CN106248652B - 基于工艺参数修正的svr对激光金属沉积中元素浓度实时监测方法 - Google Patents
基于工艺参数修正的svr对激光金属沉积中元素浓度实时监测方法 Download PDFInfo
- Publication number
- CN106248652B CN106248652B CN201610528148.1A CN201610528148A CN106248652B CN 106248652 B CN106248652 B CN 106248652B CN 201610528148 A CN201610528148 A CN 201610528148A CN 106248652 B CN106248652 B CN 106248652B
- Authority
- CN
- China
- Prior art keywords
- parameter
- svr
- technological parameter
- prediction model
- concentration
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/62—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light
- G01N21/71—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light thermally excited
- G01N21/718—Laser microanalysis, i.e. with formation of sample plasma
Abstract
本发明公开了一种基于工艺参数修正的SVR对激光金属沉积中元素浓度实时监测方法,通过使用光谱仪获得不同元素浓度的粉末在不同工艺参数下的激光金属沉积实验过程中光谱数据,将不同元素浓度的沉积层所对应的特征光谱信号数据作为支持向量回归算法输入变量进行训练学习,使用二折交叉验证方法寻找不同加工工艺参数下所对应的SVR最优分析参数,将最优分析参数和工艺参数进行曲线拟合得到最优分析参数随工艺参数的变化曲线以及相应的公式,得到新的基于工艺参数修正成分预测模型。免去了重新对该工艺参数下预测模型进行标定的过程,无需重新对SVR的最优分析参数进行寻找,实现了使用同一个预测模型进行各种不同工艺参数下的成分探测的效果。
Description
技术领域
本发明属于等离子光谱定量分析领域,特别涉及一种基于工艺参数修正的SVR对激光金属沉积中元素浓度实时监测方法。
背景技术
激光诱导等离子体光学发射光谱分析法已经有了广泛地应用和研究,其基本原理是激光使材料表面汽化,汽化的材料进一步接收激光能量并激发为等离子体态并辐射出光谱,然后通过对等离子体发射光谱进行分析而间接得到材料的成分信息或者其它信息。该分析方法根据不同的加工情况以及不同的激光形式往往具有不同的学名。
激光诱导等离子体击穿光谱法(LIBS)的原理是将高能脉冲激光束聚焦到材料表面,使材料表面的部分材料汽化并激发出等离子体并辐射光谱,该光谱可用于间接分析物质的元素组成。然而LIBS方法对工艺参数的要求苛刻,为了成分回归预测的准确度和方便性,技术人员都希望最后得到的元素成分和谱线强度比的标定曲线是一条线性度很高的直线,然而,这样的要求往往需要作用在靶材上的激光功率密度高达109J/mm2,因为只有这样的功率密度才可以使得靶材中的不同元素以及同一元素的不同特征谱线能够被完全激发,反之如果功率过低就很可能导致不同元素或者同一元素的不同特征谱线的激发特性不同,最终都会导致上述标定曲线变成一条非线性的曲线,从而影响回归预测的准确度。一般解决该问题的方法是如果由于实际工况需求必需使用低功率密度的激光进行激发,那么就需要重新进行成分标定的过程,并得到该激光功率密度下的非线性标定曲线,而且该非线性标定曲线只能用于该激光功率密度下的成分回归预测,如文献“J.B.Sirven,B.Bousquet,L.Canioni et al.,“Laser-induced breakdown spectroscopy of composite samples:comparison of advanced chemometrics methods,”Analytical Chemistry,vol.78,no.5,pp.1462-1469,Mar.1,2006.”通过使用不同的智能算法来解决该问题,比如最小二乘回归和神经网络算法,但是结果并不理想;而文献“W.T.Chan,and R.E.Russo,“Study oflaser-material interactions using inductively coupled plasma-atomic emissionspectrometry,”SpectrochimicaActa Part B:Atomic Spectroscopy,vol.46,no.11,pp.1471-1486,Nov.1991.”以及“W.T.Y.Mohamed,“Study of the matrix effect on theplasma characterization of six elements in aluminum alloys using LIBS with aportable echellespectrometer,”Progress in Physics,vol.2,Apr.2007.”一直尝试寻找可以使得LIBS过程完全不受外界环境影响的一个阈值条件,如激光功率、保护气体气压的上限或者下限值等,并建议他人选择该阈值条件以上或者以下的工艺参数进行实验;而近年来LIBS中大部分做成分分析的文献,如“J.El Haddad,D.Bruyère,A.et al.,“Application of a series of artificial neural networks to on-sitequantitative analysis of lead into real soil samples by laser inducedbreakdown spectroscopy,”SpectrochimicaActa Part B:Atomic Spectroscopy,vol.97,pp.57-64,May 2014.”,这些研究工作也都是需要获得不同工艺参数下的标准样品的光谱数据,以获得包括工艺参数在内的成分分析模型库,当有新的光谱数据输入时,首先要在模型库中寻找该工艺参数下的对应模型,再使用该模型进行成分预测,可以看出该解决方法需要对大量不同的工艺参数进行标定的过程,而该过程费时费力,且无法提供一个更泛化的成分预测模型。从上述的近年研究趋势可以看出,大多数的努力方向在于(1)使用最优工艺参数以及(2)增大标定数据以增大模型库。而针对不同工艺参数来修改算法的方法在该领域尚未有研究涉足,其原因在于有以下难点:(1)并不是所有的算法都适合用来做工艺参数的修正,需要不断尝试寻找最适合的能够将工艺参数灵活涵盖进去的智能算法;(2)算法自身内部也有需要优化的分析参数,同样需要有适合的方法来寻找该参数;(3)分析参数随工艺参数的变化趋势的公式也很难直接加入算法中,需要进行适当的以及灵活的变换。
激光金属沉积过程中进行成分监测的方法为光学激发光谱法(OES),其原理是通过探测在整个加工过程中的副产品等离子体的激发光谱,而不是特意使用高能激光作为激发源诱导产生等离子体,此外,激光金属沉积过程使用的是远低于LIBS激光功率密度的激光束熔化同轴送出的金属粉末,因此其标定曲线往往呈现一条非线性的曲线,而且标定曲线的非线性还会根据不同的金属材料而发生变化。专利号CN105352918A公开了一种使用SVR建立某一特定工艺参数下的成分探测模型,将输入变量投影在高维空间里来解决存在的非线性的问题,从而提高预测的准确度。然而,该方法也只适用于用某一特定工艺参数下的标定模型来预测该工艺参数下的光谱数据对应成分信息,如果工艺参数发生改变,则标定曲线的线性度也随之变化,该算法也就需要对探测模型进行重新标定。因此,往往在某一特定工艺参数下标定得到的预测模型之后也只能在该工艺参数下使用,而不适用于其它工艺参数下,这就会导致算法的泛化性能大大降低,而且无法灵活地应用于实际激光金属沉积需要改变工艺参数的加工过程。如文献“L.Song,and J.Mazumder,“Real time Crmeasurement using optical emission spectroscopy during direct metaldeposition process,”IEEE Sensors Journal,vol.12,no.5,pp.958-964,May 2012.”对比了谱线强度比、电子密度以及等离子体温度随浓度变化的标定曲线来预测未知材料中的元素浓度,但是也只能在其文章中实验的工艺参数下使用其得到的标定模型。而该方法对于不同工艺参数需要进行费时费力的重新标定过程,而算法本身并不具有很强的泛化性。也正如上文所提到的,针对不同工艺参数来修改算法的方法在激光增材制造领域的光谱实时成分监测尚未有研究涉足。
发明内容
本发明提供了一种基于工艺参数修正的SVR对激光金属沉积中元素浓度实时监测方法,用以解决现有技术中激光直接金属沉积过程中元素浓度实时定量探测不准和控制较难的问题。
一种基于工艺参数修正的SVR对激光金属沉积中元素浓度实时监测方法,包括以下步骤:
步骤1:获取标定样本在不同工艺参数下的进行金属沉积过程中的光谱信号;
所述标定样本中原子百分比浓度依次从0at.%增加到100at.%;
步骤2:提取样本中待分析元素的不同波长下的特征光谱信号;
谱线选取准则如下:
1)待分析元素的两组特征谱线在所选波长范围内呈正态分布,没有自吸收或者自蚀效应;
2)所选择的所有特征谱线需单独存在,不与其它任何谱线存在重叠或者干涉效应;
3)由于光谱仪中的CCD的感光度为非线性变化,如果光谱仪没有进行过强度校正,应该选择10nm波长范围内的特征谱线,目的是为了减少非线性强度对精度的影响;如果光谱仪进行过强度校正,则不需要考虑该谱线选取准则;
4)待分析元素在对应波长下的特征谱线要能够在不同的工艺参数下都会稳定存在,而不会随着工艺参数的变化而泯灭(根据NISTDataBase所提供的数据,建议选择一级原子激发谱,因为其最容易被激发);
谱线自身的精度会影响结果的准确性,因此应选择具有高精度的特征谱线(根据NISTDataBase所提供的数据,谱线跃迁几率的精度级别应为B级以上);
步骤3:采用SVR算法构建相同工艺参数下的预测模型;
利用在相同工艺参数下获得的已标识元素浓度材料的特征光谱信号xi和成分标识yi作为训练数据,基于SVR算法训练各工艺参数对应的材料元素成分预测模型g(xi);
步骤4:寻找不同加工工艺参数对应的SVR最优分析参数σ和ε;
采用二折交叉验证方法,通过两层循环嵌套的方式依次改变预测模型中的最优分析参数,以该预测模型对应的加工工艺参数下获得的特征光谱信号输入预测模型,将预测值和实际值之间的最小绝对误差对应的最优分析参数和对应的工艺参数;
步骤5:将步骤4所得的不同工艺参数下的最优分析参数σ和ε与工艺参数进行曲线拟合,并且得到拟合曲线的对应公式,将公式代入SVR的核函数中,得到新的成分预测模型;
步骤6:对待分析样品进行激光直接金属沉积,利用光谱仪实时获取待分析元素成分的样品的特征光谱线相对强度比和积分强度以及对应的工艺参数,输入步骤5获得的预测模型中,获得元素成分预测结果,完成监测过程。
所述步骤1使用不同的加工工艺参数包括激光功率、激光焦距离焦量、粉末焦距离焦量、送粉速度、载气送气量、保护气体送气量和扫描速度。
所述步骤2提取的特征光谱信号包括谱线相对强度、峰值强度比基线强度、等离子体温度和电子密度。
当材料中含有三种或三种以上待分析元素时,首先将待分析元素两两分组,按照权利要求1所述的方法对每组进行整体预测,然后按照权利要求1所述的方法对每组整体待分析的元素中的每个元素成分进行预测,完成每个待分析元素成分的监测。
当工艺参数的数量大于等于两个以上时,其表达形式为(q1,q2,···,qi),则利用得到最优分析参数随所有工艺参数的变化规律,σ|(q1,q2,···,qi)和ε|(q1,q2,···,qi),并将参数代入SVR核函数的计算。
在利用SVR算法构建预测模型时所使用的输入数据包括两种:
第一种,使用的输入变量为xi=(IA1/IB1,IA1/IB2,IA2/IB1,IA2/IB2)i,
第二种,使用的输入变量为xi=(IA1/IB1,IA1/IB2,IA2/IB1,IA2/IB2,Iinte)i;
其中,IA1、IA2、IB1和IB2分别为待分析元素A和B的两组特征光谱信号,Iinte表示特征光谱信号的积分强度,在所选择的波长范围内光谱强度信号对横坐标波长的积分。
第二种输入数据相比第一种输入数据增加了一个积分强度Iinte的信号,可以发现SVR2结果优于SVR1,表明增加了一个积分强度Iinte的信号作为算法的输入可以提高成分预测精度。
有益效果
本发明提供了一种基于工艺参数修正的SVR对激光金属沉积中元素浓度实时监测方法,该方法首先在不同的加工工艺参数下对标定样品的等离子体的光谱信号进行采集,然后通过特征提取算法,计算每个光谱信号中的谱线强度比和积分强度作为SVR的输入信号,并将提取的光谱特征信号和对应的成分浓度同时输入SVR中进行二折交叉验证训练学习,得到不同工艺参数下所对应的最优分析参数,并且通过曲线拟合方法得到两者的关系模型,将其带入SVR的核函数当中得到基于工艺参数的成分预测模型,最后应用该模型在激光直接金属沉积过程中进行实时的成分探测。本发明首次提出将最优分析参数的拟合公式代入进行等离子体光谱成分分析的SVR核函数中,避免了传统解决方法需要对不同工艺参数下所得数据进行标定费时费力的过程,实现了只使用某一特定工艺参数下的标定数据而进行其它工艺参数下的成分预测的功能。该方法的分析过程就使得预测模型对于不同的工艺参数具有更好的泛化使用性能,以实际加工过程来说,使用该方法建立的成分预测模型对于需要随时改变工艺参数的加工过程具有更强的鲁棒性。使得该方法既可以用于各种工艺参数的工况下,又避免了需要增大模型库的复杂过程,因此就可以使得最终的算法对不同的工艺参数都具有更大的普适性。
附图说明
图1为本发明专利实施例的流程图;
图2为提取分析的光谱数据;图3为求解某一工艺参数下的最优分析参数σ和ε的原理图,(a)为SVR1方法,(b)为SVR2方法;
图4为最优分析参数σ和ε随激光功率变化曲线;
图5为不同探测方法的实时探测的结果。
具体实施方式
下面将结合附图和实施例对本发明做进一步的说明。
如图1所示,一种基于工艺参数修正的SVR对激光金属沉积中元素浓度实时监测方法,包括以下步骤:
步骤1:获取标定样本在不同工艺参数下的光谱信号;
在激光金属沉积中,对不同元素浓度混合的金属粉末在不同的工艺参数下进行金属沉积实验,并且在实验过程中使用光谱仪探测等离子体发射谱的光谱信号;
步骤2:提取特征光谱信号;
从步骤1实验获取的光谱信号中,按照谱线选取准则提取材料中待分析元素A和B的两组特征光谱信号IA1、IA2、IB1和IB2,并计算获得元素特征谱线的相对强度比IA1/IB1、IA1/IB2、IA2/IB1和IA2/IB2,以及特征光谱信号的积分强度Iinte(在所选择的波长范围内光谱强度信号对横坐标波长的积分)。谱线选取准则如下:
1)待分析元素的两组特征谱线在所选波长范围内呈正态分布,没有自吸收或者自蚀效应;
2)所选择的所有特征谱线需单独存在,不与其它任何谱线存在重叠或者干涉效应;
3)由于光谱仪中的CCD的感光度为非线性变化,如果光谱仪没有进行过强度校正,应该选择10nm波长范围内的特征谱线,目的是为了减少非线性强度对精度的影响;如果光谱仪进行过强度校正,则不需要考虑该谱线选取准则;
4)待分析元素在对应波长下的特征谱线要能够在不同的工艺参数下都会稳定存在,而不会随着工艺参数的变化而泯灭(根据NISTDataBase所提供的数据,建议选择一级原子激发谱,因为其最容易被激发);
5)谱线自身的精度会影响结果的准确性,因此应选择具有高精度的特征谱线(根据NISTDataBase所提供的数据,谱线跃迁几率的精度级别应为B级以上);
步骤3:获取预测模型训练数据;
利用元素成分已标识的材料按照设定的原子百分比浓度梯度从0at.%增加到100at.%,增加的梯度可以依据分析精度的要求自选,按照步骤1所述的方法进行激光金属沉积实验,利用光谱仪获取激光直接金属沉积过程中的光谱信号,并按照步骤2提取特征光谱信号;
步骤4:采用SVR算法构建预测模型;
利用步骤3中获得的已标识元素浓度材料的特征光谱信号xi和成分标识yi作为训练数据,训练材料元素成分预测模型g(xi)。其中,SVR1算法使用的输入变量为xi=(IA1/IB1,IA1/IB2,IA2/IB1,IA2/IB2)i,SVR2算法使用的输入变量为xi=(IA1/IB1,IA1/IB2,IA2/IB1,IA2/IB2,Iinte)i;
步骤5:寻找不同加工参数对应的最优分析参数;
使用二折交叉验证寻找某一特定加工工艺参数下SVR的最优分析参数σ和ε,二折交叉验证的原理是将步骤4得到的特征光谱信号xi随机平均分为两组,将其中一组作为训练数据,而另一组作为测试数据,参数σ从1以步长1变化到200,参数ε从0.001以步长0.001变化到0.2,通过两层循环嵌套的方式得到绝对误差最低时的σ和ε值。对于其它工艺参数下的数据,也用同样的方法求解该工艺参数下SVR的最优分析参数σ和ε。为了方便步骤6得到拟合曲线和公式,建议工艺参数进行规律和梯度的变化,比如激光功率q从300以步长50变化到450,而其他工艺参数保持不变,然后再梯度改变扫描速度,保持其它工艺参数不变化;
步骤6:获得拟合曲线及修正公式;
将步骤5所得的不同工艺参数下的最优分析参数σ和ε与工艺参数进行曲线拟合,并且得到拟合曲线的对应公式,将公式代入SVR的核函数中,得到新的成分监测模型;
步骤7:成分预测;
按照步骤1进行激光直接金属沉积时,利用光谱仪实时获取步骤2所述的待分析元素成分的样品的特征光谱线相对强度比和积分强度以及对应的工艺参数,一同作为测试数据输入步骤6获得的预测模型中,获得元素成分预测结果,完成监测过程。
以使用不同的激光功率q加工Ti-Al成分梯度合金为例,对一种基于工艺参数修正的SVR对激光金属沉积中元素浓度实时监测方法进行阐述。
步骤1:获取标定样本在不同工艺参数下的光谱信号;
在激光金属沉积过程中,使用的是低功率密度的激光,而且在加工过程产生的等离子体为副产品,相比传统的LIBS方法,该方法不需要用高能激光束作为激发源来轰击材料表面诱导激发产生等离子体,而是在整个激光金属沉积过程中都会有等离子体存在,因此通过对等离子体的光谱分析法可以得到沉积层的成分,并进一步实现对加工过程的实时成分监测。
由于激光金属沉积的产品具有实际的工业应用,因此,加工过程中的激光功率也不能任意选择,而是要使得加工后的产品具有好的性能,比如要求样品沉积效率高以及缺陷要少(无裂纹、无气孔、高结合性),根据本例使用的Ti-Al合金,最优的激光功率范围是300W~450W。因此本例通过使用300W、350W、400W和450W的激光功率,而保持其它工艺参数不变,来对以下不同元素浓度的标定粉末进行金属沉积实验,并且探测所有不同工艺参数下得到的等离子体光谱信号。用于配制的样品粉末为气雾法制作的球形高纯Ti粉和高纯Al粉。21个标定样品中Al元素的原子百分比从0at.%变化到100at.%,浓度梯度为5at.%(浓度梯度可以根据实际的探测需求划分)。
步骤2:提取特征光谱信号;
如图2所示,选择分析的波长范围为394.0nm~400.5nm(波长差值小于10nm),然后进行滤波、去基线、去噪音、去混叠等预处理过程。对得到的光谱数据进行信号提取:包括①每个光谱信号中Ti和Al特征谱线的相对强度各两个(Al-I 394.40nm,Al-I 396.15nm,Ti-I398.98nm和Ti-I 399.64nm),因此相对强度比共四个,分别记为IAl1/ITi1,IAl1/ITi2,IAl2/ITi1,IAl2/ITi2;②每个谱线信号的积分强度Iinte。为了凸显该算法的效果,分别使用两种SVR输入变量,仅以①作为输入变量记为SVR1,同时以①和②作为输入变量记为SVR2。谱线选取准则如下:
1)待分析元素的两组特征谱线在所选波长范围内呈正态分布,没有自吸收或者自蚀效应;
2)所选择的所有特征谱线需单独存在,不与其它任何谱线存在重叠或者干涉效应;
3)由于光谱仪中的CCD的感光度为非线性变化,如果光谱仪没有进行过强度校正,应该选择10nm波长范围内的特征谱线,目的是为了减少非线性强度对精度的影响;如果光谱仪进行过强度校正,则不需要考虑该谱线选取准则;
4)待分析元素在对应波长下的特征谱线要能够在不同的工艺参数下都会稳定存在,而不会随着工艺参数的变化而泯灭(根据NISTDataBase所提供的数据,建议选择一级原子激发谱,因为其最容易被激发);
5)谱线自身的精度会影响结果的准确性,因此应选择具有高精度的特征谱线(根据NISTDataBase所提供的数据,谱线跃迁几率的精度级别应为B级以上);
步骤3:采用SVR算法构建预测模型;
将上述提取的特征光谱信号作为图1中的训练数据xi,将所得到的沉积物进行EDS分析得到沉积层的实际成分作为图1中的成分标识yi。将得到的(xi,yi)以及该训练集对应的激光功率q输入SVR中进行训练学习,其学习的基本原理是根据已有的数据建立非线性回归方程
g(xi,q):yi=wΦ(xi,q)+c i=1,2,···,N
其中w是高维空间的权重函数,c是上述线性公式的在高维空间与纵坐标的交点,其结果是由其它变量确定之后决定的,Φ(·)是映射函数,用于将低维空间的多个变量投影到高维空间。通过训练数据计算出回归方程中的参数w,即求解下列问题:
求解上述二次优化问题即求解下列对偶问题:
其中α(*)=(α1,α1 *,···,αl,αl *)是拉格朗日因子,求解w即求解α(*),则求解c即求解:
其中ε为SVR的最优分析参数,称为不敏感损失函数的宽度。ε可以确保对偶变量的稀疏性,同时确保全局最小解和可靠泛化界的优化。如果ε选择过小,则不存在能够正确预测的函数。随着ε的增加,支持向量个数会减少,回归曲线呈现平坦性,但是随着ε的增加会造成回归曲线预测性能的劣化。于是可以得到预测模型为:
其中Φ(xi,q)·Φ(x,q)用高斯径向核函数代替:
K(xi,x,q)=exp(-||xi-x||2/2σ|q 2)
其中,σ为SVR的最优分析参数,称为核函数参数。σ影响数据在高维空间中分布的复杂度,当σ取较大值时,其性能类似多项式核函数;当σ取较小值时,其性能类似线性核函数。
步骤4:寻找不同加工参数对应的最优分析参数;
使用二折交叉验证方法寻找某一特定加工工艺参数下SVR的最优分析参数σ和ε,二折交叉验证的原理是将步骤3得到的特征光谱信号xi(SVR1中的xi=(IA1/IB1,IA1/IB2,IA2/IB1,IA2/IB2)i或者SVR2中的xi=(IA1/IB1,IA1/IB2,IA2/IB1,IA2/IB2,Iinte)i)随机平均分为两组,分别为记为xi_A和xi_B,将其中一组xi_A作为训练数据,通过算法的学习训练来得到成分预测模型,而另一组xi_B作为测试数据输入成分预测模型中得到预测成分,并计算预测成分和真实成分之间的绝对误差。参数σ从1以步长1变化到200,参数ε从0.001以步长0.001变化到0.2,通过两层循环嵌套的方式(参数σ不变,参数ε从小递增到大,在内部循环结束后,参数σ递增一个步长,参数ε再从小递增到大,如此循环往复,直到参数σ也递增结束)得到在绝对误差最低时对应的σ和ε值,如图3所示。
表2在不同激光功率下得到的最优分析参数
步骤5:获得拟合曲线及修正公式;
将步骤4所得的不同工艺参数下的最佳优化参数σ和ε与工艺参数的变化进行曲线拟合,具体用来构建该拟合曲线的数据有(q,σ)和(q,ε),即所得拟合曲线的横坐标为激光功率q,纵坐标为不同激光功率q所对应的通过步骤5得到的最优分析参数σ和ε,结果如图4所示,从图中可以看出参数ε变化不大,因此在之后的分析将其固定为0.001,而参数σ随激光功率呈指数曲线变化,并且得到其拟合后曲线公式为
σ|q=[1/mexp(n·q)]1/2
其中m和n是常数,对于SVR1算法,m=0.004,n=0.022,对于SVR2算法,m=0.022,n=0.018,q是加工激光功率。将该拟合公式放入SVR的核函数中,得到新的成分监测模型;
步骤6:成分预测;
用光谱仪实时探测加工Ti-Al成分梯度材料的等离子体光谱,将光谱数据进行步骤2的信号提取过程,得到实时的谱线相对强度比和积分强度,作为待预测的测试数据xi_test,将数据输入步骤5得到的监测模型g(xi)中,求得对应的探测成分yi_test=g(xi_test),如图1所示。
表3列出了进行训练和测试的样本的实际Al元素浓度,其中进行训练的Al元素浓度有十种,包括有6.49at.%、10.98at.%、17.63at.%、36.27at.%、42.66at.%、51.75at.%、55.34at.%、58.24at.%、69.16at.%和70.84at.%,进行测试的Al元素浓度有六种,包括有5.40at.%、11.56at.%、38.27at.%、54.17at.%、66.37at.%和72.45at.%,并且所有浓度都在300W、350W、400W和450W的激光功率下进行了实验。
表3进行训练和测试的样本的实际Al元素浓度
表4列出了具体如何使用不同的算法在不同激光功率加工时所得的光谱数据进行训练和测试,包括方法①:用某一激光功率下的训练数据使用无参数修正的SVR算法预测相同激光功率下的测试数据;方法②:用某一激光功率下的训练数据使用无参数修正的SVR算法预测其它激光功率下的测试数据;方法③:用某一激光功率下的训练数据使用参数修正的SVR算法预测其它激光功率下的测试数据;其中SVR1表示仅使用谱线强度比作为训练数据,SVR2表示使用谱线强度比和积分强度同时作为训练数据。
表4不同方法使用不同激光功率加工时所得的光谱数据进行训练和测试
表5对比了采用不同算法对不同Al元素浓度进行预测时对绝对误差(代表精度)的影响,表5显示对于不同Al元素浓度方法③和方法①的绝对误差最低而且很相近,而方法②的绝对误差在三种方法中最高。
表5不同方法对Al元素浓度的预测结果(绝对误差)
此外,图5绘制了方法②和③的实时预测的结果,对比可以看出,方法②和方法③使用了同样的激光功率参数,而方法③的探测值有效的将方法②探测值所产生的偏差校正回了真实值(灰色实粗线)。所有实验结果表明采用本发明所提出的成分探测方法即方法③和采用传统需要多次标定的方法即方法①的预测结果相近,说明本专利提出的方法可以实现本专利所提出的参数修正的效果,即只使用某一激光功率加工时所得数据的成分标定模型来预测其它激光功率加工时所得的光谱数据对应的元素浓度值。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (4)
1.一种基于工艺参数修正的SVR对激光金属沉积中元素浓度实时监测方法,其特征在于,包括以下步骤:
步骤1:获取标定样本在不同工艺参数下的进行金属沉积过程中的光谱信号;
所述标定样本中原子百分比浓度依次从0at.%增加到100at.%;
步骤2:提取样本中待分析元素的不同波长下的特征光谱信号;
步骤3:采用SVR算法构建相同工艺参数下的预测模型;
利用在相同工艺参数下获得的已标识元素浓度材料的特征光谱信号xi和成分标识yi作为训练数据,基于SVR算法训练各工艺参数对应的材料元素成分预测模型g(xi);
在利用SVR算法构建预测模型时所使用的输入变量特征光谱信号xi包括特征光谱线相对强度比和积分强度;
步骤4:寻找不同加工工艺参数对应的SVR最优分析参数σ和ε;
采用二折交叉验证方法,通过两层循环嵌套的方式依次改变预测模型中的最优分析参数,以该预测模型对应的加工工艺参数下获得的特征光谱信号输入预测模型,将预测值和实际值之间的最小绝对误差对应的最优分析参数和对应的工艺参数;
步骤5:将步骤4所得的不同工艺参数下的最优分析参数σ和ε与工艺参数进行曲线拟合,并且得到拟合曲线的对应公式,将公式代入SVR的核函数中,得到新的成分预测模型;
步骤6:对待分析样品进行激光直接金属沉积,利用光谱仪实时获取待分析元素成分的样品的特征光谱线相对强度比和积分强度以及对应的工艺参数,输入步骤5获得的预测模型中,获得元素成分预测结果,完成监测过程。
2.根据权利要求1所述的方法,其特征在于,所述步骤1使用不同的加工工艺参数包括激光功率、激光焦距离焦量、粉末焦距离焦量、送粉速度、载气送气量、保护气体送气量和扫描速度。
3.根据权利要求1所述的方法,其特征在于,当材料中含有三种或三种以上待分析元素时,首先将待分析元素两两分组,按照权利要求1所述的方法对每组进行整体预测,然后按照权利要求1所述的方法对每组整体待分析的元素中的每个元素成分进行预测,完成每个待分析元素成分的监测。
4.根据权利要求1所述的方法,其特征在于,当工艺参数的数量大于等于两个以上时,其表达形式为(q1,q2,…,qi),则利用得到最优分析参数随所有工艺参数的变化规律,σ|(q1,q2,…,qi)和ε|(q1,q2,…,qi),并将参数代入SVR核函数的计算。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610528148.1A CN106248652B (zh) | 2016-07-06 | 2016-07-06 | 基于工艺参数修正的svr对激光金属沉积中元素浓度实时监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610528148.1A CN106248652B (zh) | 2016-07-06 | 2016-07-06 | 基于工艺参数修正的svr对激光金属沉积中元素浓度实时监测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106248652A CN106248652A (zh) | 2016-12-21 |
CN106248652B true CN106248652B (zh) | 2019-06-07 |
Family
ID=57613637
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610528148.1A Active CN106248652B (zh) | 2016-07-06 | 2016-07-06 | 基于工艺参数修正的svr对激光金属沉积中元素浓度实时监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106248652B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111604500B (zh) * | 2020-05-11 | 2022-08-19 | 长春工业大学 | 基于激光诱导击穿光谱的金属增材制造监控系统及方法 |
CN113533290B (zh) * | 2021-08-18 | 2023-03-21 | 中国空气动力研究与发展中心超高速空气动力研究所 | 一种高焓流场中原子浓度标定系统及方法 |
CN114850658A (zh) * | 2022-05-17 | 2022-08-05 | 北京工业大学 | 基于反射光谱的激光器参数自动调控方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101382556A (zh) * | 2008-09-28 | 2009-03-11 | 山西潞安矿业(集团)有限责任公司 | 一种基于数据驱动的煤泥浮选精煤灰份软测量方法 |
CN101608994A (zh) * | 2009-07-17 | 2009-12-23 | 清华大学 | 用主成分分析与支持向量机的重介悬浮液煤泥含量测定法 |
CN103472340A (zh) * | 2013-09-26 | 2013-12-25 | 北京航空航天大学 | 一种基于最小二乘支持向量机的晶体谐振器贮存寿命预测方法 |
CN104332435A (zh) * | 2014-11-17 | 2015-02-04 | 北京七星华创电子股份有限公司 | 一种半导体工艺设备的参数调整方法 |
CN105352918A (zh) * | 2015-11-13 | 2016-02-24 | 湖南大学 | 基于svr的激光直接金属沉积过程元素浓度实时监控方法及装置 |
-
2016
- 2016-07-06 CN CN201610528148.1A patent/CN106248652B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101382556A (zh) * | 2008-09-28 | 2009-03-11 | 山西潞安矿业(集团)有限责任公司 | 一种基于数据驱动的煤泥浮选精煤灰份软测量方法 |
CN101608994A (zh) * | 2009-07-17 | 2009-12-23 | 清华大学 | 用主成分分析与支持向量机的重介悬浮液煤泥含量测定法 |
CN103472340A (zh) * | 2013-09-26 | 2013-12-25 | 北京航空航天大学 | 一种基于最小二乘支持向量机的晶体谐振器贮存寿命预测方法 |
CN104332435A (zh) * | 2014-11-17 | 2015-02-04 | 北京七星华创电子股份有限公司 | 一种半导体工艺设备的参数调整方法 |
CN105352918A (zh) * | 2015-11-13 | 2016-02-24 | 湖南大学 | 基于svr的激光直接金属沉积过程元素浓度实时监控方法及装置 |
Non-Patent Citations (5)
Title |
---|
Estimation of the Regularization Parameter for Support Vector Regression;E.M. Jordaan等;《IEEE International Joint Conference on Neural Networks (IJCNN)》;20020517;全文 |
Evolutionary support vector regression algorithm applied to the prediction of the thickness of the chromium layer in a hard chromium plating process;F. Sánchez Lasheras等;《Applied Mathematics and Computation》;20140115;第227卷;全文 |
Real Time Cr Measurement Using Optical Emission Spectroscopy During Direct Metal Deposition Process;Lijun Song等;《IEEE SENSORS JOURNAL》;20120531;第12卷(第5期);全文 |
基于SVR 的脉冲激光沉积TiN/AlN 多层薄膜的工艺优化;皇思洁等;《功能材料》;20130617;第44卷(第14期);全文 |
支持向量机算法用于甲壳素红外干燥建模;欧春艳等;《广东化工》;20080525;第35卷(第5期);全文 |
Also Published As
Publication number | Publication date |
---|---|
CN106248652A (zh) | 2016-12-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Song et al. | Real-time composition monitoring using support vector regression of laser-induced plasma for laser additive manufacturing | |
Yan et al. | A novel hybrid feature selection strategy in quantitative analysis of laser-induced breakdown spectroscopy | |
Shi et al. | Quantitative analysis of sedimentary rocks using laser-induced breakdown spectroscopy: comparison of support vector regression and partial least squares regression chemometric methods | |
Zhang et al. | A novel approach for the quantitative analysis of multiple elements in steel based on laser-induced breakdown spectroscopy (LIBS) and random forest regression (RFR) | |
Li et al. | A partial least squares based spectrum normalization method for uncertainty reduction for laser-induced breakdown spectroscopy measurements | |
CN103487411B (zh) | 一种随机森林算法结合激光诱导击穿光谱识别钢材牌号的方法 | |
Wang et al. | A multivariate model based on dominant factor for laser-induced breakdown spectroscopy measurements | |
CN106248652B (zh) | 基于工艺参数修正的svr对激光金属沉积中元素浓度实时监测方法 | |
Wang et al. | A non-linearized PLS model based on multivariate dominant factor for laser-induced breakdown spectroscopy measurements | |
CN101750404B (zh) | 校正等离子体发射谱线自吸收效应的方法 | |
Fu et al. | A fast variable selection method for quantitative analysis of soils using laser-induced breakdown spectroscopy | |
Dong et al. | A method for improving the accuracy of calibration-free laser-induced breakdown spectroscopy (CF-LIBS) using determined plasma temperature by genetic algorithm (GA) | |
Pagnotta et al. | Comparison of brass alloys composition by laser-induced breakdown spectroscopy and self-organizing maps | |
Guezenoc et al. | Variables selection: A critical issue for quantitative laser-induced breakdown spectroscopy | |
Ley | Analytical methods in plasma diagnostic by optical emission spectroscopy: A tutorial review | |
CN108956583A (zh) | 用于激光诱导击穿光谱分析的特征谱线自动选择方法 | |
CN104697964A (zh) | 一种随机森林算法结合激光诱导击穿光谱定量分析钢铁中硫磷的方法 | |
CN102830096A (zh) | 基于人工神经网络的元素浓度测量误差修正方法 | |
Yue et al. | Machine learning efficiently corrects LIBS spectrum variation due to change of laser fluence | |
Hai et al. | Quantitative analysis of titanium alloys using one-point calibration laser-induced breakdown spectroscopy | |
Harefa et al. | Application of laser-induced breakdown spectroscopy with a generalized regression neural network and LASSO-type methods for estimation of arsenic and chromium in soil | |
Huang et al. | Progress toward machine learning methodologies for laser-induced breakdown spectroscopy with an emphasis on soil analysis | |
Zhao et al. | Femtosecond laser filamentation-induced breakdown spectroscopy combined with chemometrics methods for soil heavy metal analysis | |
Xiaomeng et al. | Semi-supervised LIBS quantitative analysis method based on co-training regression model with selection of effective unlabeled samples | |
John et al. | Multi-element Saha Boltzmann plot (MESBP) coupled calibration-free laser-induced breakdown spectroscopy (CF-LIBS): an efficient approach for quantitative elemental analysis |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |