李 明,張 帥,吳天宇,王 楗,關(guān)叢榮,陳吉文
北方工業(yè)大學(xué)電氣與控制工程學(xué)院,北京 100144
激光誘導(dǎo)擊穿光譜(laser-induced breakdown spectroscopy,LIBS)技術(shù)由于無(wú)需樣品前處理,分析簡(jiǎn)便快速,可對(duì)固液氣樣品進(jìn)行實(shí)時(shí)檢測(cè),因此近年來(lái)發(fā)展迅速,但其定量分析的準(zhǔn)確性受到許多復(fù)雜因素的影響,需要對(duì)其信號(hào)進(jìn)行處理才能提高LIBS技術(shù)定量的準(zhǔn)確性。張?zhí)忑埖瓤偨Y(jié)了化學(xué)計(jì)量學(xué)在LIBS數(shù)據(jù)預(yù)處理(基線校正、噪聲濾除和數(shù)據(jù)壓縮等)的優(yōu)勢(shì)[2]。小波神經(jīng)網(wǎng)絡(luò)(wavelet neural network,WNN),隱藏層轉(zhuǎn)換函數(shù)變?yōu)橛尚〔ㄉ炜s和平移得到的小波元函數(shù)。小波分析的獨(dú)特優(yōu)勢(shì)在于信號(hào)去噪、信號(hào)奇異值檢測(cè)及信號(hào)發(fā)展趨勢(shì)檢測(cè)等,有較強(qiáng)的時(shí)頻特征提取能力[2];但小波分析的結(jié)果依賴于小波基的選擇,使用不同的小波基處理結(jié)果有較大的差異。集合平均經(jīng)驗(yàn)?zāi)B(tài)分解(ensemble empirical mode decomposition, EEMD)方法不僅可以實(shí)現(xiàn)自適應(yīng)的信號(hào)處理,而且可以更加清晰的將LIBS信號(hào)中的不同特征成分劃分開(kāi)來(lái);基于多種元素含量的多變量回歸分析法(multivariate regression analysis based on multi element content, MRA)能補(bǔ)償LIBS所獲得的元素信號(hào)之間嚴(yán)重的互干擾效應(yīng),從而消除基體效應(yīng)帶來(lái)的影響,可進(jìn)一步提高LIBS數(shù)據(jù)的準(zhǔn)確性。
利用EEMD-MRA方法對(duì)LIBS信號(hào)進(jìn)行自適應(yīng)時(shí)頻特征分解,該方法最大的特點(diǎn)就是根據(jù)信號(hào)本身的時(shí)頻特性自適應(yīng)的分解為具有物理意義的特征分量,分解后得到了高頻特性的噪聲部分,有效信號(hào)部分和背景部分,通過(guò)增強(qiáng)有效信號(hào)并重構(gòu)LIBS信號(hào)獲得了更好的特征譜圖, 同時(shí),通過(guò)MRA方法消除基體效應(yīng)獲得了更為準(zhǔn)確的信號(hào)。該方法應(yīng)用于不銹鋼樣品的分析,取得了較好的效果,為L(zhǎng)IBS信號(hào)處理提供了一種新的方法。
1998年黃鍔等[3]提出一種信號(hào)時(shí)頻分析方法—EMD,該方法能自適應(yīng)的將信號(hào)分解成有限個(gè)具有物理意義的分量—固有模態(tài)函數(shù)(IMF)。EMD方法的一個(gè)重要缺陷就是模態(tài)混疊,為了克服這個(gè)問(wèn)題,Wu等[4]在對(duì)白噪聲進(jìn)行EMD分解深入研究的基礎(chǔ)上,提出了EEMD方法,其基本思路為:將高斯白噪聲加入被分析信號(hào),使信號(hào)和噪聲成為一個(gè)“集合”,在EMD的分解過(guò)程中,當(dāng)被分析信號(hào)加在這些一致分布的白色背景上時(shí),不同尺度的信號(hào),會(huì)自適應(yīng)的映射到合適的頻率范圍上;同時(shí),由于白噪聲的零均值特性,加入多次白噪聲分解,將這些多次分解的結(jié)果取“平均”后,噪聲最終被相互抵消而消除,即集合平均的分解結(jié)果被當(dāng)做是被分析信號(hào)的EMD分解結(jié)果。
EEMD方法的基本步驟[5]為:
步驟1:給被分析信號(hào)x(t)加入一組白噪聲w(t)來(lái)獲得一個(gè)總體X(t)
X(t)=x(t)+w(t)
(1)
步驟2:對(duì)X(t)進(jìn)行EMD分解,得到相應(yīng)的各階IMF
(2)
步驟3:給被分析信號(hào)x(t)加入一組不同的白噪聲wj(t)獲得另一個(gè)總體Xj(t),對(duì)Xj(t)進(jìn)行EMD分解后,得到相應(yīng)的各階IMF
(3)
步驟4:求得各個(gè)IMF的均值作為最終信號(hào)的IMF
(4)
式中,N為加入白噪聲的次數(shù),即總體的個(gè)數(shù),ε是加入白噪聲的幅度,εn是原始信號(hào)和由最終的IMF之和所得信號(hào)的誤差。
(5)
與EMD方法相比,EEMD方法有效的克服了模態(tài)混疊,可以更加清晰的將信號(hào)中不同頻率且具有實(shí)際意義的成分區(qū)分開(kāi)來(lái),因此更加適合頻率成分豐富的LIBS信號(hào)的分析和處理。
清華大學(xué)在有關(guān)提高LIBS測(cè)量精度方面作了很多值得借鑒的工作[6]。為了更進(jìn)一步地提高LIBS的檢測(cè)精度,我們提出了將EEMD和MRA相結(jié)合的新方法;通過(guò)對(duì)標(biāo)準(zhǔn)光譜樣品的LIBS光譜采集和EEMD-MRA信號(hào)處理,驗(yàn)證了該方法的可行性。
采用自行搭建的LIBS實(shí)驗(yàn)平臺(tái),如圖1所示,基本原理為:激光器產(chǎn)生的激光通過(guò)聚焦透鏡聚焦在樣品上;激光激發(fā)樣品可產(chǎn)生相應(yīng)的發(fā)射光譜;光譜信號(hào)被光纖光譜儀采集并傳輸至計(jì)算機(jī)形成LIBS信號(hào)譜圖;分析譜圖可以獲得樣品中相應(yīng)的元素定性和定量信息。
激光源采用的是北京卓鐳激光技術(shù)有限公司生產(chǎn)的TINY-200L燈泵浦緊湊型Nd∶YAG納秒激光器,輸出波長(zhǎng)于1 064,532和266 nm諧波中可選,激光脈寬為4~5 ns,重復(fù)頻率為1~10 Hz,單脈沖能量最大為150 mJ。同時(shí),采用了荷蘭愛(ài)萬(wàn)提斯公司生產(chǎn)的型號(hào)為AVS-DESKTOP-USB3的多通道光纖光譜儀,其參數(shù)為: 75 mm Czerny-Turner光學(xué)平臺(tái);185~408 nm波長(zhǎng)段內(nèi)使用UE光柵,2 400 lines·mm-1,平均光譜分辨率0.09~0.13 nm;405~840 nm波長(zhǎng)段內(nèi)使用VC光柵,1 200 lines·mm-1,平均光譜分辨率0.14~0.18 nm;光譜儀的每個(gè)通道都配有一個(gè)4 096像素規(guī)格的7 μm×200 μm的CMOS探測(cè)器。
采用的樣品為鄭州機(jī)械研究所研制的中華人民共和國(guó)光譜標(biāo)準(zhǔn)樣品,型號(hào)為JZG201-206B, 6塊標(biāo)準(zhǔn)樣品的元素成分及含量如圖2所示。
圖2 試驗(yàn)樣品
實(shí)驗(yàn)室環(huán)境溫度25 ℃,激光器采用1 064 nm波長(zhǎng),1 Hz重復(fù)頻率,光譜儀的積分時(shí)間為2 ms。如圖3所示,為波長(zhǎng)300.762~411.495 nm范圍的6張LIBS信號(hào)原始譜圖。
以樣品6的原始LIBS譜圖為例,經(jīng)EEMD分解,自適應(yīng)的得到了11個(gè)IMF,如圖4所示,其特征頻率從高到低排布,其中IMF1頻率最高,IMF11(即信號(hào)的趨勢(shì)r(t))最低。根據(jù)信號(hào)的時(shí)頻分布以及幅值特性,IMF1表征為信號(hào)中的噪聲部分;IMF2—IMF10表征為L(zhǎng)IBS特征信號(hào)部分;最后一階IMF11表征為背景成分。由此可見(jiàn),EEMD方法可以完整的將LIBS信號(hào)中有物理意義的各個(gè)特征頻率成分分解出來(lái)。
圖3 LIBS信號(hào)原始譜圖
圖4 LIBS原始信號(hào)的EEMD分解
上述處理結(jié)果,IMF1為信號(hào)中的噪聲部分,IMF11為背景成分,通過(guò)增強(qiáng)IMF2—IMF10段可有效增加信噪比,而信號(hào)的噪聲及背景不變,獲得特征增強(qiáng)后的LIBS信號(hào)E(t),其中k定義為增強(qiáng)因子。
(6)
如圖5所示,為特征增強(qiáng)后的拉曼信號(hào)和原始拉曼信號(hào),結(jié)合基于形態(tài)學(xué)的自適應(yīng)迭代懲罰加權(quán)最小二乘法(morphology-adaptive iterative reweighted-penalized least squares, M-AIR-PLS)進(jìn)行進(jìn)一步背景基線處理,圖中可見(jiàn),在k=16的有效信號(hào)特征增強(qiáng)下信噪比獲得了很大的提升,從局部來(lái)看有效特征峰均得到不同程度的增強(qiáng)。
將獲得的LIBS原始信號(hào)均按上述方法進(jìn)行信號(hào)特征增強(qiáng)后,獲得了7個(gè)元素不同樣品含量對(duì)應(yīng)特征譜線的增強(qiáng)信號(hào),同時(shí)使用MRA方法分析獲得了原始信號(hào)以及最終處理信號(hào)對(duì)應(yīng)濃度的相應(yīng)的線性決定系數(shù)R2,如圖6所示,圖6左側(cè)為基于原始信號(hào)計(jì)算結(jié)果,圖6右側(cè)為基于EEMD-MRA的方法處理后最終信號(hào)計(jì)算結(jié)果,其中左圖橫坐標(biāo)表示元素譜強(qiáng),右圖橫坐標(biāo)表示經(jīng)算法處理后的預(yù)測(cè)元素含量百分比,縱坐標(biāo)均表示實(shí)際元素含量百分比。
圖5 原始LIBS信號(hào)和增強(qiáng)后的LIBS信號(hào)對(duì)比
圖6 元素濃度曲線對(duì)比
表1 決定系數(shù)
如表1所示:對(duì)比原始信號(hào)濃度曲線決定系數(shù)R2,基于EEMD-MRA方法處理后的結(jié)果大大提高了曲線的擬合度,數(shù)值均大于0.99以上,并且能自適應(yīng)的直接分解信號(hào),因此提高了算法的可移植性,可以更好的滿足不同平臺(tái)的應(yīng)用需求。
將EEMD-MRA方法應(yīng)用于LIBS信號(hào)的特征增強(qiáng)和放大,并通過(guò)實(shí)際樣品信號(hào)進(jìn)行了驗(yàn)證,可得如下結(jié)論:
(1)EEMD方法可自適應(yīng)的將LIBS信號(hào)分解成11階IMF,其IMF1表征為信號(hào)中的噪聲成分;IMF2—IMF10表征為L(zhǎng)IBS特征信號(hào)的成分;最后一階IMF11為背景成分。
(2)結(jié)合MRA方法處理特征增強(qiáng)后的LIBS信號(hào),可以大大的提高LIBS測(cè)試的準(zhǔn)確性,為L(zhǎng)IBS信號(hào)的數(shù)據(jù)處理提供了新的方式,也可以推廣至其他的信號(hào)處理領(lǐng)域。