基于激光诱导击穿光谱法和反向传播神经网络建立废钢分类和定标模型及其应用

作     者：刘艳丽 刘宏强 黄晓红 孙永长 卫广运 LIU Yanli;LIU Hongqiang;HUANG Xiaohong;SUN Yongchang;WEI Guangyun

作者机构：河钢集团钢研总院石家庄050000 华北理工大学人工智能学院唐山063210 

出 版 物：《理化检验（化学分册）》 (Physical Testing and Chemical Analysis(Part B:Chemical Analysis))

年 卷 期：2022年第58卷第12期

页      面：1389-1394页

学科分类：081704[工学-应用化学] 07[理学] 08[工学] 0817[工学-化学工程与技术] 070302[理学-分析化学] 0703[理学-化学] 

基　　金：河北省自然科学基金(E2016318007) 

主　　题：激光诱导击穿光谱法 反向传播神经网络 废钢 分类 定量分析 

摘      要：基于自建激光诱导击穿光谱(LIBS)设备、软件以及反向传播(BP)神经网络,利用18个钢标准样品的LIBS光谱数据分别和钢标准样品类别以及Si、Mn、Cr、Ni、Cu元素的认定值建立分类模型和定标模型,并用于实际样品的检测。以各元素优选谱线(Si、Mn、Cr、Ni、Cu元素谱线分别为251.60,293.86,286.41,227.01,213.60 nm)与对应铁元素谱线(对应Fe元素谱线分别为263.54,292.66,271.44,263.54,206.98 nm)下相对强度作为输入变量,建立3层BP神经网络模型。分类模型的最大迭代次数为500,学习率为0.01,360组数据带中训练集和测试集的数量比为3∶1;Si、Mn、Cr、Ni、Cu定标模型的最佳迭代次数分别为200,200,200,160,280次,360组数据中训练集和测试集的数量比为4∶1,模型性能通过线性相关性拟合度(R^(2))、均方根误差(RMSE)、平均百分比误差(MPE)和残差平方和(PRESS)等4个指标评价。结果显示:分类模型对测试集分类的预测准确率达到100%;测试集中5种元素的定标模型R2分别为0.941,0.983,0.983,0.988,0.987,RMSE分别为0.0612,0.0607,0.0425,0.0496,0.0169。定标模型对实际样品的预测值和参考GB/T 4336-2016所得测定值基本一致。所建方法可用于钢铁行业中废钢样品的分类及其中成分的快速检测。