基于卡尔曼滤波与机器学习的激光诱导击穿光谱钢铁多元素定量分析探究

针对钢铁冶炼过程中微量元素定量分析问题，对钢样中的Mn、P、S和C元素进行离线定量分析，并为熔融状态下钢水成分在线检测进行前期离线预研工作。通过激光诱导击穿光谱(LIBS)技术研究钢铁的光谱特性，提出使用卡尔曼滤波(KF)对光谱进行降噪处理，并将其与偏最小二乘回归(PLSR)、支持向量回归(SVR)、随机森林(RF)机器学习模型结合，建立各元素的定量分析模型，采用K折交叉验证和网格搜索法对模型的结构参数进行调优，在LIBS技术基础上实现钢铁元素的定量分析。结果显示，KF-SVR预测模型对Mn和C元素的预测性能最优，其测试集的决定系数(R²)均高达0.999 9,均方根误差(RMSE)分别为0.020 8%、0.021 3%;KF-PLSR预测模型对P和S元素的预测性能最优，其测试集的R²值分别为0.999 8、0.999 9,RMSE分别为0.006 0%、0.002 8%;结合KF后3种机器学习模型的R²值均高于0.996。研究结果表明，将KF用于LIBS光谱数据的预处理可有效提高光谱的信噪比，改善光谱质量，并将其与机...