油中磨损金属元素的检测[18-21]。Yaroshchyk等[19]采用单、双脉冲LIBS技术对润滑油中的磨损金属元素进行了检测,并对比了液体喷流检测、液体表面直接检测与滤纸基底辅助检测等方法的不同,结果发现,滤纸基底辅助方法的检测性能最佳。Xiu等[20-21]将机油均匀涂抹在铝靶基底表面,采用铝靶基底辅助间接烧蚀LIBS(IA-LIBS)技术对基底进行激光烧蚀来产生铝的高温等离子体,并进一步对表面的油膜进行烧蚀来产生混合等离子体,研究了等离子体的时空演化特性,对比了不同油种之间的基体效应。此方法克服了LIBS技术直接检测液体样品时存在的液面抖动、液体飞溅、信号强度不稳定、实验可重复性差等问题。但不同的实验参数对定量分析结果的影响较大[22-24],如样品预处理过程中的静置时间、油膜的平均厚度、激光能量等,目前还缺乏此方面的相关研究。
本文采用金属基底辅助LIBS技术,定量分析了润滑油中的Mg、Ti、Ni与Cr元素。通过制定样品预处理的标准流程,分析油膜平均厚度、探测延时及激光能量等重要实验参数对定量分析结果的影响,优化出最佳的实验条件。在最优实验条件下,对标准油中Mg、Ti、Ni、Cr元素的质量比进行了定量分析。
2 实验装置与样品制备
2.1 实验装置
LIBS实验装置如
2.2 样品制备
实验采用的润滑油为多元素标准油(Multi-Element Standard S-12: 500 μg·g-1, CONOSTAN,美国),其由基础油(Base oil 75cSt, CONOSTAN,美国)与12种金属元素组成,这12种金属元素分别为Ag、Al、Cr、Cu、Fe、Mg、Na、Ni、Pb、Si、Sn和Ti,所含金属元素与标准油的质量比均为500 μg·g-1。对配制标准油的基础油进行稀释,可以配制出一系列低质量比的标准油(450,400,350,300,250,200,150,100,50,20 μg·g-1),用于定性与定量分析。
3 实验结果与分析
3.1 分析谱线的选择
采用金属基底辅助LIBS方法分析润滑油中的Mg、Ti、Ni与Cr。由于激光诱导产生的铝等离子体的高温特性有助于进一步烧蚀油膜,因此选取纯铝为金属基底。
选取合适的分析谱线能够得到优良的定量分析效果[20-21]。为得到最佳的定量分析效果,需要对Mg、Ti、Ni、Cr这4种元素的特征发射谱线进行选择。取300 μg·g-1的标准油300 μL,将其均匀地涂于纯铝基底表面,静置10 min后,油膜的平均厚度
为65.8 μm,在每束脉冲激光能量为60 mJ、ICCD延时为3 μs、门宽为3 μs的实验参数下,采集由20个脉冲激光累积的标准油样品在不同波段的光谱图,如
图 4. 300 μg·g-1标准油与基础油在不同波段的光谱图。(a) 275~286 nm;(b) 330~338 nm;(c) 349~362 nm;(d) 424~430 nm
Fig. 4. Spectra in different wavelength ranges of 300 μg·g-1 standard oil and base oil. (a) 275-286 nm; (b) 330-338 nm; (c) 349-362 nm; (d) 424-430 nm
通过上述分析可知,对目标元素Mg、Ti、Ni、Cr进行定量分析的最佳谱线应分别选择Mg II 279.55 nm、Ti II 334.94 nm、Ni I 352.45 nm、Cr I 425.44 nm,其光谱跃迁参数如
表 1. 对Mg、Ti、Ni和Cr进行定量分析的最佳谱线
Table 1. Optimum spectral lines of Mg, Ti, Ni, and Cr for quantitative analysis
|
3.2 实验参数优化
实验中,每束激光击打在靶面的不同位置,每个光谱图为20次信号的累积。因此,靶面不同位置处油膜厚度的不一致将会引起光谱信号强度的波动,若光谱信号强度波动过大,就将会引入过大的数据误差。为了降低光谱信号强度的波动,降低数据误差,需将涂匀后的样品静置于水平平台上一段时间,让其在重力作用下于纯铝基底表面形成厚度相对均匀的油膜。若静置时间短,油膜厚度不均匀,就会导致靶面不同位置处光谱信号强度的波动大,从而使得误差较大;若静置时间过长,虽然能形成厚度相对均匀的油膜,降低数据误差,但却延长了实验时间,使得实验效率降低。设置激光能量为60 mJ,ICCD延时为3 μs,门宽为3 μs,光谱累积20次。
图 5. 不同静置时间下Mg II 279.55 nm 的光谱图。(a) 3 min;(b) 10 min
Fig. 5. Spectra of Mg II 279.55 nm in different resting time. (a) 3 min; (b) 10 min
表 2. 不同静置时间下Mg II 279.55 nm光谱信号强度的RSD
Table 2. RSD of Mg II 279.55 nm spectral signal intensity in different resting time
|
在样品预处理过程中,标准油的取样体积与形成的油膜的平均厚度呈正相关。取样体积小,油膜薄,每束脉冲激光样品的烧蚀量少,谱线信号弱;如果取样体积过大,就会形成过厚的油膜,造成烧蚀不充分,引起油滴飞溅,以致污损光学元件,导致后续实验无法进行。因此,考察标准油取样体积对光谱信号强度、信背比的影响十分重要。
式中:
表 3. 不同取样体积下油膜的平均厚度
Table 3. Average thicknesses of oil film in different sampling volumes
|
图 6. Mg II 279.55 nm光谱信号强度与SBR随取样体积的变化
Fig. 6. Spectral intensity and SBR of Mg II 279.55 nm as function of sampling volume
激光诱导产生的等离子体是一个瞬态光源,会随时间发生快速变化,其发射光谱特性也大有不同。若ICCD延时过小,特征谱线附近的背景会比较严重,信背比低;若ICCD延时过大,等离子体已经湮灭,观察不到特征谱线。此外,不同元素的发射谱线随时间的演化特性不同,为了获得最佳的检测效果,需要考察ICCD延时对不同元素的光谱信号强度和信背比的影响。
图 7. 光谱信号强度和SBR随ICCD延时的变化。(a) Mg II 279.55 nm;(b) Ti I 334.94 nm;(c) Ni I 352.45 nm;(d) Cr I 425.44 nm
Fig. 7. Spectral intensity and SBR as function of ICCD delay. (a) Mg II 279.55 nm; (b) Ti I 334.94 nm;(c) Ni I 352.45 nm; (d) Cr I 425.44 nm
不同元素有不同的等离子体击穿阈值,在激光与物质相互作用过程中,激光能量将直接影响等离子体特性,进而影响定量分析结果,因此需要考察激光能量对不同元素光谱强度和信背比的影响规律。
图 8. 光谱信号强度和SBR随激光能量的变化。(a) Mg II 279.55 nm;(b) Ti I 334.94 nm;(c) Ni I 352.45 nm;(d) Cr I 425.44 nm
Fig. 8. Spectral intensity and SBR as function of laser energy. (a) Mg II 279.55 nm; (b) Ti I 334.94 nm;(c) Ni I 352.45 nm; (d) Cr I 425.44 nm
3.3 定标曲线与检出限
采用外标法来定量分析标准油样品中磨损金属元素与标准油的质量比,选用稀释的质量比为20,100,200,300,400,500 μg·g-1的标准油样品建立定标模型。
式中:
图 9. 定标曲线。(a) Mg II 279.55 nm;(b) Ti I 334.94 nm;(c) Ni I 352.45 nm;(d) Cr I 425.44 nm
Fig. 9. Calibration curves. (a) Mg II 279.55 nm; (b) Ti I 334.94 nm; (c) Ni I 352.45 nm; (d) Cr I 425.44 nm
式中:
表 4. 定标曲线参数及背景信号的标准偏差
Table 4. Parameters of calibration curves and standard deviation of background signals
|
如
表 5. Mg、Ti、Ni和Cr元素的检出限
Table 5. LOD of Mg, Ti, Ni, and Cr elements μg·g-1
|
表 6. 预测油样中Mg、Ti、Ni与Cr的质量比及相对误差
Table 6. Mass ratio and relative error of Mg, Ti, Ni, and Cr in predicted oil samples
|
由
4 结论
金属基底辅助LIBS技术检测润滑油中的金属元素能够克服LIBS直接检测液体样品时存在的液面抖动、液体飞溅、信号强度不稳定、实验可重复性差等。利用该方法研究了样品预处理静置时间、油膜平均厚度、ICCD延时和激光能量等实验参数对标准油样品中Mg II 279.55 nm、Ti I 334.94 nm、Ni I 352.45 nm、Cr I 425.44 nm光谱信号强度和信背比的影响。实验结果表明,最佳静置时间为10 min,最佳的取样体积为300 μL(对应的样品油膜平均厚度为65.8 μm),Mg II 279.55 nm、Ti I 334.94 nm、Ni I 352.45 nm、 Cr I 425.44 nm 的最佳ICCD延时分别为1.5,2,3,3 μs,最佳激光能量分别为75,60,65,65 mJ。在优化的实验条件下,对标准油样品中的Mg、Ti、Ni、Cr建立定标模型,计算出各元素的检出限分别为3.10,6.10,8.17,18.79 μg·g-1。基于定标模型预测另5个样品中Mg、Ti、Ni、Cr的质量比,预测质量比与真实质量比的平均相对误差分别为7.43%、8.91%、13.66%、10.40%。由此可知,金属基底辅助LIBS技术检测润滑油中金属元素的质量比具有一定的可行性,但使用外标法建立的定标模型对低质量比样品预测的相对误差较大,后续拟计划选择更为合适的定标方法,以降低预测的相对误差。
[4] 伏喜胜, 姚文钊, 张龙华, 等. 润滑油添加剂的现状及发展趋势[J]. 汽车工艺与材料, 2005( 5): 1- 6.
Fu XS, Yao WZ, Zhang LH, et al. The current status and development trend of additives in lubricating oils[J]. Automobile Technology & Material, 2005( 5): 1- 6.
[9] Zali M A. Ahmad W K W, Retnam A, et al. Concentration of heavy metals in virgin, used, recovered and waste oil: a spectroscopic study[J]. Procedia Environmental Sciences, 2015, 30: 201-204.
[10] Duyck C, Miekeley N. Portoda Silveira C L, et al. Trace element determination in crude oil and its fractions by inductively coupled plasma mass spectrometry using ultrasonic nebulization of toluene solutions[J]. Spectrochimica Acta Part B: Atomic Spectroscopy, 2002, 57(12): 1979-1990.
[11] He Y M, Zhao F F, Zhou Y, et al. Extraction induced by emulsion breaking as a tool for simultaneous multi-element determination in used lubricating oils by ICP-MS[J]. Analytical Methods, 2015, 7(11): 4493-4501.
[12] Mello P A. Pereira J S F, Mesko M F, et al. Sample preparation methods for subsequent determination of metals and non-metals in crude oil: a review[J]. Analytica Chimica Acta, 2012, 746: 15-36.
[13] Zheng P C, Liu H D, Wang J M, et al. Online mercury determination by laser-induced breakdown spectroscopy with the assistance of solution cathode glow discharge[J]. Journal of Analytical Atomic Spectrometry, 2015, 30(4): 867-874.
[17] 贾军伟, 付洪波, 王华东, 等. 光束整形对激光诱导击穿光谱稳定性的改善[J]. 中国激光, 2019, 46(3): 0311004.
[19] Yaroshchyk P. Morrison R J S, Body D, et al. Quantitative determination of wear metals in engine oils using laser-induced breakdown spectroscopy: a comparison between liquid jets and static liquids[J]. Spectrochimica Acta Part B: Atomic Spectroscopy, 2005, 60(7/8): 986-992.
[21] 修俊山, 刘云燕, 董丽丽, 等. 机油中痕量磨损金属元素的间接烧蚀LIBS探测研究[J]. 光谱学与光谱分析, 2017, 37(9): 2885-2890.
[23] Wang J, Shi M, Zheng P, et al. Quantitative analysis of Ca, Mg, and K in the roots of angelica pubescens f. biserrata by laser-induced breakdown spectroscopy combined with artificial neural networks[J]. Journal of Applied Spectroscopy, 2018, 85(1): 190-196.
[24] 王金梅, 颜海英, 郑培超, 等. 基于激光诱导击穿光谱定量检测土壤中营养元素的研究[J]. 中国激光, 2017, 44(11): 1111002.
郑培超, 谭癸宁, 王金梅, 赵怀冬, 刘冉宁. 基底辅助激光诱导击穿光谱技术检测润滑油中的金属元素[J]. 中国激光, 2019, 46(7): 0711002. Peichao Zheng, Guining Tan, Jinmei Wang, Huaidong Zhao, Ranning Liu. Detection of Metallic Elements in Lubricating Oil by Substrate-Assisted Laser-Induced Breakdown Spectroscopy[J]. Chinese Journal of Lasers, 2019, 46(7): 0711002.