激光能量漂移条件下LIBS最优检测延迟的物理引导单次预测

《Microchemical Journal》：Physics-guided single-shot prediction of the optimal detection delay in LIBS under laser energy drift

　　

• •
  物理引导模型通过单次PD-FTSP输入预测LIBS最优延迟。
• •
  基于等离子体衰减物理的特征提高了对激光能量漂移的鲁棒性。
• •
  模型在未经监控的能量漂移下实现了9.7 ns的MAE和97.3%的SBR保持率。
• •
  能够实现工业LIBS应用的快速、低成本参数优化。

引言

激光诱导击穿光谱（LIBS）通过将短脉冲激光聚焦于样品表面产生等离子体，并分析所产生的发射光谱，从而实现元素识别和定量分析。凭借快速响应、非接触操作和最小样品制备等优势，LIBS在工业在线监测等原位应用中具有巨大潜力[1]、[2]、[3]、[4]。在实际应用中，稳健的LIBS分析不仅取决于样品组成和激光条件，还取决于瞬态等离子体发射的时域采集与评估方式[5]、[6]、[7]、[8]、[9]。然而，在实际部署中，激光老化和环境波动（如温度和湿度变化）会导致激光脉冲能量漂移，从而改变等离子体温度和电子密度的时间演化过程[10]。这会改变预设检测窗口所对应的等离子体状态，并使目标发射谱线与连续背景之间的相对强度发生变化，从而可能降低信背比（SBR）和定量精度。例如，如果实际脉冲能量发生漂移而仪器设置保持不变，等离子体演化也会随之改变，先前选定的延迟可能不再落在高SBR时间区间内。在这种情况下，需要更新最优延迟以匹配已改变的等离子体演化过程，并将其反馈至LIBS系统。最优延迟随能量变化的相应偏移如图S8所示。传统的选取最优延迟的方法需要扫描多个检测延迟并选择具有最大SBR的延迟，因此耗时且操作复杂[11]。

现有大多数研究集中于在固定检测窗口下提高定量性能。常用策略包括谱线归一化、基于等离子体参数的内标法、光谱标准化以及机器学习方法以增强鲁棒性[12]、[13]、[14]、[15]、[16]、[17]、[18]、[19]。虽然这些方法可以减轻谱线和背景强度波动对定量的影响，但它们通常假设采集时机已预先确定并保持足够稳定。当未经监控的能量漂移导致最优窗口本身发生偏移时，传统校准模型可能会显著退化[20]、[21]、[22]、[23]。相关研究还结合LIBS与辅助可观测量或数据驱动分析，以提高信号解释、测量稳定性以及面向应用的分类或定量性能[24]、[25]、[26]、[27]、[28]、[29]、[30]、[31]、[32]。光谱分析和人工智能领域的最新进展进一步展示了利用更丰富测量信息的价值。高光谱成像保留了详细的光谱和空间信息，多模态网络融合了不同传感器的测量数据，SpectralGPT则先从大规模光谱数据集中学习，再应用于后续的光谱分析任务[33]、[34]、[35]。更广泛地，其他传感领域的信息融合研究同样证明了结合异构测量数据用于预测、分类和检测的价值[36]、[37]、[38]、[39]、[40]、[41]、[42]、[43]、[44]、[45]。这些研究改进了测量数据的使用方式，但通常未解决当等离子体状态发生变化时LIBS采集延迟本身应如何确定的问题。

更新采集延迟可采用多种方法，但每种方法都有其实际局限性。全延迟扫描可以直接定位最大SBR，但需要重复激光激发和光谱采集。仅测试少数候选延迟虽可减少测量次数，但稀疏采样可能遗漏高SBR时段。也可通过在多个已测量的脉冲能量下扫描延迟来建立能量-延迟查找表。然而，这种方法依赖于脉冲能量与最优延迟之间的稳定关系，当实际激光输出偏离预设值时，原始校准可能不再适用。

因此，通常仍需要耗时的经验搜索。由此可见，开发一种快速预测最优检测窗口的方法具有高度实用价值。近期的工程研究也表明，测量得到的系统响应可与数据驱动模型结合，用于预测难以直接确定的状态或参数[46]、[47]、[48]、[49]、[50]、[51]、[52]、[53]、[54]、[55]。为此，光电探测器（PD）提供了一种有吸引力的感知方式。近期关于光探测和机器学习辅助光电特性预测的研究也为光电探测器的使用和数据驱动分析提供了相关背景[56]、[57]、[58]、[59]、[60]、[61]。PD可提供纳秒级时间响应的宽带等离子体发射同步时间分辨测量。由于PD波形反映了总光发射的时间演化过程，因此它能保留有关等离子体状态变化的信息，而这些信息在标称激光能量设定中并不完全体现[28]、[29]、[30]、[62]。其低成本、易于集成和同步的特点使其在工业LIBS系统的在线最优延迟预测中优势明显。然而，现有研究尚未将单次PD测量的时间响应、从固定时间光谱获得的初始等离子体状态以及目标谱线的物理信息相结合，来直接预测不同发射谱线的最优延迟。

在本研究中，我们引入光电探测器构建了光电探测器辅助LIBS（PD-LIBS）系统，并提出了一种物理引导方法PDFTSP-D（基于光电探测器和定时光谱的延迟预测），用于快速预测最优延迟。该框架以固定时间光谱（FTSP）和同步采集的PD等离子体总发射曲线作为输入，二者可在单次激光脉冲下获取。FTSP用于确定初始等离子体温度和电子密度，而PD信号则提供等离子体总发射时间衰减的信息。在近似SBR演化关系的引导下，我们构建了代表与最优延迟预测相关的等离子体状态演化的物理引导特征。随后，通过训练稳健的非线性回归模型，学习从组合特征集到最优采集延迟的映射关系。与以往主要关注浓度校准的物理引导LIBS研究不同，本工作引入了一种专门针对最优延迟预测的任务特定特征工程策略。因此，PDFTSP-D能够根据测量的等离子体响应和目标谱线激发信息预测每条目标谱线的最优延迟，有效地消除了预测过程中对标称激光能量输入或重复延迟扫描的需求。

章节摘要

样品与制备

本研究使用了西南铝业集团提供的十二个认证合金标准样品，认证浓度列于表1。为减少表面氧化层和粗糙度对等离子体激发和发射的影响，每个样品依次使用400目、800目和1200目碳化硅砂纸进行湿磨和抛光，直至获得均匀光滑的表面。该处理过程提高了测试结果的重复性和可比性。

PD-LIBS系统实验装置

为

方法论

图S4概述了PDFTSP-D的工作流程。该方法通过融合定时光谱（FTSP）与光电探测器总发射轨迹S(t)，构建任务特定的物理引导特征表示，以预测目标谱线的最优延迟D，从而避免耗时的多时间分辨光谱穷举扫描。

结果与讨论

为开发PDFTSP-D预测器，首先需要了解激光能量如何调控等离子体的核心物理过程。因此，本节首先研究激光能量对等离子体物理参数时间演化和最优延迟的影响。随后，对提取特征与最优延迟之间的统计依赖性进行分析，以论证非线性回归模型选择的合理性。最后，所提出的PDFTSP-D框架

结论

我们开发了一种光电探测器辅助LIBS（PD-LIBS）系统和一种物理引导的机器学习框架PDFTSP-D，用于快速预测最优采集延迟。

• (1)
  通过联合利用同步采集的光电探测器（PD）轨迹和定时光谱（FTSP）中导出的物理参数，并构建物理引导的非线性特征，延迟预测误差从原始参数基线的143.6 ns降至组合特征随机森林模型的15.5 ns

CRediT作者贡献声明

王承云：写作—审阅与编辑、写作—初稿撰写、可视化、验证、软件、资源、方法论、调查、形式化分析、数据管理、概念构思。黄雨桥：可视化、方法论、调查、形式化分析。刘磊：写作—审阅与编辑、监督、资源、项目管理、方法论、调查、资金获取、形式化分析、概念构思。段吉安：监督、资源、项目

利益冲突声明

作者声明不存在任何已知的竞争性经济利益或个人关系可能影响本文所述工作。

致谢

本研究得到了湖南省科技创新计划（资助号2025RC3022）、微纳工程国家重点实验室（资助号MES202606）、国家自然科学基金（资助号52105568）以及中南大学极端服役性能精密制造国家重点实验室开放研究基金（资助号ZZYJKT2021-10）的资助。

王承云|黄雨桥|刘磊|段吉安