激光诱导击穿光谱结合CARS变量筛选检测油漆涂层中的Pb 下载: 957次
1 引言
油漆是一种日常生活和工业生产中重要的化学材料。传统的溶剂型油漆大多含有Pb等重金属,这些重金属会随着油漆成膜过程而残留在油漆涂层中。与涂有油漆涂层的产品接触时,重金属能通过皮肤、口腔等途径进入人体,人体一旦摄入重金属含量超标,生命安全会受到巨大威胁。国内外对油漆涂层中的重金属都有严格的限制标准,如中国标准GB/T23994-2009、美国消费品安全规范ASTM F963-2011等都规定涂层中Pb含量不得超过90 mg·kg-1。因此,在工业生产中,快速准确地检测油漆涂层中的重金属Pb具有重要意义。
目前,油漆中重金属定量检测主要采用传统的实验室方法,主要包括原子吸收光谱法(AAS)、电感耦合等离子光谱仪(ICP-AES)、电感耦合等离子体质谱仪(ICP-MS)和X射线荧光光谱法(XRF)[1]。这些方法存在样品预处理过程复杂、对操作人的专业要求高、检测周期长等缺点,无法满足在线快速检测的工业需求。激光诱导击穿光谱(LIBS)作为一种新兴的全光谱成分分析技术,具有样品预处理简单,以及原位分析、多元素分析和检测快速等诸多优点,已经广泛应用于冶金[2-3]、煤质分析[4-5]、环境保护[6-8]和食品安全[9-10]等领域。
然而,针对油漆中重金属的LIBS检测方面开展的研究不多。Myers等[11]对含铅油漆中的Pb进行了LIBS实验,并与XRF技术进行了对比,验证了LIBS对油漆涂层中Pb定量分析的可行性;Gondal等[12]采用单变量定标方法对工厂油漆中的Pb、Ar、Cr、Ca、Ti进行了定量LIBS检测,并与ICP技术检测出的含量进行了对比,得到了2%~4%的平均相对误差;王阳恩[13]对编号为2579e的含铅标准油漆样品进行了LIBS检测,得到铅定标曲线拟合系数为0.956,检测限为72 μg·g-1。
激光诱导击穿光谱进行定量分析时,合适的定量分析模型有利于提高检测精度。最常用的定量分析模型就是定标法,但是由于激光能量波动、样品基体效应以及自吸收效应等影响,传统的单变量定标模型预测性能较差。因此,对于复杂样品,通常采用多变量分析模型来提高定量检测的准确度。LIBS的光谱信息十分复杂,采用全光谱波长变量建模时,结果会包含许多与目标浓度无关的信息,从而造成过拟合;而采用特征谱线变量建模时,会遗漏少许有用信息,从而降低定量模型的准确度。鲜有关于LIBS技术结合变量筛选方法的报道,筛选方法主要有遗传算法(GA)[14-15]、竞争自适应再加权算法(CARS)[15-17]、连续投影算法(SPA)[15]、无信息变量消除(UVE)[18]以及联合区间(Si)[19]等,这些方法通过变量选择均能够得到比全光谱更好的定量或分类结果。
本文利用LIBS技术定量检测油漆涂层中的微量重金属Pb。在优化实验参数和光谱预处理的基础上,对光谱数据进行特征波长单变量定标分析、特征波长多元回归分析以及CARS-PLS模型分析。
2 实验部分
2.1 实验装置与光谱采集
油漆LIBS检测的实验装置如
在实验过程中,为了避免油漆涂层样品被击穿,将样品置于电控旋转台上。为了得到信背比更好的光谱数据,对实验参数进行优化,优化后激光单脉冲能量为61.2 mJ,光谱采集延时为1.8 μs,光谱仪积分时间为1 ms,激光焦平面在样品表面下1 mm。采集光谱时,每幅光谱为100次激光脉冲结果的平均值,每个样品重复测量10次。
2.2 样品制备
实验所用的油漆样品为醇酸树脂红色调和漆(武汉双虎牌)。为了制备不同Pb含量的油漆涂层样品,利用精密电子天平称取不同含量的PbCrO4粉末(分析纯,北京科展生物科技),然后混合到100 g油漆中,充分搅拌后,将油漆分为两份,并将其中一份涂覆到直径为30 mm,厚度为10 mm的小圆木片上;另一份涂覆到玻璃基片上,静置样品待到自然风干。小圆木片样品用作LIBS分析;利用原子吸收光谱仪检测玻璃片样品油漆涂层中Pb含量(质量分数),作为LIBS分析的参考含量,各样品中Pb元素的参考含量如
表 1. 油漆涂层样品中Pb元素的参考含量
Table 1. Reference content of lead in paint coating samples
|
3 结果与分析
3.1 单变量定标
根据光谱学分析中常用的Lomakin-Scheibe公式,特征谱线的峰值强度与其对应元素浓度的关系为
式中:
图 2. 油漆涂层中的Pb元素在308~417 nm内的特征谱线
Fig. 2. Characteristic spectra of lead in paint coatings at 308-417 nm
图 3. Pb I 405.78 nm分析线的定标曲线
Fig. 3. Calibration curve of 405.78 nm analytical line of Pb I
由于光谱仪分辨率有限,需对平均光谱Pb I 405.78 nm处谱线进行洛伦兹拟合。将拟合的峰值强度与背景强度的差值作为定标分析的净强度,以校正集样品的参考浓度为横坐标,Pb I 405.78 nm处净强度为纵坐标建立定标曲线,所得结果如
3.2 多元线性回归分析
Pb元素在308~417 nm光谱范围内有三条较明显的特征谱线,Pb元素含量对这三条谱线的强度都有明显影响。因此,可以将三条谱线强度作为自变量建立多元线性回归(MLR)模型,表达式为
式中:
图 4. 多元线性回归模型对校正集的预测结果
Fig. 4. Prediction results of multiple linear regression model for correction set
3.3 CARS-PLS模型
所用光谱仪的一个通道内共有2048个数据点,剔除无效数据后仍有1969个光谱数据,每个数据点都可以视为一个变量。单变量定标模型以及多元线性回归模型都只利用光谱中一部分信息,因此模型精度不高。为了从光谱中筛选出有用信息,剔除与Pb元素浓度无关的变量,采用竞争自适应再加权采样(CARS)方法对308~417 nm内的波长变量进行筛选。CARS是一种类似于达尔文“适者生存”的关键变量筛选算法,该算法通过变量数指数衰减和自适应再加权采样筛选出一系列变量子集,然后根据建立的偏最小二乘(PLS)模型的交叉验证方均根误差(RMSECV)最小原则确定最优变量子集,具体算法原理详见文献[ 20]。该算法近几年已广泛用于红外光谱分析[21-22]。在本文实验的CARS变量筛选中,采样次数为50,最大主成分数为4,交叉验证为2折。
图 5. CARS算法对波长变量的筛选结果。(a)波长变量数的变化趋势;(b) RMSECV的变化趋势;(c)各变量回归系数的变化趋势
Fig. 5. Screening results of wavelength variables by CARS algorithm. (a) Trend of variable number of wavelength; (b) trend of RMSECV; (c) trend of regression coefficients of various wavelength variables
图 6. CARS算法筛选出的波长变量分布
Fig. 6. Distribution of wavelength variables screened by CARS algorithm
以筛选出的16个变量建立校正集样品的PLS模型。
表 2. 各分析模型对预测集样品的预测结果
Table 2. Prediction result of each analysis model for sample of prediction set
|
4 结论
利用激光诱导击穿光谱实现了油漆涂层中微量重金属Pb的定量检测。在优化LIBS实验参数的前提下,采集了油漆涂层在308~417 nm范围内的光谱,对油漆样品中的Pb分别进行了单变量分析、多元线性回归分析以及CARS-PLS分析。对比分析方法的预测精度可知,CARS-PLS模型的预测误差最小。因此,在对油漆涂层的Pb定量分析中,筛选光谱信息既可以充分利用光谱信息,又能够减小实验条件对波动和基体效应的影响,而CARS算法可简单高效地筛选出与油漆涂层中Pb相关的光谱信息,提高了定量分析模型的精度。
[1] 吴静霞, 姚晨岚. 油漆中重金属元素分析方法研究进展[J]. 河南化工, 2015, 32(1): 23-25.
Wu J X, Yao C L. The process research of analysis of heavy metals in coatings[J]. Henan Chemical Industry, 2015, 32(1): 23-25.
[2] 陈凯, 陆继东, 李俊彦. 钢液中多元素的LIBS实时定量分析[J]. 光谱学与光谱分析, 2011, 31(3): 823-826.
[3] 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.
[5] Feng J, Wang Z, West L, et al. A PLS model based on dominant factor for coal analysis using laser-induced breakdown spectroscopy[J]. Analytical and Bioanalytical Chemistry, 2011, 400(10): 3261-3271.
[6] Hu L, Zhao N J, Liu W Q, et al. Quantitative analysis of heavy metals in water based on LIBS with an automatic device for sample preparation[J]. Plasma Science and Technology, 2015, 17(8): 699-703.
[7] Dell'Aglio M, Gaudiuso R, Senesi G S, et al. . Monitoring of Cr, Cu, Pb, V and Zn in polluted soils by laser induced breakdown spectroscopy (LIBS)[J]. Journal of Environmental Monitoring, 2011, 13(5): 1422-1426.
[8] 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.
[9] Bhatt C R, Alfarraj B, Ghany C T, et al. Comparative study of elemental nutrients in organic and conventional vegetables using laser-induced breakdown spectroscopy (LIBS)[J]. Applied Spectroscopy, 2017, 71(4): 686-698.
[10] 杨晖, 黄林, 刘木华, 等. 激光诱导击穿光谱结合移动窗口偏最小二乘对脐橙中重金属Cd的检测[J]. 激光与光电子学进展, 2017, 54(8): 083002.
[11] Myers R A, Kolodziejski N J, Squillante M R. Commercialization of laser-induced breakdown spectroscopy for lead-in-paint inspection[J]. Applied Optics, 2008, 47(31): G7-G14.
[12] Gondal M A, Nasr M M, Ahmed M M, et al. Detection of lead in paint samples synthesized locally using-laser-induced breakdown spectroscopy[J]. Journal of Environmental Science and Health, Part A, 2011, 46(1): 42-49.
[13] 王阳恩. 激光诱导击穿光谱法测定玩具油漆表面铅含量[J]. 冶金分析, 2013, 33(12): 34-38.
Wang Y E. Determination of lead in paint surface of toy by laser induced breakdown spectroscopy[J]. Metallurgical Analysis, 2013, 33(12): 34-38.
[14] Kumar Myakalwar A, Spegazzini N, Zhang C, et al. Less is more: avoiding the LIBS dimensionality curse through judicious feature selection for explosive detection[J]. Scientific Reports, 2015, 5: 13169.
[15] Pontes M J C, Cortez J, Galvão R K H, et al. . Classification of Brazilian soils by using LIBS and variable selection in the wavelet domain[J]. Analytica Chimica Acta, 2009, 642(1/2): 12-18.
[16] 刘珊珊, 张俊, 林思寒, 等. 激光诱导击穿光谱结合竞争自适应重加权采样算法对猪饲料中铜元素的定量分析[J]. 激光与光电子学进展, 2018, 55(2): 023001.
[17] 吴宜青, 孙通, 刘津, 等. 基于LSSVM和CARS变量优选的食用植物油中铬含量DP-LIBS检测[J]. 激光与光电子学进展, 2018, 55(1): 013005.
[18] 孙通, 吴宜青, 刘秀红, 等. 激光诱导击穿光谱联合UVE变量优选检测大豆油中的铬含量[J]. 光谱学与光谱分析, 2016, 36(10): 3341-3345.
[19] 王彩虹, 黄林, 刘木华, 等. 基于SiPLS模型的稻壳中重金属铬LIBS检测[J]. 激光与光电子学进展, 2016, 53(11): 113001.
[20] Li H D, Liang Y Z, Xu Q S, et al. Key wavelengths screening using competitive adaptive reweighted sampling method for multivariate calibration[J]. Analytica Chimica Acta, 2009, 648(1): 77-84.
[21] VohlandM, LudwigM, Thiele-BruhnS, et al. Determination of soil properties with visible to near- and mid-infrared spectroscopy: effects of spectral variable selection[J]. Geoderma, 2014, 223/224/225: 88- 96.
[22] 李江波, 彭彦昆, 陈立平, 等. 近红外高光谱图像结合CA RS算法对鸭梨SSC含量定量测定[J]. 光谱学与光谱分析, 2014, 34(5): 1264-1269.
吴子俊, 卢景琦, 黄剑, 程德伟. 激光诱导击穿光谱结合CARS变量筛选检测油漆涂层中的Pb[J]. 激光与光电子学进展, 2019, 56(14): 143001. Zijun Wu, Jingqi Lu, Jian Huang, Dewei Cheng. Pb Detection in Paint Coatings Through Combined Laser-Induced Breakdown Spectroscopy and CARS Variable Screening[J]. Laser & Optoelectronics Progress, 2019, 56(14): 143001.