论文部分内容阅读
我国是铝工业大国,铝土矿是铝工业中最主要的原材料,铝土矿中各种化学成分的含量直接影响其冶炼工艺及用途。传统的铝土矿成分检测方法耗时、繁杂且不能多元素同时检测,迫切需要寻找一种简易快速的检测技术。激光诱导击穿光谱（LIBS）检测技术具有快速、简易、实时及多元素同时检测等优点,可为LIBS铝土矿快速检测提供技术手段。但LIBS光谱具有强度弱、维度高、数据量大等缺点,严重影响其检测精度。机器学习方法可为LIBS高维度数据分析提供有效工具。本文从铝土矿成分快速、高效检测的实际需求出发,提出基于腔体约束激光诱导击穿光谱的高精度检测方法。通过构建LIBS检测系统,探究了LIBS等离子体光谱增强及自吸收校正机理;重点研究了基于机器学习的LIBS定性定量分析方法。克服了铝土矿传统检测耗时、繁杂且无法进行多元素同时检测的局限,实现了铝土矿主要成分的快速精准测量。主要研究工作如下:（1）针对传统LIBS光谱强度弱、背景辐射强等问题,提出基于空间约束的LIBS光谱增强方法,优化了铝土矿LIBS检测系统的实验参数,为后续的定性定量分析奠定了实验基础。利用不同直径（从1mm到6mm）和不同高度（从1mm到6mm）腔体对LIBS光谱进行了约束增强,通过对光谱强度、信噪比、电子温度等光谱参数的分析,得到约束铝土矿LIBS光谱的最优腔体,尺寸为直径5mm,高度4mm。在最优腔体约束下,分析了压强、激光能量及光谱采集延迟时间对铝土矿中Al、Si元素特征光谱强度及信噪比的影响。实验结果表明压强为150MPa时,光谱稳定性最好;激光能量为80mJ,延迟时间为1μs时,信噪比达到最大。（2）针对LIBS光谱自吸收现象对铝土矿定量分析精度的影响,提出基于电子温度与电子密度的自吸收校正方法,建立了自吸收校正模型,实现了铝土矿主要元素的LIBS光谱自吸收校正。通过铝土矿LIBS光谱与NIST库筛选出铝土矿样品中Al、Si、Fe、Ti元素的主要特征谱线,并利用元素能级性质选定内参考线。计算电子温度确定谱线自吸收系数,完成谱线的第一次校正,结果显示Al、Si、Fe、Ti元素浓度的准确性分别提高了5.21%、5.94%、11.28%和5.6%;利用谱线展宽理论及电子密度,完成了谱线的第二次校正,结果显示主要元素浓度的准确性进一步提高了3.19%、4.26%、4.49%和3.3%。经过两次校正,样本中各元素的玻尔兹曼拟合系数得到了很大改善,定量分析精度得到了提高。本文提出的自吸收校正方法在303不锈钢样品中同样得到了验证,证明该方法具有一定的普适性。（3）针对LIBS技术在铝土矿分类应用中的谱线维度高、分类准确度低及耗时等问题,提出基于TM和PCA降维的SVM结合LIBS铝土矿分类方法,建立了TM-SVM和PCA-SVM分类模型,实现了铝土矿样品的精确分类。通过TM和PCA分别对9种不同矿区的铝土矿原始数据进行降维,将降维后的10维数据输入SVM算法中进行分类模型训练,结果表明,PCA-SVM模型得到的准确度、精准率、灵敏度和F1值均为1,明显高于TM-SVM判别模型获得的预测结果;同一降维条件下,SVM分类性能优于KNN、DNN、RF,说明PCA-SVM模型可以有效实现对不同矿区铝土矿的分类。本文提出的TM-SVM和PCA-SVM模型在铁矿石的分类中同样得到了验证,证明该模型具有一定的普适性。（4）针对LIBS技术在铝土矿成分定量分析应用中谱线维度大,基体效应严重及检测精度低等问题,提出基于递归特征消除的RFE-RFR结合LIBS铝土矿多元素定量分析方法,建立了RFE-RFR定量分析模型,实现了铝土矿中Al、Si、Fe、Ti元素的高精度定量检测。对不同波段的LIBS光谱数据进行RFR回归训练,表明250nm-500nm波段的RFR回归模型性能最好;利用RFE算法对铝土矿样品LIBS光谱进行特征消除,在RFE-RFR模型中进行训练,完成了对铝土矿样品的定量分析,同时优化了RFR的各项参数;与PLSR和SVM模型回归算法进行了比较,表明RFE-RFR回归模型的性能最好,决定系数R~2均在0.95以上,均方根误差RMSE分别为0.2874、0.2070、0.3802、0.0347,均优于其它回归算法。研究结果表明,RFR结合LIBS能够有效测量铝土矿主要元素,而RFE特征选择方法能进一步提高RFR定量分析模型的精度。