激光诱导等离子体光谱稳定性研究及其基于机器学习的数值校准

Due to the advantages of rapid, non-contact and multi-element simultaneous detection, the laser-induced breakdown spectroscopy (LIBS) technology has great application prospects in on-line and real-time detection and analysis of the industrial and environmental protection fields. However, currently the LIBS is limited by stability and repeatability of measurement. According to the physical mechanism, the fluctuation of LIBS data results from the strong dependence of the laser-induced plasma process on the experimental conditions. On the other hand, the matrix effect, which is caused by the heterogeneity of the measured substance and the difference of corresponding laser-substance interaction, leads to the fluctuation of LIBS data. At present, the stability optimization of hardware section in LIBS measurement nearly closes to the limit, while it still cannot meet the practical application requirements, especially online testing. This project intends to provide experimental and theoretical basis for solving the above bottleneck problems in two aspects: 1. Optimize the experimental device by studying the physical mechanism of the correlation between the spectral data and the experimental conditions and utilizing the LIBS device with precisely controllable experimental conditions; 2 Through data processing methods, the random and systematic deviations of the calibration experimental data are calibrated. Based on the analysis of analytical chemistry, an innovative machine learning algorithm combined with spectral large data is used to efficiently and rapidly calibrate the spectral data in real time, which will lay the foundation of the LIBS practical applications.

激光诱导击穿光谱（LIBS）技术由于具有快速、非接触、多元素同时探测的优势，在工业、环保等领域的在线、实时检测分析具有极大的应用前景，但其目前遇到的瓶颈问题是光谱数据的稳定性和可重复性。从物理机制来讲，LIBS数据起伏一方面源于激光诱导等离子体过程对实验条件的强依赖性。另一方面，被测物质的非均匀性及对应的激光与物质相互作用差异性导致的基体效应。目前，硬件部分对LIBS数据稳定性的优化已经趋近极限，但是依然达不到实际应用的要求，尤其是在线检测方面。本项目拟从两个方面着手为解决上述瓶颈问题提供实验和理论基础：1.通过实验条件精密可控的LIBS装置研究光谱数据与实验条件之间的关联及物理机制，从而优化实验装置；2.通过数据处理的方式，校准实验数据随机的和系统的偏差，在分析化学研究的基础上，使用创新的机器学习算法结合光谱大数据的方法有效、快速地对光谱数据进行实时的校准，为LIBS的实际应用打下基础。

激光诱导击穿光谱（LIBS）技术由于具有快速、非接触、多元素同时探测的优势，在工业、环保等领域的在线、实时检测分析具有极大的应用前景，但其目前遇到的瓶颈问题是光谱数据的稳定性和可重复性。例如在工厂中对矿石或者泥浆进行在线的LIBS检测，样品的表面凹凸不平以及传送带随机的震动等，都会极大影响LIBS光谱数据的稳定性。本项目围绕LIBS光谱数据稳定性的探测机理问题，针对LIBS技术在实际应用在线检测中，从“激光诱导等离子体稳定性与实验参量的关系研究”和“基于机器学习的LIBS数据校准建模”两个方面展开研究。（1）在大气压下，搭建完成一套实验条件精密可控的LIBS平台，开展了实验条件起伏和基体效应对LIBS时空演化特性影响的研究。通过直接成像技术拍摄了等离子体的演化过程，确定了等离子体的最佳激发条件。使用精密准直的笼式结构搭建LIBS装置，并在实验中实现对激光脉冲波长、脉宽、脉冲强度等实验参量的主动调节，研究这些参数失调与等离子体特性以及LIBS光谱之间的关联。采用一系列时间-空间分辨的等离子体诊断方法，从LIBS装置硬件部分进行设计优化，极大地提高了LIBS测量在短期和长期的稳定性。（2）通过数据处理方式提高离子光谱稳定性，将等离子体图像等用于光谱标准化、基于机器学习的 LIBS光谱定量分析等方面取得了系列研究成果。同时本项目采用机器学习的算法，建立LIBS光谱数据反演方法用于光谱数据的定量分析，旨在校正实验条件起伏和基体效应对LIBS定量探测的影响，为后续在实际应用中LIBS数据挖掘与数据反演的研究奠定了基础。本项目的实施一方面加深了对等离子体及LIBS探测机理的理解和认识，另一方面为LIBS技术应用于工业原位在线检测提供了有价值的参数依据和方法建议，对LIBS技术在工业原位探测中的应用起到了积极的促进作用。