铝镁（Al–Mg）合金由于其低密度、高强度和耐腐蚀性，在航空航天[1]、海洋[2]和汽车[3]行业中对于轻量化应用至关重要[4]。镁（Mg）含量显著影响这些性能，当镁含量从1 wt%增加到6 wt%时，抗拉强度增加，而超过6 wt%时，由于次要相沉淀，腐蚀敏感性上升[5,6]。然而，在铸造过程中，由于高温蒸发和除渣过程中氧化渣的去除，镁含量通常会减少。此外，不均匀混合会导致空间成分的变异性[7]。因此，在合金生产过程中准确检测镁含量非常重要，以确保制备的材料符合标准和要求。传统的化学分析方法，如电感耦合等离子体光学发射或质谱（ICP-OES/MS）和X射线荧光（XRF）光谱法虽然准确，但通常耗时、成本高、复杂或需要破坏性取样[8]。相比之下，激光诱导击穿光谱（LIBS）因其速度快、远距离操作和原位检测而受到广泛关注。它非常适合在生产过程中实时监测Al–Mg合金中的镁含量。
尽管激光诱导击穿光谱（LIBS）在实时监测方面显示出巨大潜力，但在铝镁（Al–Mg）合金生产中实现宽浓度范围（0.62-10.32 wt%）内镁（Mg）的准确量化仍然具有挑战性[4]。激光脉冲持续时间的变化，例如皮秒与纳秒，会影响等离子体动力学和光谱线特性，从而影响预测准确性[[9], [10], [11], [12], [13]]。此外，即使在一致的实验条件下，某些镁光谱线也会因为高基态能量而表现出弱线性响应。这导致依赖低自吸收峰的传统定量方法出现预测误差[14,15]。这些误差阻碍了精确的原位镁含量控制，而这与满足Al–Mg合金标准至关重要。相反，由于自吸收而具有高强度但非线性响应的光谱线为提高定量分析提供了潜力。然而，传统方法（如使用等离子体光学厚度计算校准线性光谱线[16]或对全光谱应用多元回归[17,18]）存在局限性。前者计算量大且受特定物理条件限制，而后者往往无法有效提取高价值特征，导致由于噪声和高计算成本而产生量化误差。
因此，开发有效的特征提取方法至关重要，因为它们对于降低计算负担、增强在线监测能力和确保预测性能非常重要。全局特征提取方法（如主成分分析（PCA）可以减少数据维度，但往往无法优先考虑关键的特征[19]。同样，局部特征选择方法（如顺序反向选择（SBS）可能会忽略全局信息[20]，从而影响模型准确性和泛化能力。开发一种整合全局和局部信息并利用线性和非线性光谱线互补优势的特征提取方法，对于基于LIBS实现Al–Mg合金中镁的快速准确定量分析至关重要。
在相关工程领域，数据驱动的建模已被广泛用于分析受非线性相互作用和多个耦合参数控制的系统[[21], [22], [23], [24], [25], [26], [27], [28], [29], [30], [31], [32], [33]]。这些研究表明，当明确的分析描述难以制定时，结合基于特征的结构性建模策略可以有效捕捉系统行为并提高预测性能。在LIBS定量分析中，情况类似：光谱响应受到激光参数、等离子体条件和波长依赖性光谱特征的共同影响。这些相互作用因素产生的光谱行为包括弱、近似线性的线和强、自吸收的非线性线，每种线都携带关于镁浓度的不同且互补的信息。因为没有单一类型的特征足以表示此类光谱的全部信息内容，因此准确的镁量化需要一个能够提取和整合线性和非线性光谱响应所携带的互补信息的建模框架。
本研究介绍了综合机器学习与特征融合激光诱导击穿光谱（CMFFS-LIBS）框架，这是一种增强Al–Mg合金中镁量化的新方法。为此，该研究首先系统地研究了皮秒和纳秒激光诱导等离子体如何影响光谱特性，特别是镁发射线的非线性和自吸收，在广泛的浓度范围（0.62–10.32 wt%）内。然后提出了CMFFS-LIBS框架，有效整合了高强度非线性光谱线和低强度线性光谱线的互补信息。该框架的核心是一个优化的特征工程工作流程，旨在建立高性能预测模型，克服传统方法的局限性。它包括数据预处理（小波变换和Savitzky-Golay滤波）、特征融合（PCA和带递归特征消除的XGBoost，RFE）以及非线性机器学习算法的评估。因此，该研究为Al–Mg合金中镁含量的定量LIBS检测提供了有效解决方案，并为将LIBS应用扩展到其他具有宽浓度范围元素提供了有价值的参考点。
