本文關(guān)鍵詞：激光誘導(dǎo)擊穿光譜中化學(xué)計(jì)量學(xué)方法研究及其在冶金分析的應(yīng)用，由筆耕文化傳播整理發(fā)布。

【摘要】：鋼鐵和爐渣是煉鋼工業(yè)的重要產(chǎn)品,其組分直接影響煉鋼產(chǎn)品的質(zhì)量和性能。為了保障煉鋼過程的順利進(jìn)行,有必要對(duì)冶金工業(yè)的各個(gè)環(huán)節(jié)實(shí)施快速、實(shí)時(shí)分析。傳統(tǒng)分析技術(shù)具有制樣復(fù)雜、耗時(shí)和無法在線檢測(cè)等缺點(diǎn),嚴(yán)重制約了冶金工業(yè)的自動(dòng)化和智能化步伐。激光誘導(dǎo)擊穿光譜(Laser-induced breakdown spectroscopy, LIBS)是一種基于原子發(fā)射光譜的新興定量分析技術(shù),具有制樣簡(jiǎn)單、快速、在線以及實(shí)時(shí)分析等優(yōu)勢(shì),在煉鋼過程控制和爐渣現(xiàn)場(chǎng)分析方面得到了廣泛應(yīng)用。由于LIBS信號(hào)容易受基體效應(yīng)、自吸收效應(yīng)以及其它因素的干擾,從而嚴(yán)重影響其定性定量分析的準(zhǔn)確性。借助化學(xué)計(jì)量學(xué)方法可以克服這些因素的影響,從復(fù)雜的光譜數(shù)據(jù)中提取有用信息并建立更加穩(wěn)健的分析模型。本文應(yīng)用多種化學(xué)計(jì)量學(xué)方法結(jié)合LIBS技術(shù)對(duì)鋼鐵、爐渣樣品進(jìn)行定性定量分析,通過優(yōu)化和改進(jìn)算法來提高其分析性能。全文共分六章,其研究?jī)?nèi)容主要為：第一章首先介紹了激光誘導(dǎo)擊穿光譜技術(shù)的概況、基本原理、優(yōu)缺點(diǎn)和應(yīng)用領(lǐng)域,然后對(duì)化學(xué)計(jì)量學(xué)在LIBS技術(shù)中的研究進(jìn)展做了評(píng)述,最后提出本課題的研究背景、研究意義以及研究?jī)?nèi)容。第二章通過構(gòu)建隨機(jī)森林回歸(Random forest regression, RFR)模型來同時(shí)分析鋼鐵中的五種微量元素(Si、Mn、Cr、Ni和Cu)。采用歸一化后的鋼鐵LIBS光譜(220-400nm)作為輸入變量來構(gòu)建偏最小二乘(Partial least squares、支持向量機(jī)(Support vector machines, SVM)和RFR校正模型,通過對(duì)比三種校正模型對(duì)鋼鐵中五種元素的定量分析結(jié)果,RFR模型能夠得到比較滿意的定量分析結(jié)果,具有較好的預(yù)測(cè)能力。第三章通過構(gòu)建最小二乘支持向量機(jī)(Least squares support vector machines, LSSVM)校正模型來同時(shí)分析爐渣中的七種組成(CaO、SiO2、Al2O3、MgO、Fe2O3、MnO2和Ti02)。小波濾噪后的全波段LIBS光譜作為輸入變量分別構(gòu)建了PLS和LSSVM校正模型。采用網(wǎng)格全局尋優(yōu)來優(yōu)化LSSVM模型參數(shù)--徑向基核函數(shù)參數(shù)γ和σ2。在最優(yōu)模型參數(shù)條件下,采用測(cè)試集爐渣樣品對(duì)兩種校正模型進(jìn)行外部驗(yàn)證,均方根誤差和相關(guān)系數(shù)作為評(píng)價(jià)參數(shù)。結(jié)果表明,LSSVM模型具有優(yōu)異的預(yù)測(cè)性能。第四章構(gòu)建了隨機(jī)森林(Random forest, RF)結(jié)合LIBS技術(shù)的鋼鐵牌號(hào)識(shí)別方法。在最優(yōu)化的模型參數(shù)條件下,以歸一化的LIBS全波段光譜作為輸入變量分別構(gòu)建了基于鋼鐵牌號(hào)識(shí)別的偏最小二乘判別分析(Partial least squares discriminate analysis,PLS-DA)、SVM和RF分類模型。研究表明,PLS-在DA、SVM和RF模型均可以得到較低的預(yù)測(cè)錯(cuò)誤率,然而RF模型所得的平均預(yù)測(cè)錯(cuò)誤率最低,RF具有較優(yōu)的分類效果,是一種行之有效的鋼鐵牌號(hào)識(shí)別方法。第五章采用基于變量重要性的隨機(jī)森林(Variable importance-random forest, VIRF)結(jié)合LIBS技術(shù)成功地用于60個(gè)爐渣樣品的分類。最大強(qiáng)度歸一化的LIBS光譜(200-500nm)作為輸入變量構(gòu)建了爐渣分類的VIRF模型,平均袋外(Out-of-bag,OOB)誤差、準(zhǔn)確率、否定率和命中率作為評(píng)價(jià)參數(shù)優(yōu)化了RF模型,相比PLS-DA、SVM和傳統(tǒng)RF模型,VIRF模型獲得了較好的分類結(jié)果。第六章采用快速獨(dú)立成分分析最小二乘支持向量機(jī)(Fast-independent component analysis least squares support vector machines, Fast-ICA-LSSVM)結(jié)合LIBS技術(shù)成功地用于爐渣種類識(shí)別。采用Fast-ICA結(jié)合歸一化處理后的LIBS光譜作為輸入變量來構(gòu)建Fast-ICA-LSSVM分類模型,采用網(wǎng)格全局尋優(yōu)和五折交叉驗(yàn)證來優(yōu)化LSSVM參數(shù)-徑向基核函數(shù)。為了驗(yàn)證Fast-ICA-LSSVM分類模型的預(yù)測(cè)能力,我們將Fast-ICA-LSSVM與LSSVM模型進(jìn)行了對(duì)比。結(jié)果表明,Fast-ICA-LSSVM模型可以克服基體效應(yīng)等因素的影響,其預(yù)測(cè)結(jié)果明顯優(yōu)于LSSVM.研究表明,Fast-ICA-LSSVM建模方法具有很好的預(yù)測(cè)效果,可以為L(zhǎng)IBS技術(shù)進(jìn)行模式識(shí)別提供了一種新的建模方法,實(shí)現(xiàn)冶金廢棄物的識(shí)別、回收和再利用。
【關(guān)鍵詞】：激光誘導(dǎo)擊穿光譜 化學(xué)計(jì)量學(xué) 工業(yè)材料 定量分析 模式識(shí)別
【學(xué)位授予單位】：西北大學(xué)
【學(xué)位級(jí)別】：博士
【學(xué)位授予年份】：2015
【分類號(hào)】：O657.3
【目錄】：

• 摘要4-6
• Abstracts6-10
• 第一章 緒論10-40
• 1.1 引言10-12
• 1.2 激光誘導(dǎo)擊穿光譜簡(jiǎn)介12-18
• 1.2.1 概況12-13
• 1.2.2 基本原理13-15
• 1.2.3 激光誘導(dǎo)擊穿光譜實(shí)驗(yàn)裝置及實(shí)驗(yàn)參數(shù)15-16
• 1.2.4 激光誘導(dǎo)擊穿光譜優(yōu)勢(shì)與不足16-17
• 1.2.5 激光誘導(dǎo)擊穿光譜的應(yīng)用17-18
• 1.3 化學(xué)計(jì)量學(xué)在LIBS分析中的研究進(jìn)展18-26
• 1.3.1 光譜預(yù)處理18-20
• 1.3.2 定性分析20-24
• 1.3.3 定量分析24-26
• 1.4 課題研究的意義和研究?jī)?nèi)容26-29
• 1.4.1 研究背景和意義26-28
• 1.4.2 研究?jī)?nèi)容28-29
• 參考文獻(xiàn)29-40
• 第二章 LIBS技術(shù)結(jié)合RFR算法用于鋼鐵多元素同時(shí)分析40-56
• 2.1 引言40-41
• 2.2 材料與方法41-44
• 2.2.1 實(shí)驗(yàn)裝置41
• 2.2.2 鋼鐵樣品與LIBS測(cè)量41-42
• 2.2.3 隨機(jī)森林回歸算法42-44
• 2.3 結(jié)果與討論44-50
• 2.3.1 實(shí)驗(yàn)條件優(yōu)化44-46
• 2.3.2 LIBS數(shù)據(jù)和光譜歸一化46-47
• 2.3.3 基于RFR的鋼鐵多元素校正模型47-49
• 2.3.4 鋼鐵多元素RFR校正模型的驗(yàn)證49-50
• 2.4 本章小結(jié)50-51
• 參考文獻(xiàn)51-56
• 第三章 LIBS技術(shù)結(jié)合LS-SVM算法用于爐渣主要成分同時(shí)分析56-68
• 3.1 引言56-57
• 3.2 材料與方法57-60
• 3.2.1 實(shí)驗(yàn)裝置57
• 3.2.2 爐渣樣品與LIBS測(cè)量57
• 3.2.3 最小二乘支持向量機(jī)57-60
• 3.3 結(jié)果與討論60-65
• 3.3.1 爐渣的LIBS光譜解析60-61
• 3.3.2 基于PLS和LSSVM校正模型的構(gòu)建與內(nèi)部驗(yàn)證61-64
• 3.3.3 基于PLS和LSSVM模型預(yù)測(cè)能力的驗(yàn)證64-65
• 3.4 本章小結(jié)65
• 參考文獻(xiàn)65-68
• 第四章 隨機(jī)森林結(jié)合LIBS用于鋼鐵牌號(hào)識(shí)別68-81
• 4.1 引言68-69
• 4.2 材料與方法69-72
• 4.2.1 實(shí)驗(yàn)裝置69
• 4.2.2 鋼鐵樣品與LIBS測(cè)量69-71
• 4.2.3 隨機(jī)森林算法71-72
• 4.3 結(jié)果與討論72-77
• 4.3.1 隨機(jī)森林訓(xùn)練模型的建立72-75
• 4.3.2 隨機(jī)森林泛化能力的驗(yàn)證75-76
• 4.3.3 隨機(jī)森林預(yù)測(cè)能力的驗(yàn)證76-77
• 4.4 本章小結(jié)77-78
• 參考文獻(xiàn)78-81
• 第五章 基于變量重要性的隨機(jī)森林用于爐渣識(shí)別81-92
• 5.1 引言81-82
• 5.2 材料與方法82-84
• 5.2.1 實(shí)驗(yàn)裝置82
• 5.2.2 爐渣樣品與LIBS測(cè)量82
• 5.2.3 隨機(jī)森林82-84
• 5.3 結(jié)果與討論84-88
• 5.3.1 三類爐渣的LIBS光譜84-85
• 5.3.2 不同預(yù)處理方法和輸入變量對(duì)RF建模的影響85-87
• 5.3.3 基于變量重要性的隨機(jī)森林對(duì)爐渣進(jìn)行分類87-88
• 5.4 本章小結(jié)88
• 參考文獻(xiàn)88-92
• 第六章 LS-SVM結(jié)合LIBS用于工業(yè)爐渣分類92-100
• 6.1 引言92-93
• 6.2 材料與方法93-94
• 6.2.1 實(shí)驗(yàn)裝置93
• 6.2.2 爐渣樣品與LIBS測(cè)量93-94
• 6.3 結(jié)果與討論94-96
• 6.3.1 不同變量提取方法對(duì)LSSVM分類模型的影響94-96
• 6.3.2 基于Fast-ICA-LSSVM用于爐渣樣品分類96
• 6.4 本章小結(jié)96-97
• 參考文獻(xiàn)97-100
• 結(jié)論與展望100-103
• 1、全文總結(jié)100-101
• 2、下一步工作展望101-103
• 作者簡(jiǎn)介103-106
• 致謝106

【參考文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫 前4條

1 蔣梅城;陸繼東;姚順春;潘圣華;陳凱;董美蓉;;小波變換在激光誘導(dǎo)擊穿光譜壓縮中的應(yīng)用[J];光譜學(xué)與光譜分析;2010年10期

2 Ke Xu;Yong-hao Ai;Xiu-yong Wu;;Application of multi-scale feature extraction to surface defect classification of hot-rolled steels[J];International Journal of Minerals Metallurgy and Materials;2013年01期

3 婁湖山;;國(guó)內(nèi)外鋼鐵工業(yè)能耗現(xiàn)狀和發(fā)展趨勢(shì)及節(jié)能對(duì)策[J];冶金能源;2007年02期

4 彭一江;鋼鐵分析檢測(cè)與自動(dòng)化[J];冶金自動(dòng)化;2004年03期

  本文關(guān)鍵詞：激光誘導(dǎo)擊穿光譜中化學(xué)計(jì)量學(xué)方法研究及其在冶金分析的應(yīng)用，由筆耕文化傳播整理發(fā)布。

，

本文編號(hào)：254103