采用激光诱导击穿光谱(LIBS)技术激发铝合金标样表面的不同位置,得到320组光谱数据;然后对原始光谱数据进行预处理,并选取铝合金中6种主要元素的20条特征谱线构成320×20光谱数据矩阵;再采用主成分分析法对光谱矩阵进行降维,使模型输入变量从20个降至6个;最后,将经过主成分降维的光谱数据作为径向基函数神经网络的输入量,对铝合金中5种主要非铝元素(Si、Fe、Cu、Mn和Mg)建立多元定标模型。结果表明:该模型的拟合优度均值为0.978,均方根误差均值为0.31%;主成分分析结合径向基函数神经网络的方法能够有效减小参数波动,并能校正基体效应,提高模型定量分析的精度和稳定性,尤其是对于Fe、Si和Cu等低含量元素的分析精度具有明显的提升作用。

激光诱导击穿光谱技术(LIBS)具有无需制备样品、多元素同时测量和快速检测等优点,在物质检测领域得到了广泛应用,选择合适的实验装置参数是其取得良好检测效果的重要基础。在单因素实验的基础上,以激光能量、延迟时间和焦深为影响因素,以光谱信背比作为响应指标,建立了一种优化激光诱导击穿光谱实验装置参数的多因素响应面模型。研究了不同影响因素及它们之间的耦合作用对光谱质量的影响,得到的最优实验参数为激光能量114 mJ,延迟时间1.86 μs,焦深1.75 mm。最后,对响应面法所得的最优实验参数进行实验验证,得出谱线信背比均值为7.45,较单因素实验法提高了1.92%,相对标准偏差为3.16%,较单因素实验法下降了0.94%。结果表明,响应面法比单因素实验法更加有效、可靠。

激光诱导击穿光谱技术具有实时在线、非接触式测量和无损分析等优点,在物质检测领域得到了广泛应用,选择合适的分析谱线是其取得良好检测效果的重要基础。结合遗传算法(GA)的全局优化能力和粒子群算法(PSO)的局部搜索能力,提出了一种从激光诱导击穿光谱的原始光谱数据中自适应选择分析谱线与内标谱线的方法,利用该方法选择的分析谱线与内标谱线对铝合金中4种主要非铝元素(Mg、Mn、Si和Fe)进行定量分析,得到的拟合优度均值为0.972,均方根误差均值为0.35%,相对标准差均值为3.53%,最后遍历其他所有分析谱线进行定量分析,并对比它们的定标性能。结果表明,利用PSO-GA搜索优化得到的分析谱线与内标谱线较PSO、GA算法获得的谱线更优。