一种对铁矿石的分类及验证方法与流程

本发明属于铁矿石分类技术领域，尤其涉及一种对铁矿石的分类及验证方法。

背景技术：

铁矿石是钢铁生产中必需的基础原材料，在钢铁行业有着举足轻重的应用。铁矿石中的种类及其元素含量直接影响到钢铁冶炼。不同种类的铁矿石具有不同的物理化学性质，同时在冶炼过程中影响着钢铁冶炼的其他物质配比。

为了保障钢铁冶炼，就必须对铁矿石的选矿、冶炼、加工、运输等各个环节进行快捷有效的分析检测。但目前所用的传统分析检测技术普遍存在样品预处理复杂、耗时长，无法实现实时在线检测等各种问题。目前的方法有化学分析法、X射线荧光光谱法、微波消解电感耦合等离子体光谱法等方法。化学分析法、X射线荧光光谱法的样品前处理复杂，消耗大量强酸强碱并对周边环境产生影响。微波消解电感耦合等离子体光谱法，使用高腐蚀性酸对环境和检测人员有一定影响。火焰原子吸收法所用的试剂中存在铜离子，对环境有一定污染。

技术实现要素：

针对上述问题，本发明的目的在于提供一种对铁矿石的分类及验证方法，采用基于遗传算法寻优的支持向量机结合激光诱导击穿光谱技术，可以提高铁矿石分类的准确度、缩短分类时间。

为达到上述目的，本发明的实施例采用如下技术方案予以实现。

一种对铁矿石的分类及验证方法，所述方法包括如下步骤：

步骤1，获取n种待测铁矿石样品；每种待测铁矿石样品具有多种不同的组分；n为大于1的自然数；

步骤2，采用激光诱导击穿光谱装置，对每种待测铁矿石样品进行不同方位的多次采样，从而得到每种待测铁矿石样品的m组光谱样本数据；m为大于1的自然数；

步骤3，将每种待测铁矿石样品的m组光谱样本数据分为训练光谱样本和测试光谱样本；从而分别得到n种待测铁矿石样品的训练光谱样本和测试光谱样本；

步骤4，获取支持向量机的径向基核函数，并根据遗传寻优算法确定所述径向基核函数中的最优参数变量；所述径向基核函数中的最优参数变量为惩罚因子C和特征数的倒数g；

步骤5，将所述n种待测铁矿石样品的训练光谱样本和所述径向基核函数中的最优参数变量输入到支持向量机中，得到n种待测铁矿石样品的分类超平面；

步骤6，将所述n种待测铁矿石样品的测试光谱样本根据所述分类超平面进行分类，并将分类结果与所述n种待测铁矿石样品的测试光谱样本实际所属的铁矿石种类进行对比，得到分类准确度。

本发明技术方案的特点和进一步的改进为：

(1)步骤1中，所述每种待测铁矿石样品的制备方法为：

用电子分析天秤称取该种待测铁矿石粉末1g，用聚乙烯粉末包覆在该种待测铁矿石粉末的底部，用200Kgf/cm²压片2分钟，制得直径为2cm，厚度为5mm的圆片，将其作为该种待测铁矿石样本，200Kgf/cm²表示每平方厘米施加200千克力。

(2)步骤2中，所述激光诱导击穿光谱装置包括：

激光器、光路单元、光谱仪、样品台以及数据处理中心；

所述激光器的输出端与所述光路单元的输入端连接，所述光路单元的输出端对准所述样品台上的待测铁矿石样本；

所述光谱仪的光纤探头固定在所述样品台上，与样品台呈45度角，

所述光谱仪的输出端与所述数据处理中心的输入端连接。

(3)所述激光器通过所述光路单元发射双脉冲激光；所述双脉冲激光用于激发所述待测铁矿石样品产生等离子体，所述等离子体发射光谱；

所述光谱仪的光纤探头用于收集所述等离子体发射的光谱的光谱数据，并将收集到的所述待测铁矿石样本的光谱数据输出到所述数据处理中心；

所述数据处理中心根据待测铁矿石样品的光谱数据，得到等离子发射的光谱的特征波长的位置以及光谱强度，从而根据所述光谱的特征波长的位置、所述光谱强度，确定所述待测铁矿石样品中的各个组分以及每个组分的含量。

(4)步骤4中，所述支持向量机的径向基核函数为：

其中，x_i表示第i个训练光谱样本，表示第j个训练光谱样本，且1≤i≤I，1≤j≤I，I为训练光谱样本的总个数，1/2σ²表示特征数的倒数g，exp表示指数函数，|| ||²表示模值的平方，w表示所要求的分类超平面的法向量，C表示惩罚因子，ζ_i为松弛变量，∑表示求和符号。

本发明实施例提供的一种对铁矿石的分类及验证方法，采用基于遗传算法寻优的支持向量机结合激光诱导击穿光谱技术，可以提高铁矿石分类的准确度、缩短分类时间。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的一种对铁矿石的分类及验证方法的流程示意图；

图2为本发明实施例提供的10种铁矿石激光诱导击穿光谱示意图；

图3为本发明实施例提供的激光诱导击穿光谱仪的结构示意图；

图4为本发明实施例提供的支持向量机的遗传算法流程示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

激光诱导击穿光谱技术(Laser Induced Breakdown Spectroscopy，简称LIBS)是一种新兴的原子发射光谱技术。LIBS利用高能脉冲激光器激发样品产生等离子体，通过光谱仪获取原子和离子发射谱线并进行分析，并由特征波长的位置和光谱强度来对样品中的元素进行定性及定量分析。LIBS技术具有操作快捷、多种元素同时分析等特点，近些年来发展迅速，广泛应用于宇宙开发、考古研究、地质勘探、军事安全等领域。

支持向量机算法的形成是基于统计学理论，随着化学计量学的发展，该方法在模式识别应用中大放异彩，该方法具有良好的鲁棒性、通用性、有效性、计算简单的优点。支持向量机基于寻找分类超平面将各组分分类开来，同时利用遗传算法寻优可实现分类计算的准确性和实效性。

参照图1，本发明实施例提供一种对铁矿石的分类及验证方法，所述方法包括如下步骤：

步骤1，获取n种待测铁矿石样品；每种待测铁矿石样品具有多种不同的组分；n为大于1的自然数；

步骤2，采用激光诱导击穿光谱装置，对每种待测铁矿石样品进行不同方位的多次采样，从而得到每种待测铁矿石样品的m组光谱样本数据；m为大于1的自然数；

步骤3，将每种待测铁矿石样品的m组光谱样本数据分为训练光谱样本和测试光谱样本；从而分别得到n种待测铁矿石样品的训练光谱样本和测试光谱样本；

步骤4，获取支持向量机的径向基核函数，并根据遗传寻优算法确定所述径向基核函数中的最优参数变量；所述径向基核函数中的最优参数变量为惩罚因子C和特征数的倒数g；

具体的，首先对c、g进行编码，种群中的个体就是随机数字化的编码，进而产生初始种群；其次计算每一对c、g的适应度值，若适应度大于设定的阈值(示例性的，设定的阈值可以为99％)，则输出最优解，若达不到阈值则停止输出，进行选择、交叉、变异运算，利用选择函数允许单个编码以优胜劣汰的方式生存下来，并产生子代，直至得到最优参数c、g。

步骤5，将所述n种待测铁矿石样品的训练光谱样本和所述径向基核函数中的最优参数变量输入到支持向量机中，得到n种待测铁矿石样品的分类超平面；

步骤6，将所述n种待测铁矿石样品的测试光谱样本根据所述分类超平面进行分类，并将分类结果与所述n种待测铁矿石样品的测试光谱样本实际所属的铁矿石种类进行对比，得到分类准确度。

步骤1中，所述每种待测铁矿石样品的制备方法为：

用电子分析天秤称取该种待测铁矿石粉末1g，用聚乙烯粉末包覆在该种待测铁矿石粉末的底部，用200Kgf/cm²压片2分钟，制得直径为2cm，厚度为5mm的圆片，将其作为该种待测铁矿石样本，200Kgf/cm²表示每平方厘米施加200千克力。

步骤2中，所述激光诱导击穿光谱装置包括：

激光器、光路单元、光谱仪、样品台以及数据处理中心；

所述激光器的输出端与所述光路单元的输入端连接，所述光路单元的输出端对准所述样品台上的待测铁矿石样本；

所述光谱仪的光纤探头固定在所述样品台上，与样品台呈45度角，

所述光谱仪的输出端与所述数据处理中心的输入端连接。

进一步的，所述激光器通过所述光路单元发射双脉冲激光；所述双脉冲激光用于激发所述待测铁矿石样品产生等离子体，所述等离子体发射光谱；

所述光谱仪的光纤探头用于收集所述等离子体发射的光谱的光谱数据，并将收集到的所述待测铁矿石样本的光谱数据输出到所述数据处理中心；

所述数据处理中心根据待测铁矿石样品的光谱数据，得到等离子发射的光谱的特征波长的位置以及光谱强度，从而根据所述光谱的特征波长的位置、所述光谱强度，确定所述待测铁矿石样品中的各个组分以及每个组分的含量。

步骤4中，所述支持向量机的径向基核函数为：

其中，x_i表示第i个训练光谱样本，表示第j个训练光谱样本，且1≤i≤I，1≤j≤I，I为训练光谱样本的总个数，1/2σ²表示特征数的倒数g，exp表示指数函数，|| ||²表示模值的平方，w表示所要求的分类超平面的法向量，C表示惩罚因子，ζ_i为松弛变量，∑表示求和符号。

示例性的，在实际工程应用中，本发明技术方案采用如下过程实现：

(1)将待测铁矿石样品编号a-j，具体样品型号见表1，分别加工成0.2mm粒径的粉末，并用聚乙烯粉末包覆底层、压片，制成待测样品a-j号；

表1十类铁矿石样品元素组成(重量百分比)

(2)利用激光诱导击穿光谱系统对样品a-j进行不同位置的数据采集；

(3)将采集的300组光谱数据(一种铁矿石采集三十次数据)，光谱谱图(如图2所示)数据导入MATLAB2007a(Mathworks)中，按照遗传算法寻优方法，寻出最佳参数变量C、g；

(4)将最佳参数变量g、C带入支持向量机径向基核函数公式中：

其中C为惩罚因子，显示对误差过大样品的惩罚程度。g是RBF函数中的(默认为特征数的倒数)，即g是RBF函数中的1/2σ²。将300组光谱数据随机分成两组，200组光谱数据作为训练集，剩余100组光谱数据作为测试集，通过训练集与测试集交叉验证，最终得到分类结果，并对准确度进行评价。

公式中x为光谱的横坐标，1/2σ²为特征数的倒数，i、j为样本点，C是为了松弛变量ζ而存在，不同的C意味着对每个样本的重视程度不一样。||w||是垂直于分类超平面向量的模值。为了使间隔最大，即要使公式b为最小值。SVM分类原理按寻找样本点的分类超平面进行分类。

所述的铁矿石粉末是按照GB/T 10322.1-2000实施，将不同类铁矿石粉末各取相同质量10份，再用聚乙烯粉末包覆底部，用200Kgf/cm²的压力压制2min，制成圆片。

所述的激光诱导击穿光谱仪包括激光器、光路系统、EMCCD光谱仪、样品台以及计算机。测试条件为Nd：YAG掺钕钇铝石榴石激光器(Litron，NANOSG120-20，白俄罗斯)提供双脉冲激光，操作波长：1064nm，能量：21mJ，重复率：5Hz，脉冲宽度：10ns，凸透镜焦距为50mm。样品表面的焦距区为2.0×10^-3cm²。EMCCD光谱仪的光纤探头固定在X-Y-Z样品台上，与样品台呈45°收集光谱信号。

将制好的样品放置在样品台上，打开光谱仪和激光器，调制样品台的高度，设定仪器参数使光谱信号的信背比最佳，在样品的不同位置依次辐射各30次，得到LIBS光谱数据组。

将采集的300组光谱数据导入MATLAB2007a(Mathworks)中，执行遗传算法寻优程序。遗传算法寻优是模拟物竞天择的生物进化过程，通过维护一个潜在解的群体执行了多方向的搜索，并支持这些方向上的信息构成和交换。

设置种群数量pop＝20，终止代数为100，寻出最佳参数变量-最佳参数惩罚因子C、径向基核函数特征数的倒数g。

示例性的，将最佳参数变量C＝9.2058、g＝0.017738带入支持向量机径向基核函数算法公式(a)(b)中，进行训练集200组光谱数据和测试集100组光谱数据交叉验证，设置交叉验证折数为10，得到交叉验证的准确率为98.5％，训练集准确率为99.5％(199/200)，测试集准确率为96％(96/100)，如表2所示，运算时间为10.2分钟。

表2对10种铁矿石分类的准确度

本发明的优点：基于遗传算法寻优的支持向量机结合激光诱导击穿光谱技术可实现铁矿石分类准确率高、分析时间短的优点。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。