基于表面成分檢測的鋁合金精準分類方法研究

張育剛

(國營四達機械制造公司,咸陽 712100)

1 引言

近年來我國對鋁合金的需求日益增多,隨著大量鋁合金投入使用,也隨之產生了大量的廢舊鋁合金[1,2]。鋁的生產方式主要是電解[3,4],新生產鋁合金會消耗大量能源,而且會對環境造成污染,因此回收再利用廢舊鋁合金有十分重要的意義。由于廢舊鋁合金種類繁多、成分混雜[5,6],我們必須找到高效的分類方法對廢舊鋁合金進行分類回收。

通過合金樣品成分的檢測開展分類研究是目前較常見的手段。對于合金材料成分常用的檢測方法主要有:X 射線熒光光譜法[7,8](X-ray Fluorescence analysis,XRF)、原子吸收光譜法[9,10](Rtomic Absorption Spectroscopy,AAS)和電感耦合等離子體原子發射光譜法[11,12](Inductively Coupled Plasma Atomic Emission Spectroscopy,ICP-AES)。其中,XRF 難以用作絕對分析,對輕元素的靈敏度相對較低,易受到相互元素干擾和疊加峰影響;AAS 對難熔元素、非金屬單質檢測比較困難,難以實現對多種元素同時檢測,有許多元素的檢測靈敏度也不高;ICP-AES 的設備和操作費用較高,對部分元素的檢測不明顯。

激光誘導擊穿光譜(Laser-induced breakdown spectroscopy,LIBS)技術[13]作為一種新興的表面成分檢測技術,具有快速實時檢測分析、樣品需求少、對樣品破壞性小、具有遙測能力、全元素分析等優點,正是LIBS 技術所擁有的這些傳統方法不曾擁有的優勢,使其在分類分析領域成為研究熱點,并得到了國內外各個行業領域的廣泛推崇。P Inakollu 等人使用人工神經網絡(Artificial Neural Network,ANN)預測鋁合金的元素濃度,預測效果明顯好于傳統方法[14];Campanella B 等人使用LIBS結合“模糊化”的ANN,模擬工業環境的條件,實現對鋁合金的分類[15];周中寒等人將LIBS 技術與主成分分析(Principal Component Analysis,PCA)和支持向量機(Support Vector Machine,SVM)相結合,對2 000 個鋁合金樣品LIBS 脈沖信號分類,分類準確度為99.83%[16];Liang L 等人使用LIBS 技術,結合改進的SVM 算法,對不同牌號鋼材的快速識別,避免了冗余信息對識別的干擾,提高了識別正確率[17];Aberkane 等人通過ANN、KNN、以及SVM 算法實現了對不同鋅合金的分類,結果表明SVM 對鋅合金LIBS 光譜有較好的分類結果[18];Dastjerdi 等將LIBS 技術與SVM 相結合,將聚氯乙烯與其他聚合物分離開,識別率達90.5%[19];劉可等將LIBS技術與偏最小二乘(Partial Least Squares,PLS)法相結合,對11 種塑料樣品采集了20 個LIBS 脈沖信號并進行分類,分類準確度為100%[20]。

上述研究表明LIBS 技術結合不同算法可對各種表面成分進行檢測,并實時分類。本研究結合RF、ANN 和ELMAN 三種算法與LIBS 技術對鋁合金樣品的光譜進行識別分類,實現了鋁合金的快速分類。

2 分類方法

2.1 ELMAN 反饋神經網絡

ELMAN 神經網絡[21,22]是一種反饋型神經網絡模型,它與BP 網絡相似,但比BP 多了一個承接層,可根據結果對網絡進行反饋,根據反饋的結果選擇一個最佳的隱含層數,作為當前訓練的隱含層個數,其結構如圖1 所示,其中,x(t)、y(t)和u(t-1)分別為中間層向量、輸出向量和輸入向量,xC(t)為反饋狀態向量,ω1、ω2和ω3分別為承接層到中間層連接權值、輸入層到中間層連接權值以及中間層到輸出層連接權值。這樣的反饋結構使得網絡具有更好的靈活性,并且使用者不需要逐個對隱含層數進行試驗,操作起來簡單便捷,且準確率較高,可以快速尋找到最優隱含層數。

圖1 ELMAN 神經網絡結構圖Fig.1 ELMAN neural network structure diagram

圖1 中網絡所蘊含的表達式關系如公式(1)～公式(3)所示。

式中:f()——中間層神經元傳遞函數;g()——輸出神經元傳遞函數。

ELMAN 模型網絡隱含層節點數h按公式(4)計算。

式中:inputnum——輸入層節點數;outputnum——輸出層節點數;fix()——取整函數。

使用for 循環,遍歷h:h+9,通過ELMAN 神經網絡模型依次求出10 次不同隱含層節點數的訓練集準確率存放到承接層,根據訓練集準確率對網絡進行反饋,根據反饋結果選擇一個最佳隱含層節點數作為當前訓練的隱含層節點數。

ELMAN 神經網絡的特點即是隱含層的輸出通過承接層的延遲與存儲自聯到隱含層的輸入[23]。這種自聯方式使其對歷史狀態的數據具有敏感性,通過內部反饋網絡的加入來增強網絡本身處理信息的能力,從而達到更準確的建模。本研究通過ELMAN 神經網絡中承接層的延遲與存儲功能,以記憶LIBS 數據歷史狀態信息,達到快速、準確建模的目的。

2.2 人工神經網絡

人工神經網絡(ANN)[24,25],即采用模擬人腦的神經元的結構,并合成節點,對數據進行分析。神經網絡是一種運算模型,由大量的結點及結點間的聯系所構成,除輸入結點外,各個結點都代表一個輸出函數,也叫做激勵函數。節點之間的鏈接,代表一個對于通過該鏈接信號的加權數值,即權重,等同于對人工神經網絡的記憶。該網絡內所有定量或定性的信息都等勢分布貯存于網絡內的各神經元,每個神經元及其連線只能表示一部分信息,因此即使有節點斷裂也不影響總體運行效果,具有很強的魯棒性和容錯能力[26]。

ANN 具有自適應、自組織和實時學習的特點,本研究通過提供一批相互對應的輸入和輸出LIBS數據,分析掌握兩者之間潛在的規律,最終根據這些規律,用新的輸入數據來推算輸出結果。

2.3 隨機森林

隨機森林(Random Forest,RF)[27,28]就是通過集成學習的思想將多棵決策樹集成的一種算法,決策樹是它的基本單元。RF 可拆分為兩個關鍵詞,“隨機”和“森林”。“森林”就是由多個決策樹所組成的;“隨機”就是從所有數據中隨機選擇一部分數據以及特征標簽,以保證每棵樹使用的數據和特征標簽均不同,訓練產生的結果也不盡相同。由于數據集和決策樹節點分裂特征的隨機性,RF 模型可以在保證識別精度的同時提高抗干擾能力[29]。RF 的特點是可以在不降維的情況下,處理大量特征數據,訓練速度快,可以實現并行化訓練數據。RF 還有一個重要優點,即沒有必要對它進行交叉驗證或者用一個獨立的測試集來獲得誤差的一個無偏估計,它可以在內部進行評估,即在生成的過程中就可以對誤差建立一個無偏估計[30]。最終RF 將所有樹的訓練結果中最優的確定為分類結果。

本研究的LIBS 數據具有4 096 個特征,利用RF 可以處理大量的特征數據和訓練速度快的優勢,對4 096 個特征信息進行建模,實現對鋁合金樣品系列和牌號的分類。

3 試驗部分

3.1 試驗裝置

本研究采用自主搭建的LIBS 系統,如圖2 所示。本試驗激發源采用燈泵浦電調Q 緊湊納秒激光器(Beamtech China,Dawa-200),波長為1 064 nm,脈沖能量為70 mJ,頻率為1 Hz。激光器發出激光脈沖,激光經過反射鏡和凸透鏡聚焦到鋁合金樣品表面,對鋁合金表面進行灼燒,產生高溫等離子體。等離子體演化生成線狀光譜,探測器收集具有原子特性的線狀光譜,并通過光纖傳遞至光譜儀(Avantes,AvaSpec-ULS2048-2-USB2),光譜儀中的CCD 將獲得的光譜數據轉換為電信號傳遞至計算機,使用者即可對計算機獲得的信息使用各種算法進行處理分析。光譜儀的光譜響應范圍為198～424 nm,設置積分時間為1.05 ms。

圖2 LIBS 系統示意圖Fig.2 LIBS system diagram

3.2 試驗樣品

本試驗采用的鋁合金樣品為上海亨美金屬集團以及上海鋁征金屬材料的6 個系列11 種鋁合金樣品,長、寬、高分別為50 mm、50 mm、10 mm;鋁合金系列分別為:1、2、3、5、6、7 系列;鋁合金牌號分別為:1050、2A12、2024、3A21、3003、5A06、5052、5083、6061、6082、7075。

為了減少激光的不穩定性、激光在樣品聚焦位置深度、基體效應以及環境等因素的干擾,本試驗對每個樣品每測試3 次取平均值作為一次數據,采集這樣的50 組數據,即每個樣品各用激光采集150次數據。最終11 塊樣品共獲得550 組數據。

4 結果與討論

4.1 特征譜線分析

通過LIBS 系統獲得的光譜全譜數據相對較大,計算機進行處理分析時需要耗費較多的時間,因此選擇有效的特征譜線可降低對計算機設備的性能要求,減少數據分析的時間。以牌號5083 鋁合金為例的光譜圖如圖3 所示,從圖中可以清晰地看出峰值,通過查詢NIST 標準數據庫中元素的波長,確定峰值元素,將其作為特征元素。

圖3 鋁合金樣品光譜圖Fig.3 Spectrogram of aluminum alloy sample

4.2 鋁合金樣品系列分類分析

數據集中共有550 條數據,選擇385 條數據作為訓練集,165 條作為測試集。

在鋁合金樣品系列分類中,標簽數字分別代表1 ∶1 系鋁合金,2 ∶2 系鋁合金,3 ∶3 系鋁合金,4 ∶4系鋁合金,5 ∶5 系鋁合金,6 ∶6 系鋁合金。

表1 按系列分類的模型預測性能的結果Tab.1 Results of model prediction performance by series classification

RF 模型設置樹的數量ntree為500,變量數量mtry為29。ANN 模型網絡的輸入層節點數通過輸入的數據集自動獲取,隱含層的節點數經過嘗試,基于全譜數據節點數設置為24 和65 時,分類效果最好,為了提高分類效率,減少分類次數,選擇將隱含層節點數設置為24,基于特征元素譜線數據節點數設置為12時,分類效果最好;輸出層節點數設置為6。其中ANN 網絡的訓練參數設置為20,訓練次數設置為3 000,該訓練次數既保證了訓練的充分性和效率,又不會因訓練次數過多或訓練過擬合而導致正確率下降。按系數分類的模型預測性能結果如表1 所示。

由表1 可以看出,按系列分類時,全譜輸入的ANN 相較于ELMAN 正確率高2.43%,RF 相較于ANN 正確率又高8.44%;基于特征元素譜線數據分類時,ANN 相較于ELMAN 正確率高0.6%,RF 相較于ANN 正確率又高1.21%。對于ELMAN,對特征元素譜線數據分類相較于全譜數據,正確率提升13.95%,AUC值提升0.257 16,時間減少11.43 s;對于ANN,對特征元素譜線數據分類相較于全譜數據,正確率提升12.12%,AUC值提升0.255 56,時間減少16.43 s;對于RF,對特征元素譜線數據分類相較于全譜數據,正確率提升4.89%,AUC值提升0.041 09,時間減少76.28 s。

三種模型對鋁合金按系列分類的混淆矩陣如圖4 所示,ROC 曲線如圖5 所示。

圖5 鋁合金系列分類ROC 曲線Fig.5 ROC curve of aluminum alloy series classification

根據以上評價指標可以得出,在對鋁合金按系列分類時,三種模型基于特征譜線數據的分類準確率均高于全譜譜線,并且基于特征譜線數據的分類建模的平均時間均少于全譜譜線,三種模型的分類效果從高到低依次是RF、ANN、ELMAN神經網絡。

4.3 鋁合金樣品牌號分類分析

在鋁合金樣品牌號分類中,標簽數字分別代表11 個鋁合金牌號,即1 ∶2A12,2 ∶3A21,3 ∶5A06,4 ∶1050,5 ∶2024,6 ∶3003,7 ∶5083,8 ∶5052,9 ∶6061,10 ∶6082,11 ∶7075。

按牌號分類的模型預測性能結果如表2 所示,ANN 模型網絡的隱含層,基于全譜數據節點數設置為65 時,分類效果最好,基于特征元素譜線數據節點數設置為16 時,分類效果最好;輸出層節點數設置為11。

表2 按牌號分類的模型預測性能的結果Tab.2 Results of the model prediction performance by brand classification

由表2 可以看出,按牌號分類時,全譜輸入的ANN 相較于ELMAN 正確率高1.77%,RF 相較于ANN 正確率又高27.92%;基于特征元素譜線數據分類時,ANN 相較于ELMAN 正確率高2.98%,RF相較于ANN 正確率又高6.66%。對于ELMAN,對特征元素譜線數據分類相較于全譜數據,正確率提升24.91%,AUC值提升0.074 89,時間減少31.48 s;對于ANN,對特征元素譜線數據分類相較于全譜數據,正確率提升26.12%,AUC值提升0.060 67,時間減少44.22 s;對于RF,對特征元素譜線數據分類相較于全譜數據,正確率提升4.86%,時間減少100.04 s。

三種模型對鋁合金按牌號分類的混淆矩陣如圖6 所示,ROC 曲線如圖7 所示。

圖6 鋁合金牌號分類混淆矩陣Fig.6 Aluminum alloy grade classification confusion matrix

圖7 鋁合金牌號分類ROC 曲線Fig.7 ROC curve of aluminum alloy grade classification

根據以上評價指標可以得出,在對鋁合金按牌號分類時,三種模型基于特征譜線數據的分類準確率均高于全譜譜線,并且基于特征譜線數據的分類建模的平均時間均少于全譜譜線,三種模型的分類效果從高到低依次是隨機森林、ANN 人工神經網絡、ELMAN 神經網絡,但按牌號分類的分類效果略差于系列分類。

4.4 模型性能對比分析

所有模型預測結果如表1、2 所示。為了更直觀的觀察本研究的試驗效果,將本研究的準確率與已有報道對比。許鋮通過采用LIBS 技術結合K 最鄰近值算法實現對同牌號鈦合金的LIBS 快速精準分類,試驗結果表明:訓練集交叉驗證準確率從81.40% 提高至98.64%,測試集分類準確度從84.20%提高至99.14%,評價模型優劣的AUC值從0.964 3 提高至0.999 1[31];李晨陽等人基于LIBS技術結合XGBoost 算法將LIBS 數據進行自動分類及排序,將處理后的光譜數據隨機劃分為訓練集和測試集進行建模,最終準確率達到96.67%[32];Harefa 等人利用LIBS 技術結合SVM 模型對五種不同類型的鋁合金進行快速、無創分類,分類準確率為96.67%[33]。由此可見,分類正確率均在90%以上,本研究中對于分類要求較高的鋁合金牌號分類,RF 模型性能最佳,無論是基于全譜數據還是特征譜線數據,分類正確率均在90%以上;對于分類要求較為寬松的鋁合金系列分類,三種模型在基于特征譜線數據進行分類時,準確率都在97%以上。因此,本研究達到較好的分類效果,并且在一些情況下有效提高了分類性能。

綜上所述,RF 模型的準確度和預測能力更好,更適用于鋁合金的分類識別。

5 結束語

通過對6 個系列和11 個牌號的鋁合金使用LIBS 技術采集光譜數據,選擇9 種特征元素的29條譜線作為特征譜線,結合RF、ANN、ELMAN 神經網絡三種模型分別對全譜光譜數據矩陣和特征元素光譜數據矩陣按系列分類和按牌號分類。對于鋁合金系列分類:ELMAN、ANN、RF 三種模型對全譜數據分類的準確率分別為:83.63%、86.06%、94.5%,AUC的 值 分 別 為0.672 72、0.678 02、0.927 16,建模時間分別為14.72 s、19.59 s、77.65 s;對特征譜線數據分類的準確率分別為:97.58%、98.18%、99.39%,AUC的值分別為0.929 88、0.933 58、0.968 25,建模時間分別為3.29 s、3.16 s、1.38 s。對于鋁合金牌號分類:三種模型對全譜數據分類的準確率分別為:61.81%、63.58%、91.5%,AUC的值分別為0.918 44、0.939 33、1,建模時間分別為40.48 s、48.13 s、101.58 s;對特征譜線數據分類的準確率分別為:86.72%、89.7%、96.36%,AUC的值分別為0.993 33、1、1,建模時間分別為9.32 s、3.91 s、1.54 s。試驗結果表明:基于表面成分檢測技術-LIBS 結合RF 模型,能夠快速準確的對6 個系列和11 個牌號的鋁合金進行分類,該結果為廢舊鋁合金系列和牌號精準分類提供了參考方法。