任祥旭, 孔令华, 郑积仕, 丁志刚, 练国富, 杨嘉诚
针对钢铁冶炼过程中微量元素定量分析问题,对钢样中的Mn、P、S和C元素进行离线定量分析,并为熔融状态下钢水成分在线检测进行前期离线预研工作。通过激光诱导击穿光谱(LIBS)技术研究钢铁的光谱特性,提出使用卡尔曼滤波(KF)对光谱进行降噪处理,并将其与偏最小二乘回归(PLSR)、支持向量回归(SVR)、随机森林(RF)机器学习模型结合,建立各元素的定量分析模型,采用K折交叉验证和网格搜索法对模型的结构参数进行调优,在LIBS技术基础上实现钢铁元素的定量分析。结果显示,KF-SVR预测模型对Mn和C元素的预测性能最优,其测试集的决定系数(R2)均高达0.999 9,均方根误差(RMSE)分别为0.020 8%、0.021 3%;KF-PLSR预测模型对P和S元素的预测性能最优,其测试集的R2值分别为0.999 8、0.999 9,RMSE分别为0.006 0%、0.002 8%;结合KF后3种机器学习模型的R2值均高于0.996。研究结果表明,将KF用于LIBS光谱数据的预处理可有效提高光谱的信噪比,改善光谱质量,并将其与机器学习模型结合可实现钢铁微量元素的高精度定量分析。对冶金领域实现微量元素快速且高精度的定量分析,以实时调控钢材的性能和质量具有很好的应用价值,并为进一步实现熔融状态下钢水成分的在线检测提供依据。