[發明專利]一種礦石分類與實時定量分析的光譜檢測新方法

有效

• 申請號: 202110267879.6
• 申請日: 2021-03-12
• 公開（公告）號: CN113155809B
• 公開（公告）日: 2022-08-19
• 發明（設計）人: 劉瑞斌;邱蘇玲;李安;殷允嵩
• 申請（專利權）人: 北京理工大學
• 主分類號: G01N21/71
• 分類號: G01N21/71;G06K9/62
• 代理公司: 北京慕達星云知識產權代理事務所(特殊普通合伙) 11465
• 代理人: 李冉

1.一種基于激光誘導擊穿光譜對礦石分類與實時定量分析的檢測新方法，其特征在于：包括如下步驟：

步驟1：用15Mpa的機械粉末壓餅機將礦石樣品壓制成厚2mm、直徑為13mm的小圓餅，獲取同一類樣品不同位置被激光激發后等離子體的光譜數據，每個位置重復測量5次，每種樣品采集100組光譜數據，對同一類樣品分別重復測試N組，平均礦石樣品元素分布不均勻的影響，進而獲取每個礦石樣品中元素成分的真實含量；

步驟2：利用拉依達準則對各個礦石樣品的異常光譜數據進行剔除，拉依達準則假設數據具有正態分布，計算數據的標準偏差并根據要求劃定概率區間，最后對超出概率區間的粗大誤差進行剔除、對峰位漂移修正和缺失峰補全；

異常光譜剔除算法實現：

(1)采集到的LIBS光譜用X_ij表示，X_ij指編號為i的礦石樣品第j個樣本點的光譜數據，將每個通道光譜強度求和，各通道總光強中位數對應的光譜作為該礦石樣品中心點

(2)求出每一個樣本點離中心點的距離，即歐式距離之后將其歸一化(0-1)；

(3)計算剩余誤差并按貝塞爾公式算出標準偏差σ，若某個測量值D_j的剩余誤差v_j滿足則認為是含有粗大誤差值的壞值，應予剔除；

步驟3：采用主成分分析結合支持向量機的分類方法，先進行分類，再進行降維：利用支持向量機對模型分類，將預處理后的全部光譜數據采用主成分分析法降維，在降維之后，隨機選擇了訓練集和預測集，提取訓練集的前10個主成分構造特征空間，在特征空間下采用小樣本的5-折交叉驗證來對訓練集訓練，然后對建模集和預測集進行分類正確率達到100％，可以對礦石樣品進行準確分類；

步驟4：利用步驟3所述的方法進行分類后，對光譜數據建立相關性變量篩選偏最小二乘回歸法的預測模型，將全部光譜強度作為輸入數據，Fe的含量作為回歸目標變量，模型的回歸效果、定標精度、預測精度、預測誤差分別用決定系數R2、校正集的均方根誤差RMSEC、預測集的均方根誤差RMSEP、平均相對誤差ARE來綜合衡量；具體步驟為：

從礦石樣品中的光譜數據中獲取貢獻度滿足預設標準時所在波長點對應的光譜數據，并輸入訓練后的所述相關性變量篩選偏最小二乘回歸法的預測模型得到礦石樣品中各個成分的預測含量；

將礦石樣品中的光譜數據輸入訓練后的支持向量機回歸模型得到礦石樣品中各個成分對應的殘差；

最后，將礦石樣品中各個成分的預測含量減去對應殘差得到各個成分的含量；

步驟5：對礦石樣品分類后再進行相關性變量篩選偏最小二乘回歸法，最終得到礦石樣品中Fe的含量，其正確率相比未進行分類直接進行相關性變量篩選偏最小二乘回歸法以及分類后再進行相關性變量篩選偏最小二乘回歸法有了很大的提高。

2.根據權利要求1所述的方法，其特征在于：步驟2中礦石樣品的全部光譜數據：首先對其進行異常光譜數據的篩選與剔除降低譜線的波動性，然后將光譜背景積分強度歸一化、峰位漂移修正和缺失峰補全。

3.根據權利要求1所述的方法，其特征在于：先用支持向量機進行準確分類后，再對光譜數據建立相關性變量篩選偏最小二乘回歸法的預測模型，將全部光譜強度作為輸入數據，Fe的含量作為回歸目標變量。

4.一種測試系統，其特征在于：包括：主動調Q的Nd：YAG 1064nm脈沖激光器、三維電動平臺、四通道光纖光譜儀；

其中，所述Nd：YAG1064nm脈沖激光器作為激發光源，激光光束聚焦于物體表面；

所述四通道光纖光譜儀用于采集礦石樣品被激發產生的等離子體的光譜數據，所述光譜數據被用于按照權利要求1-3任一項所述方法來獲取礦石樣品中Fe元素的含量。