详情

原文传递基于机器学习的激光诱导击穿光谱数据处理方法和系统

专利名称：	基于机器学习的激光诱导击穿光谱数据处理方法和系统
摘要：	本发明提供一种基于机器学习的激光诱导击穿光谱数据处理方法和系统，对钢铁中碳元素进行定量分析，对碳元素含量已知的标准样品在给定实验条件下进行光谱采集，光谱数据在其范围内可以不包括碳元素和碳分子(C2)的主要发射谱线。通过训练建立定量分析模型，用于预测待测样品中碳元素浓度。机器学习算法深入挖掘光谱数据和相应样品中碳元素浓度的相关性，通过映射关系表现，突破经典光谱学通过实验测量待分析元素或相应分子发射谱线强度来确定元素浓度的传统做法。对待测钢铁样品中碳元素浓度测量的精确度、准确度以及检出限都达到定量分析要求，所需计算时间达到工业在线检测和分析要求。在合适的条件下，该方法和系统可推广至其它元素和材料。
专利类型：	发明专利
国家地区组织代码：	上海;31
申请人：	上海交通大学
发明人：	孙琛;俞进
专利状态：	有效
申请日期：	2019-05-14T00:00:00+0800
发布日期：	2019-08-23T00:00:00+0800
申请号：	CN201910398915.5
公开号：	CN110161013A
代理机构：	上海汉声知识产权代理有限公司
代理人：	庄文莉
分类号：	G01N21/71(2006.01);G;G01;G01N;G01N21
申请人地址：	200240 上海市闵行区东川路800号
主权项：	1.一种基于机器学习的激光诱导击穿光谱数据处理方法，其特征在于，包括：定量分析模型建立步骤：对碳元素含量已知的标准样品在实验条件下进行测量，得到第一光谱数据，记录第一实验条件，将第一光谱数据与第一实验条件融合，得到第一广义光谱强度矢量，基于第一广义光谱强度矢量，通过训练过程建立定量分析模型；待测样品检测步骤：对碳元素含量未知的待测样品在第二实验条件下进行测量，得到第二光谱数据，记录第二实验条件，将第二光谱数据与第二实验条件融合，得到第二广义光谱强度矢量，将第二广义光谱强度矢量作为定量分析模型的输入变量，通过运算得到待测样品的碳元素含量。 2.根据权利要求1所述的基于机器学习的激光诱导击穿光谱数据处理方法，其特征在于，所述定量分析模型建立步骤包括：标准样品分组和光谱采集步骤：标准样品分为训练样品集和测试样品集，并进行激光诱导击穿光谱采集，获得第一广义光谱数据集，包括训练样品广义光谱数据集和测试样品广义光谱数据集；将第一广义光谱数据集和对应的碳元素含量集作为定量分析模型的建立过程的输入变量；模型初始化步骤：选择定量分析模型所依托的机器学习算法，确定算法外部可调参数，进行定量分析模型的初始化，得到初始模型；模型训练步骤：通过训练样品广义光谱数据集和对应的碳元素含量，对初始模型进行训练并交叉验证，将训练样品广义光谱数据集分解为训练数据集、验证数据集，通过训练数据集训练机器学习算法，得到训练模型，计算相应定标误差，优化算法外部可调参数，优化训练样品广义光谱数据集动态分解，优化训练模型，使得定标误差小于百分之三，产生测试模型；模型验证步骤：通过验证数据集和对应的碳元素含量对测试模型进行验证和优化训练，计算得到预测误差，优化算法外部可调参数，优化训练样品广义光谱数据集动态分解，优化训练模型，优化测试模型，使得预测误差小于百分之三，产生定标模型；模型测试步骤：通过测试样品广义光谱数据集和对应的碳元素含量对定标模型进行测试，计算得到测试误差，优化算法外部可调参数，优化训练样品广义光谱数据集动态分解，优化训练模型，优化测试模型，优化定标模型，使得测试误差小于百分之六，得到检测模型，所述检测模型记为定量分析模型。 3.根据权利要求1所述的基于机器学习的激光诱导击穿光谱数据处理方法，其特征在于，所述第一光谱数据和第二光谱数据中包括第一发射线或者不包括第一发射线，所述第一发射线中包括碳元素的C I 193.1nm和C I 247.9nm发射线；所述第一光谱数据和第二光谱数据中包括第二发射线或者不包括第二发射线，所述第二发射线中包括碳分子C2的470nm和515nm波段附近的谱带。 4.根据权利要求2所述的基于机器学习的激光诱导击穿光谱数据处理方法，其特征在于，所述选择定量分析模型所依托的机器学习能够采用反向传播神经网络。 5.根据权利要求4所述的基于机器学习的激光诱导击穿光谱数据处理方法，其特征在于，所述算法外部可调参数是反向传播神经网络的隐藏层数n_layer和隐藏层的神经元个数n_nodes。 6.根据权利要求2所述的基于机器学习的激光诱导击穿光谱数据处理方法，其特征在于，所述标准样品的个数与训练样品集的个数之比满足以下条件： NTn/N∈[0.7,0.9] 其中，N表示碳元素浓度已知的标准样品的个数，标准样品的碳元素浓度分别记为Co1,Co2,…,Con,…CoN，其中n为整数，并且1≤n≤N；NTn表示训练样品集的个数，训练样品集对应的浓度系列分别为nTn为整数，并且1≤nTn≤NTn。 7.根据权利要求2所述的基于机器学习的激光诱导击穿光谱数据处理方法，其特征在于，所述对训练模型、测试模型、定标模型进行优化均采用循环迭代方式。 8.一种基于机器学习的激光诱导击穿光谱数据处理系统，其特征在于，包括：定量分析模型建立模块：对碳元素含量已知的标准样品在实验条件下进行测量，得到第一光谱数据，记录第一实验条件，将第一光谱数据与第一实验条件融合，得到第一广义光谱强度矢量，基于第一广义光谱强度矢量，通过训练过程建立定量分析模型；待测样品检测模块：对碳元素含量未知的待测样品在第二实验条件下进行测量，得到第二光谱数据，记录第二实验条件，将第二光谱数据与第二实验条件融合，得到第二广义光谱强度矢量，将第二广义光谱强度矢量作为定量分析模型的输入变量，通过运算得到待测样品的碳元素含量。 9.根据权利要求8所述的基于机器学习的激光诱导击穿光谱数据处理系统，其特征在于，所述定量分析模型建立模块包括：标准样品分组和光谱采集模块：标准样品分为训练样品集和测试样品集，并进行激光诱导击穿光谱采集，获得第一广义光谱数据集，包括训练样品广义光谱数据集和测试样品广义光谱数据集；将第一广义光谱数据集和对应的碳元素含量集作为定量分析模型的建立过程的输入变量；模型初始化模块：选择定量分析模型所依托的机器学习算法，确定算法外部的可调参数，进行定量分析模型的初始化，得到初始模型；模型训练模块：通过训练样品广义光谱数据集和对应的碳元素含量，对初始模型进行训练并交叉验证，将训练样品广义光谱数据集分解为训练数据集、验证数据集，通过训练数据集训练机器学习算法，得到训练模型，计算相应定标误差，优化算法外部可调参数，优化训练样品广义光谱数据集动态分解，优化训练模型，使得定标误差小于百分之三，产生测试模型；模型验证模块：通过验证数据集和对应的碳元素含量对测试模型进行验证和优化训练，计算得到预测误差，优化算法外部可调参数，优化训练样品广义光谱数据集动态分解，优化训练模型，优化测试模型，使得预测误差小于百分之三，产生定标模型；模型测试模块：通过测试样品广义光谱数据集和对应的碳元素含量对定标模型进行测试，计算得到测试误差，优化算法外部可调参数，优化训练样品广义光谱数据集动态分解，优化训练模型，优化测试模型，优化定标模型，使得测试误差小于百分之六，得到检测模型，所述检测模型记为定量分析模型。 10.根据权利要求8所述的基于机器学习的激光诱导击穿光谱数据处理系统，其特征在于，所述第一光谱数据和第二光谱数据中包括第一发射线或者不包括第一发射线，所述第一发射线中包括碳元素的C I 193.1nm和C I 247.9nm发射线；所述第一光谱数据和第二光谱数据中包括第二发射线或者不包括第二发射线，所述第二发射线中包括碳分子C2的470nm和515nm波段附近的谱带。
所属类别：	发明专利