一种基于最小二乘支持向量机算法结合激光诱导击穿光谱的钢铁中铬和锰定量分析方法技术

本发明专利技术提出了一种基于最小二乘支持向量机算法结合激光诱导击穿光谱的钢铁中铬和锰定量分析方法。采用网格全局寻优和五折交叉验证来优化最小二乘支持向量机参数（径向基核函数-γ和σ2），并构建最小二乘支持向量机校正模型，然后将该校正模型与LIBS技术结合实现钢铁中的铬和锰元素的定量测定。结果表明，最小二乘支持向量机建模方法具有很好的预测效果，为LIBS技术进行元素高精度检测提供了一种新的建模方法，可以用于钢铁样品的产品质量监控。

【技术实现步骤摘要】

本专利技术涉及一种基于最小二乘支持向量机算法结合激光诱导击穿光谱的钢铁中铬和锰定量分析方法，属于光谱分析

技术介绍
钢材中各种元素成分对钢材质量都有重要影响。在冶炼过程中，为了确保钢材质量和性能合格，需要对钢材成分进行实时、在线和有效检测，因此在实际生产中分析检测技术至关重要。铬和锰是钢铁中常见的杂质元素，对钢铁的性能等方面具有很大影响，例如，钢铁中添加适量的铬，能够提高钢铁的强度、硬度、高温机械性能、耐腐蚀性能以及抗氧化性能等；锰可以提高钢的淬透性、强度和硬度等，但也会降低钢的耐腐蚀性能。因此，建立铬、锰元素的测定方法对于控制钢铁质量具有重要的意义。目前，钢铁中微量元素的常规检测方法有原子荧光光谱法(XRF)、原子发射光谱法(AES)和电感耦合等离子体-发射光谱(ICP-OES)等，这些技术都需要复杂的样品前处理，并且耗时，无法实现钢材产品的实时、在线分析。激光诱导击穿光谱(laser-induced breakdown spectroscopy, LIBS)技术制样简单，可以对钢铁进行快速分析，在冶金分析领域具有广泛的应用前景。LIBS是一种新兴的原子发射光谱技术，具有分析快捷、多元素同时分析以及无需样品预处理等优势。近年来，LIBS技术广泛应用于环境污染、过程分析、科技考古、太空探测等领域，尤其在冶金领域具有很大的应用潜力。目前，LIBS技术在冶金工业的应用主要包括铁矿石筛选、过程控制和炉渣分析等。常见的基于LIBS的钢铁定量分析方法主要有外标法、内标法、自由定标法、偏最小二乘回归等。然而，这些方法大多是单变量的，容易受基体效应以及其他因素的影响。因此，采用多变量分析技术是提高LIBS定量分析的主要途径。支持向量机是一种基于统计学习理论发展起来的新兴分类和回归算法。该方法可以有效克服神经网络方法收敛难、不稳定以及推广性（即泛化能力或预测能力）差的缺点，在解决小样本数、非线性和高维数据空间的模式识别问题上具有独特的优势。最小二乘支持向量机（least squares-support vector machine, LS-SVM）采用最小二乘线性系统作为损失函数，通过解一组线性方程组代替传统支持向量机采用的较复杂的二次规划方法，可以一定程度上减少计算复杂程度，加快了求解速度。在光谱定性和定量中LS-SVM方法得到了一定应用。
技术实现思路
本专利技术的目的是提供一种最小二乘支持向量机算法结合激光诱导击穿光谱实现对钢铁中的铬和锰元素的快速准确定量分析的方法，可以克服基体效应，自吸收效应以及过拟合现象，具有快速、高精度分析的优点。本专利技术实现过程如下：一种基于最小二乘支持向量机算法结合激光诱导击穿光谱的钢铁中铬和锰定量分析方法，包括以下步骤：（1）利用激光诱导击穿光谱仪器对分别在14个钢铁样品的不同测量位点进行光谱数据采集；（2）从14个钢铁样品中随机挑选10个样品的光谱数据作为校正模型的校正集，其余4个样品对应的光谱数据作为测试集；（3）使用校正集数据通过网格搜索和五折交叉验证方法对LS-SVM校正模型两个参数径向基核函数-γ和σ2进行寻优；（4）确定模型最优参数后利用校正集数据建立钢铁样品中铬和锰的LS-SVM校正模型；（5）利用建立的LS-SVM模型预测未知钢铁样本中铬和锰含量。上述步骤(2) 中，校正集和测试集的LIBS光谱数据是经过最大值归一化后的光谱数据。上述步骤(3)中，使用校正集数据对两个参数径向基核函数-γ和σ2进行寻优，γ取值范围为1-100，σ2 取值范围为1-1000，两个参数的取值间隔均为5；采用网格搜索和五折交叉验证方法进行寻优，均方根误差作为评价参数。上述步骤（5）中，通过建立的最优LS-SVM校正模型来预测测试集钢铁样品中铬和锰含量，采用相关系数和均方根误差两种指标进行评价。本专利技术的优点与积极效果：本专利技术将最小二乘支持向量机算法结合激光诱导击穿光谱定量测定钢铁中的铬和锰的方法，最小二乘支持向量机算法对异常值和噪声具有很好的容忍度，能够克服基体效应等因素的干扰，有效提高预测准确度，具有较强的泛化能力。附图说明图1 是最小二乘支持向量机建模流程图。具体实施方式以下结合附图和实例来进一步说明本专利技术的操作流程，但本专利技术不限于此实施例。实施例1本实例使用的LIBS 系统包括双波长调Q 单脉冲Nd:YAG 激光器，光路系统，可调三维样品台，中阶梯光谱仪（ARYELLE-UV-VIS, LTB400, German) 和计算机。激光能量为80mJ, 基频光波长1064 nm，脉宽为10 ns，延迟时间为1.5 μs，重复频率为5 Hz，光谱范围为220nm-800 nm。选择14种不同的钢铁样品( 西宁特殊钢股份有限公司)，为了便于测试，每个样品被制成三个大约 6mm高的圆柱，经打磨处理后放置在样品台上，利用激光诱导击穿光谱系统采集不同钢铁样品的LIBS 信号。在每个钢铁样品随机挑选100个测量点，在每个测量点经20 次连续激光脉冲打击后得到一个测量光谱，每10个测量光谱经平均得到一个分析光谱，最终14个钢铁样品共获得140个分析光谱（每个样品10个光谱）。考虑到钢材样品具有整体成分不均一，局部成分均匀的特点，如果将所有钢铁样品的光谱主观性地分为训练集和测试集则容易出现过拟合导致预测准确率虚高。因此，我们对14个钢铁样品随机地分为校正集和测试集，校正集和测试集的LIBS光谱数据是经过最大值归一化后的光谱数据。使用校正集数据对径向基核函数-γ和σ2进行寻优，通常γ取值范围为1-100，σ2 取值范围为1-1000，其中两者的取值间隔均为5。采用网格全局寻优和五折交叉验证来进行寻优，均方根误差作为评价参数。确定最优参数γ= 70，σ2 =862后，用训练集数据建立LS-SVM校正模型并对测试集钢铁样品中的铬和锰进行预测。为了对比，将同样的数据采用偏最小二乘法（PLS）进行预测，对比两种算法的相关系数和均方根误差，见表1。对比LS-SVM和PLS校正模型对测试集钢铁样品中铬和锰的预测结果，LS-SVM具有较好的预测效果，具有更好的相关性和较低的均方根误差。因此，最小二乘支持向量机结合激光诱导击穿光谱技术可以用于钢铁样品的产品质量监控。本文档来自技高网...

【技术保护点】
一种基于最小二乘支持向量机算法结合激光诱导击穿光谱的钢铁中铬和锰定量分析方法，包括以下步骤：（1）利用激光诱导击穿光谱仪器对分别在14个钢铁样品的不同测量位点进行光谱数据采集；（2）从14个钢铁样品中随机挑选10个样品的光谱数据作为校正模型的校正集，其余4个样品对应的光谱数据作为测试集；（3）使用校正集数据通过网格搜索和五折交叉验证方法对LS‑SVM校正模型两个参数径向基核函数‑γ和σ2进行寻优；（4）确定模型最优参数后利用校正集数据建立钢铁样品中铬和锰的LS‑SVM校正模型；（5）利用建立的LS‑SVM模型预测未知钢铁样本中铬和锰含量。

【技术特征摘要】
1.一种基于最小二乘支持向量机算法结合激光诱导击穿光谱的钢铁中铬和锰定量分析方法，包括以下步骤：
（1）利用激光诱导击穿光谱仪器对分别在14个钢铁样品的不同测量位点进行光谱数据采集；
（2）从14个钢铁样品中随机挑选10个样品的光谱数据作为校正模型的校正集，其余4个样品对应的光谱数据作为测试集；
（3）使用校正集数据通过网格搜索和五折交叉验证方法对LS-SVM校正模型两个参数径向基核函数-γ和σ2进行寻优；
（4）确定模型最优参数后利用校正集数据建立钢铁样品中铬和锰的LS-SVM校正模型；
（5）利用建立的LS-SVM模型预测未知钢铁样本中铬和锰含量。
2....

【专利技术属性】
技术研发人员：李华，张天龙，汤宏胜，
申请(专利权)人：西北大学，
类型：发明
国别省市：陕西;61