关键词:
激光诱导击穿光谱
牌号识别
特征选择
废钢
摘要:
我国每年的钢铁生产与出口量位居世界前列,而在钢铁生产过程中产生的废钢是一种重要的资源。废钢的精准分类是电炉炼钢的关键环节,对于环境能源的可持续发展也具有重要意义。为了提高废钢回收利用的效率,提出了一种利用激光诱导击穿光谱结合XGBSFS特征优选的废钢牌号智能识别方法,与k最邻近算法(kNN)、支持向量机(SVM)分类算法联合建立了XGBSFS-SVM、XGBSFS-kNN两种优化模型。首先通过Lapa-80型固体脉冲激光器采集3类共18种不同的废钢样品在170~400 nm范围内的激光诱导击穿光谱数据,通过k值校验剔除光谱数据中的粗大误差,并对剔除后剩余的数据进行平均,每个样品28组共得到504组平均光谱数据;然后对光谱数据进行基线校正、归一化等预处理,降低基体波动影响;最后将处理后的光谱数据从每类钢种中提取一个样品的数据作为模型的测试集,剩余数据作为模型的训练集,并提取光谱数据中Si,Cu和C等元素的16条特征谱线作为分类特征,用于模型的输入,经过基于XGBoost的XGBSFS特征选择算法对变量进行优化后,应用kNN、SVM建立废钢智能识别模型。XGBSFS-SVM、XGBSFS-kNN算法模型在测试集上的准确率分别为100%和98.8%,输入维数也均由16维降至2维,且两种模型的建模时间分别由3.1下降至2.79 s,3.26 s下降至1.64 s,相较于单独使用SVM和kNN的算法模型,提出的优化模型预测精度和建模效率较高,且泛化能力较好。经过对比建模时间和准确率综合效果,选取XGBSFS-SVM模型用于不同废钢的智能快速识别。实验结果表明,该研究提出的LIBS与XGBSFS特征优选方法能够有效的对特征变量进行优化建模,为工业生产中废钢种类的快速智能识别和钢铁的回收提供了一种新技术。