多元校正输入的钢液Mn元素LIBS定量分析 下载: 832次
1 引言
随着社会发展对钢铁需求的不断增长,钢材的产能和质量成为亟待解决的问题。为了保证钢材的性能满足需求,需要严格控制钢液中各种元素的含量。激光诱导击穿光谱(LIBS)技术是一种通过探测激光诱导等离子体特征光谱,根据分析线的位置及信号强度来获取物质成分和含量的快速分析技术[1]。在工业冶金、物料分类和水质土壤重金属检测等诸多领域中展现了广阔的应用前景[2-4]。在LIBS定量分析实验过程中,系统参数波动、输入向量单一和基体效应等会对LIBS定量分析的精准度产生干扰。
多元输入定标模型是减弱基体效应影响的有效方法。陈兴龙等[5]采用内标参考分析方法来补偿在线检测量中的动态干扰,有效减小了信号不稳定对定量分析结果产生的影响。为了降低基体效应对待测元素特征谱线强度测量的影响,孙兰香等[6]在检测钢中Mn和Si时将归一化的光谱强度作为输入,结果发现这样比以绝对光谱强度作为输入更能显著提高定量分析的能力。支持向量回归(SVR)可以融合先验知识并降低基体效应的影响,其分析能力相较于传统的定标方法有一定提高[7]。杨友良等[8]利用粒子群算法对参数进行优化,使得到的径向基函数支持向量机回归模型在定量分析中具有良好的学习和泛化能力。
为降低参数波动和基体效应对LIBS定量分析精准度的干扰,本文针对10种含量不同的合金钢样品,利用LIBS技术对不同合金钢中的Mn元素进行定量分析,结合SVR建立定标模型,研究积分强度、信背比、内标元素校正以及它们的组合对SVR回归性能的影响;此外,选取最优输入向量进行测试,分析预测结果的精准度,并与校正后的内标法进行对比。
2 实验与样品
2.1 实验系统
实验采用德国INNOLAS生产的的Nd∶YAG激光器,其脉冲能量为10~400 mJ,可通过衰减片调整激光能量,脉冲宽度为5 ns,波长为1064 nm,重复频率为10 Hz。光谱仪为海洋光学公司生产的HR2000+型光谱仪,光学分辨率为0.1 nm,测量波长范围为200~1100 nm。会聚激光能量的凸透镜焦距为150 mm。实验过程中激光能量设置为150 mJ,为避免激光到达样品前将空气击穿,将透镜固定在距样品表面上方135 mm处,光纤探头固定在旋转位移台上,采集激发后的光谱图像,延时和门宽分别设置为2 μs和1.05 ms。具体的LIBS系统结构如
2.2 分析样品
实验中,为了检测钢液样品,需用中频炉对10种等质量的合金钢进行加热熔化。对10种钢液样品分别进行30组测量,选取样品表面不同的位置,首先用脉冲激发清理表面杂质,然后激发100次,使用光谱仪采集光谱测量数据,最后取算术平均值作为一次测量结果。
3 理论背景
3.1 SVR模型
SVR在支持向量机的基础上,依照有限样本的信息,确保在学习和泛化能力良好的条件下进行数据分析,使输入信息在复杂的模型中寻找规律,达到最理想的学习效果[7]。SVR在解决小样本、多元非线性问题中相比于其他机器学习算法具有一定的优势[9]。本文所使用的SVR回归目标函数[10]为
式中:
SVR回归模型适用于处理LIBS定量回归分析,合理选择惩罚参数
表 1. 钢样中各元素的质量分数
Table 1. Mass fraction of each element of steel samples%
|
图 2. ERM281-1钢样在400~410 nm内的典型LIBS光谱
Fig. 2. Typical LIBS spectrum of ERM281-1 in the range of 400-410 nm
3.2 选取输入向量
观察
考虑到合金钢中元素含量不同及谱线之间的重叠干扰,现有研究一般通过构建以基体元素特征谱线强度为多元输入向量的回归分析模型来消除由无关输入变量等因素引起的特征光谱波动[11]。为了确定更有效的SVR回归模型,仍需要从谱线信息中寻找尽可能多的有用信息,但又不宜引入过多的数据和噪声干扰,故需要围绕待测元素的共振线对输入信息进行多元校正。最终选取以下三种特殊谱线信息作为输入变量进行对比研究。
1)积分强度,即单位长度衍射线上接收到的累积能量,实验中是指该衍射峰的积分计数与背底计数之差[12-13]。特征谱线的积分强度不仅携带有更全面的峰值强度和形状,还可以减小特定波段范围内随机噪声的干扰[14]。
2)信背比。LIBS背景光谱主要由等离子体粒子间碰撞产生的轫致辐射和电子-离子的复合辐射形成[15]。由于等离子体激发期间伴随着蒸发,故待测元素的特征谱线的峰值与背景光谱的强度之比会干扰背景光谱和矩阵元素的特征光谱[15]。因此,将信背比作为定量回归模型的输入变量,不仅可以有效地校正系统参数的波动,而且可以在回归模型中引入基体差异信息,减小基体效应的影响。
3)内标元素校正。当内标元素含量高而待测元素含量低时,有必要对两条特征谱线的强度波动进行归一化,以减小待测元素定量计算的影响。在特定波段,可以近似将两条特征谱线的归一化值视为相等[16]。设钢液第
设
为了校正内标元素而不引入较强的噪声干扰,选取基体元素Fe的谱线信息,忽略其他元素的谱线信息。Fe元素特征谱线中的Fe I 404.87 nm接近Mn元素Mn I 403.76 nm共振线,自吸收现象微弱,可以降低系统参数等对光谱稳定性的影响。因此,选取Fe I 404.87 nm作为内标元素分析线,利用(4)式校正Mn I 403.76 nm特征谱线强度。
4 结果与分析
4.1 优化输入向量
回归模型定标的精密度和准确度直接由输入向量决定,为了降低无关输入向量对模型预测精准度的影响,以Mn I 403.76 nm特征谱线的积分强度、信背比和内标元素校正作为输入向量。对3个变量进行排列组合,共得到7种输入方式。综合考虑均方根误差RMSE和相关系数
由
表 2. 训练模型的R和RMSE值
Table 2. R and RMSE of training model
|
4.2 SVR定标回归分析
将未使用的100组数据作为测试集,惩罚参数
由
由
表 3. 不同Mn元素质量分数下测试集的SVR回归预测结果
Table 3. SVR regression prediction results on test set under different mass fractions of Mn
|
图 3. 测试集的SVR回归预测结果对比。(a) RSD;(b) RE
Fig. 3. Comparison of SVR regression prediction results on test set. (a) RSD; (b) RE
5 结论
在LIBS检测中,输入向量的选取会直接影响LIBS定标回归模型的精度。针对含量不同的合金钢进行采样,通过内标元素校正待测元素特征谱线的强度与形状信息,研究7种不同的输入向量对SVR回归模型的影响。研究结果表明,当输入向量为内标元素校正和信背比时,测试集的RSD均值和RE均值分别为2.6%和11.97%,且两者均随着Mn元素含量的增大而变小,回归模型效果最理想,为LIBS钢液元素定量分析时优化数据的输入提供了参考。但是,数学优化不能完全移除固有的检出限和基体效应,模型的定标效果受到了一定限制。
[2] 李敏, 朱心勇, 徐媛, 等. 应用LIBS技术定量检测湖水样品中的铜[J]. 激光与光电子学进展, 2013, 50(1): 013001.
[3] 林永增, 姚明印, 陈添兵, 等. 激光诱导击穿光谱检测赣南脐橙种植土壤的Cu和Cr[J]. 激光与光电子学进展, 2013, 50(5): 053002.
[4] 冯为蕾, 王福娟, 曾万祺, 等. 应用于LIBS的CCD光谱测量系统[J]. 激光与光电子学进展, 2013, 50(1): 013002.
[5] 陈兴龙, 付洪波, 王静鸽, 等. 一种多元非线性模型在激光诱导击穿光谱定量分析中的应用[J]. 光谱学与光谱分析, 2014, 34(11): 3100-3103.
[6] 孙兰香, 于海斌, 丛智博, 等. 激光诱导击穿光谱技术结合神经网络定量分析钢中的Mn和Si[J]. 光学学报, 2010, 30(9): 2757-2765.
[7] 徐红敏, 王海英, 梁瑾, 等. 支持向量机回归算法及其应用[J]. 北京石油化工学院学报, 2010, 18(1): 62-66.
[8] 杨友良, 王鹏, 马翠红. 基于粒子群优化支持向量机的LIBS钢液Mn元素定量分析[J]. 激光与光电子学进展, 2015, 52(7): 073004.
[9] 陈果, 周伽. 小样本数据的支持向量机回归模型参数及预测区间研究[J]. 计量学报, 2008, 29(1): 92-96.
[10] 郭水霞, 王一夫, 陈安. 基于支持向量机回归模型的海量数据预测[J]. 计算机工程与应用, 2007, 43(5): 12-14, 32.
[11] 李俊香, 杨友良, 孟凡伟, 等. 用于LIBS钢液在线定量分析的基体校正方法[J]. 激光与光电子学进展, 2013, 50(3): 031406.
[12] 李乘, 姚关心, 杨新艳, 等. 液相基质激光诱导击穿光谱的关键实验参数优化[J]. 激光与光电子学进展, 2019, 56(7): 073002.
[13] 修俊山, 刘世明, 王琨琨, 等. 基于激光诱导击穿光谱技术的铜铟镓硒纳米薄膜的分析探测研究[J]. 中国激光, 2018, 45(12): 1211002.
[14] 胡丽, 赵南京, 刘文清, 等. 基于多元校正的水体Pb元素LIBS定量分析[J]. 光学学报, 2015, 35(6): 0630001.
[15] 贾尧, 赵南京, 刘文清, 等. 基于LIBS技术的水体重金属连续在线检测方法[J]. 中国激光, 2018, 45(6): 0611001.
[16] BekefiG. Radiation processes in plasmas[M]. New York: Wiley and Sons, 1966.
Article Outline
杨友良, 王禄, 马翠红. 多元校正输入的钢液Mn元素LIBS定量分析[J]. 激光与光电子学进展, 2019, 56(22): 223003. Youliang Yang, Lu Wang, Cuihong Ma. Quantitative Analysis of Mn in Molten Steel with Multi-Factor Calibration Input Using Laser-Induced Breakdown Spectroscopy[J]. Laser & Optoelectronics Progress, 2019, 56(22): 223003.