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
【技术领域】
[0001] 本发明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，属于光谱分析技术领域。
【背景技术】
[0002] 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-0ES)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。
[0003] 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。
[0004] 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。
【发明内容】
[0005] 本发明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。
[0006] 本发明实现过程如下： 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 据米集； (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-Y和〇 2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。
[0007] 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。
[0008] 上述步骤（3)中，使用校正集数据对两个参数径向基核函数和〇2进行寻优， Y取值范围为1-100, 〇 2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。
[0009] 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。
[0010] 本发明的优点与积极效果：本发明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】
[0011] 图1是最小二乘支持向量机建模流程图。
【具体实施方式】
[0012] 以下结合附图和实例来进一步说明本发明的操作流程，但本发明不限于此实施 例。
[0013] 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 ys，重复频率为5 Hz,光谱范围为 220nm_800 nm。
[0014] 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。
[0015] 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)。
[0016] 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。
[0017] 使用校正集数据对径向基核函数和〇2进行寻优，通常Y取值范围为1-100， 〇 2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。
[0018] 确定最优参数Y = 70, 0 2 =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。
【主权项】
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 据米集； (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-Y和〇 2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. 根据权利要求1所述铬和锰定量分析方法，其特征在于：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。
3. 根据权利要求1所述铬和锰定量分析方法，其特征在于：步骤（3)中，使用校正集 数据对两个参数径向基核函数-Y和〇2进行寻优，Y取值范围为卜1〇〇, 〇 2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。
4. 根据权利要求1所述铬和锰定量分析方法，其特征在于：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。
【专利摘要】本发明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。
【IPC分类】G01N21-63
【公开号】CN104697966
【申请号】CN201510102861
【发明人】李华, 张天龙, 汤宏胜
【申请人】西北大学
【公开日】2015年6月10日
【申请日】2015年3月10日