一种基于LIBS（激光诱导击穿光谱）与exp-LIPA（爆炸压力光谱）的多模态融合以及机器学习的新型合金分类方法

《Optics & Laser Technology》：A new method for alloy classification based on multimodal fusion of LIBS & exp-LIPA and machine learning

合金分类通过衰减函数与绝对值滤波优化LIPA信号及多模态融合分析实现，验证了exp-LIPA数据在SVM模型中的有效性并提升分类精度至99%，同时结合SHAP方法进行模型可解释性研究。

　　合金是多种金属元素组成的固溶体或金属间化合物，具有金属的基本特性。由于其优越的性能和可调性，合金被广泛应用于航空航天、汽车制造、电子电气工程、机械工程、建筑装饰、医疗器械等多个领域。合金的元素组成对其性能有着深远的影响，即使在元素种类不变的情况下，改变元素的比例也会显著影响其性能。例如，调整钛镁合金中钛和镁的比例可以优化其强度和耐腐蚀性；改变半导体材料中的元素含量则可以调节其能隙和发射波长。随着对合金需求的增加，高效检测和分类合金的重要性日益凸显。这些过程不仅为材料选择和应用提供了科学依据，也提高了材料利用效率，支持了可持续资源管理和环境保护。

近年来，一些研究人员在基于微观结构和光谱特征对合金进行分类方面取得了良好的成果。然而，基于LIBS（激光诱导击穿光谱）的分类检测仍然存在一定的局限性，尤其是在准确性和对镁合金的应用方面尚未有系统的研究。因此，开发稳健的检测和分类方法对于克服这些挑战、推动可持续发展至关重要。LIBS作为一种光谱技术，通过高能激光脉冲对样品进行击穿和激发，使其形成等离子体。随后，分析等离子体发射的光谱以确定样品的元素组成。与传统检测技术相比，LIBS具有无需样品预处理、可进行快速原位分析、同时检测多种元素、对样品损伤小等优势。这些特性使得LIBS成为一种灵活且高效的工具，具有广泛的应用前景。例如，一些研究团队利用LIBS结合改进的机器学习方法，设计了新的定量分析模型，用于检测土壤中的PHC污染浓度。此外，还有研究团队提出了新型的FOLIBS系统，用于材料表征，特别适用于核能、核保障和防扩散等高风险环境下的现场检测。

尽管LIBS在合金检测中展现出诸多优势，但它也面临一些挑战。例如，等离子体特性不稳定会导致信号重复性差；基质效应显著影响定量分析的准确性；在复杂样品中，元素之间的相互干扰也会影响分类效果。这些问题限制了LIBS在高精度检测和广泛应用中的推广。因此，研究人员开始探索新的检测方法，以弥补LIBS的不足。LIPA（激光诱导等离子体声学）作为一种新兴的检测方法，能够有效补充LIBS在分类中的缺陷。LIPA指的是当激光诱导等离子体迅速膨胀时产生的声信号。该信号的形成与等离子体膨胀过程中冲击波的衰减密切相关。LIPA在多个领域得到了广泛应用，尤其是在材料分析中，它与LIBS相结合，为提高检测精度提供了新的思路。

在等离子体形成过程中，样品的关键物理特性，如硬度、密度和形态，会对等离子体的特性产生显著影响，进而影响LIPA信号的特征。因此，LIPA信号可以作为增强LIBS分析的有力工具。一些研究团队通过决策级融合方法，将LIBS、LIPAS（激光诱导等离子体声学）与特征级融合模型相结合，实现了高达99%的分类准确率。另一些研究团队则采用同步采集系统，同时获取激光诱导等离子体光谱和声学信号，用于分析合金钢中的元素组成，并进一步优化声学校正方法。然而，实验过程中获得的LIPA数据量较大，且在实验过程中会产生回声，这些回声会叠加在原始等离子体声学信号上，改变其强度、频率等特征，从而掩盖真实的信号并影响其稳定性。为了解决这些问题，本文提出了一种处理LIPA回声和选择数据的算法。

机器学习（ML）是一种让计算机系统能够通过算法自动学习并提升性能的技术。它在预测分析、决策制定等多个领域得到了广泛应用。在本文中，采用了八种不同的机器学习方法来建立分类模型。此外，还引入了SHAP（Shapley Additive Explanations）方法，这是一种基于Shapley值的模型解释技术，用于衡量每个特征对分类模型的贡献，从而提升机器学习模型的可解释性。通过算法创新，本文提出了一个全新的合金分类方案，该方案将衰减函数与绝对值过滤相结合，有效抑制LIPA回声，从而提升分类效果。这一方法不仅提高了合金成分识别的准确性和效率，还为合金的回收和再利用提供了一条新的路径，同时为LIBS技术的拓展应用提供了有价值的参考。

为了验证所提出方法的有效性，本文基于铜合金的LIPA结果，设计了一种新的数据处理算法。该算法通过应用衰减函数减少实验过程中回声带来的误差，同时通过绝对值过滤减少数据量至原始数据的10%，从而生成新的exp-LIPA数据。随后，将镁合金的LIBS结果与exp-LIPA数据进行融合，采用主成分分析（PCA）和机器学习方法实现合金的分类。实验结果表明，当衰减函数的参数设置为0.5时，能够有效减少回声对信号的干扰，提高分类的准确性。通过这一方法，不仅能够提升合金成分识别的效率，还为合金的回收和再利用提供了新的思路。

本文的研究对象是四种镁合金板材，其元素组成如表1所示。这些镁合金材料是从公司购买的，测试前未进行特殊处理。实验过程在日常环境下进行，确保了实验的稳定性和可重复性。实验仪器和多模态识别的流程如图1所示，使用了Q开关的Nd:YAG激光器，其单脉冲持续时间为10纳秒，工作频率为10赫兹。激光器的波长在实验中发挥了重要作用，不同波长的激光可以激发不同种类的元素，从而影响光谱的特征。在LIBS分析中，特征峰的产生与电子跃迁过程中伴随的光子发射密切相关，这些特征峰能够提供样品元素组成的关键信息。

在LIPA分析中，激光诱导等离子体的快速膨胀会产生冲击波，这些冲击波在衰减过程中形成声信号。不同种类的镁合金在实验中产生了不同的LIPA信号，这些信号的特征与等离子体的膨胀速度、冲击波的衰减程度以及样品的物理特性密切相关。通过对这些信号的分析，可以获取更多关于样品的物理信息，从而提升LIBS的检测能力。实验中，每种镁合金进行了100组实验数据的采集，并计算了平均值，得到其LIBS光谱。由于在700–890纳米波长范围内的特征峰主要由空气中的元素产生，后续研究重点关注了其他波长范围内的信号，以获取更准确的元素组成信息。

本文提出的方法不仅解决了LIBS在分类检测中的局限性，还为LIPA技术的应用提供了新的方向。通过将衰减函数与绝对值过滤相结合，有效抑制了LIPA回声，提高了数据的准确性和效率。此外，将LIBS与LIPA数据进行融合，结合主成分分析和机器学习方法，实现了对合金的高精度分类。这种方法不仅在合金检测中具有实际应用价值，也为其他材料的分析提供了借鉴。未来，随着机器学习和数据处理技术的不断发展，这种多模态融合方法有望在更广泛的领域中得到应用，为材料科学和工程提供更强大的技术支持。

本文的研究成果表明，通过算法创新和多模态数据融合，可以显著提升合金分类的准确性和效率。同时，SHAP方法的应用为理解分类模型的决策过程提供了新的视角，使得模型的可解释性得到增强。这一研究不仅在理论层面具有创新性，也在实际应用中展现出广阔前景。随着对合金性能需求的不断增长，高效、准确的检测和分类方法将成为材料科学研究的重要方向。本文所提出的方法为这一领域的发展提供了新的思路和技术支持，有助于推动LIBS和LIPA技术的融合与进步，为材料分析和应用提供更可靠的工具。