论文部分内容阅读
二次资源的回收利用是我国工业绿色、可持续发展的助推器。随着工业的发展,金属材料因其优异的性能而被广泛应用于各个领域。在金属合金的加工与应用过程中,每年都要产生大量的工业报废制品、加工废料及各类加工边角废料等。如何合理地利用这些二次资源已成为了中国促进工业绿色发展、构建绿色制造体系的关键任务。而目前我国每年的所产生的金属废料规模、废料的回收比例却未见详细准确的统计报道;此外,金属合金废料由于重量等原因,常会将不同种类、不同成分的金属合金混杂堆放,造成资源回收困难。因此,快速、简便地对种类繁杂的金属合金废料进行识别、分类成为了二次资源循环利用的先决条件。激光诱导击穿光谱(LIBS)是近年来发展快速的一种分析技术,具有快速、全元素分析、实时、原位、远距离检测等优点,已广泛应用于塑料、土壤、肉类、钢铁等的识别研究,大多采用最小二乘判别分析法、簇类独立软模式、人工神经网络、支持向量机、随机森林等算法来建立模型。LIBS采用激光能量为200 mJ来保证样品的充分激发并尽可能的减少颗粒飞溅的影响。信号收集参数通过ICCD来设置,依据等离子体的时间演变特性设定采集延时5μs来避开韧致辐射和复合辐射产生的强连续背景,以期获得高信背比的LIBS光谱,来实现LIBS信号的时间分辨测量。本文设计实验模拟在废弃合金回收中在对金属牌号的情况不明时进行聚类。利用三种钨及钨合金样品进行无监督聚类分析,通过光谱预处理对465组光谱数据进行强度归一来减小实验条件和基体效应对数据稳定性的影响,筛选出29种相关谱线实现了输入数据的优化。基于DBSCAN及K-Means对数据进行聚类分析,得出聚为3类的正确结果。通过聚类过程对比可知,DBSCAN聚类按照密度聚集,能够更合适地反映出光谱聚类的真实情况,更好地适应任意形状的簇;同时可以利用参数设置来优化簇的形状,达到最佳的分类效果;噪声点也能够合理地明确位置,便于进一步分析判断。实验表明,在样品未知的情况下可通过无监督学习进行废旧金属的聚类。本文根据废弃金属回收情况,利用基于迭代型树的XGBoost算法对铝合金样品进行有监督识别分析。基于六种铝合金的600组光谱数据,通过机器学习提取光谱特征,确定光谱特征谱线的分类依据。利用基于决策树的XGBoost算法进行自动分类及排序,将处理后的光谱数据随机划分为训练集和测试集。通过训练集构建算法模型,提取其分类特征;利用测试集检验模型的稳定性和可用性,防止出现过拟合。XGBoost在固定参数下得到的模型具有一定的自适应性,较少受数据集的影响,总体准确率可达96.67%。其分类特征与已知的元素含量信息相吻合,证明了基于光谱的特征谱线数据,可为分类识别提供参考。实验证明,LIBS可用于不同种类铝合金的快速识别,为废弃金属的分类回收提供了一种新的技术。