一种基于光束整形改善激光诱导击穿光谱可重复性的方法

    公开(公告)号:CN113310968A

    公开(公告)日:2021-08-27

    申请号:CN202110436720.2

    申请日:2021-04-22

    Applicant: 清华大学

    Abstract: 本发明公开了一种基于光束整形改善激光诱导击穿光谱可重复性的方法。该方法包含如下步骤:由激光器产生脉冲激光;由光束整形器将光束能量密度分布变为中心稍低、外围稍高的凹形;凹形光束聚焦烧蚀样品表面物质,产生等离子体;采集等离子体放射光,得到激光诱导击穿光谱。该方法与激光诱导击穿光谱领域的常规光束整形方法的主要区别在于,结合关于光谱信号不确定性来源以及等离子体空间演化过程的研究成果,针对性地设计了凹形光束形貌,以减小等离子体中心处的温度和电子密度,显著提高等离子体的空间稳定性,改善光谱可重复性。

    一种用于激光击穿光谱的自吸收效应修正方法

    公开(公告)号:CN109030467B

    公开(公告)日:2020-11-10

    申请号:CN201811157816.X

    申请日:2018-09-30

    Applicant: 清华大学

    Abstract: 一种用于修正激光诱导击穿光谱中自吸收效应的方法,其特点在于以黑体辐射强度作为参考进行修正。首先设定变量F和T分别表示收光系统的收集效率参数和等离子体温度初值,并根据F和T计算黑体辐射强度,然后以黑体辐射强度作为参考进行初步的自吸收修正并得到光谱,根据初步修正后的光谱计算元素各条谱线的强度,然后使用玻尔兹曼平面法进行线性拟合,得出拟合直线的斜率和线性相关系数,不断调整F和T的取值直至其满足特定代数关系。该方法对激光击穿光谱技术中的硬件没有额外要求,对于样品类型、样品中所含元素等也没有特殊要求,可适用于几乎所有的光谱;使用修正后的光谱可以有效提高激光击穿光谱技术的测量精度。

    基于混合气体环境提高激光诱导击穿光谱重复性的方法

    公开(公告)号:CN110132943A

    公开(公告)日:2019-08-16

    申请号:CN201910467429.4

    申请日:2019-05-31

    Applicant: 清华大学

    Abstract: 基于混合气体环境提高激光诱导击穿光谱重复性的方法,该方法首先将待测样品置于一个腔体内,用抽气泵将腔体内气体抽至真空;然后向真空腔内通入混合气体,当腔体内压力达到一个大气压,记录混合气体的组成比例;在该气体环境下,检测待测样品的激光诱导击穿光谱信号,并计算信号的相对标准偏差,作为重复性的指标;之后不断改变混合气体的比例进行检测,计算对应的相对标准偏差;比较各种混合气体环境下光谱信号的相对标准偏差,得到最优的混合气体组成比例,作为待测样品的气体环境。本发明可显著降低光谱信号的相对标准偏差,提高激光诱导击穿光谱的重复性,进而提高LIBS的测量精度。具有简单实用、经济实惠等特点。

    一种提高激光诱导击穿光谱定量分析长期稳定性的方法

    公开(公告)号:CN106248653B

    公开(公告)日:2019-01-29

    申请号:CN201610557445.9

    申请日:2016-07-14

    Applicant: 清华大学

    Abstract: 一种提高激光诱导击穿光谱定量分析长期稳定性的方法,该方法通过在不同环境条件下对定标样品采集大量的光谱数据,找出光谱中特征谱线强度在不同环境条件下的映射规律,并将光谱中特征谱线强度折合到标准环境温度、环境湿度和环境压力条件下,然后建立目标特性与折合后的特征谱线强度之间的方程。对于一定环境条件下待测样品进行测量时,可根据映射规律将所测光谱折合到标准环境条件下,并代入定标模型计算得到目标特性的值。该方法通过补偿环境条件对测量信号的影响,提高了激光诱导击穿光谱定量分析的长期稳定性。

    一种用于激光击穿光谱的自吸收效应修正方法

    公开(公告)号:CN109030467A

    公开(公告)日:2018-12-18

    申请号:CN201811157816.X

    申请日:2018-09-30

    Applicant: 清华大学

    Abstract: 一种用于修正激光诱导击穿光谱中自吸收效应的方法,其特点在于以黑体辐射强度作为参考进行修正。首先设定变量F和T分别表示收光系统的收集效率参数和等离子体温度初值,并根据F和T计算黑体辐射强度,然后以黑体辐射强度作为参考进行初步的自吸收修正并得到光谱,根据初步修正后的光谱计算元素各条谱线的强度,然后使用玻尔兹曼平面法进行线性拟合,得出拟合直线的斜率和线性相关系数,不断调整F和T的取值直至其满足特定代数关系。该方法对激光击穿光谱技术中的硬件没有额外要求,对于样品类型、样品中所含元素等也没有特殊要求,可适用于几乎所有的光谱;使用修正后的光谱可以有效提高激光击穿光谱技术的测量精度。

    一种基于大数据库辨识的煤质特性分析方法

    公开(公告)号:CN105718749B

    公开(公告)日:2018-08-28

    申请号:CN201610065879.7

    申请日:2016-01-29

    Applicant: 清华大学

    Abstract: 一种基于大数据库辨识的煤质特性分析方法。该方法采用激光诱导击穿光谱技术,在d多种实验设置下对煤炭定标样品进行数据采集,从而建立一个多维度的定标样品谱线强度大数据库;对未知样品进行检测时,则在与煤炭定标样品相同的多种实验设置下采集光谱数据,从不同维度对待测样品进行辨识,根据辨识结果直接得到或者代入定标模型中计算得到待测样品的煤质特性;该方法利用了煤炭样品光谱特性,对不同的元素谱线采取不同的辨识阈值,结果显示该方法能够显著提高未知样品辨识的准确度,从而减小激光诱导击穿光谱测量的不确定度。

    一种光谱归一化结合多元统计模型的玉石原产地鉴定方法

    公开(公告)号:CN106645098A

    公开(公告)日:2017-05-10

    申请号:CN201710018720.4

    申请日:2017-01-11

    Applicant: 清华大学

    CPC classification number: G01N21/718

    Abstract: 一种光谱归一化结合多元统计模型的玉石原产地鉴定方法。该方法首先对原产地已知的玉石样品按原产地分类,并采用LIBS系统采集玉石样品光谱,通过光谱归一化对数据进行预处理,再用主成分分析(PCA)提取出光谱数据的主成分,采用支持向量机(SVM)建立模型,鉴定原产地;利用建立的模型,预测未知样品的原产地。该方法把光谱归一化避免实验条件波动的影响、PCA降维去冗余的作用以及SVM优越的分类能力结合起来,显著提高了玉石原产地鉴定的正确率。另外,鉴定过程耗时短,样品烧蚀质量在纳克级别,玉石品相基本不受影响,与现有的鉴定方法相比,具有显著的优势。

    一种基于大数据库辨识的水泥特性分析方法

    公开(公告)号:CN105717093A

    公开(公告)日:2016-06-29

    申请号:CN201610065400.X

    申请日:2016-01-29

    Applicant: 清华大学

    CPC classification number: G01N21/71

    Abstract: 一种基于大数据库辨识的水泥特性分析方法。该方法采用激光诱导击穿光谱技术,在不同实验设置下对定标样品进行数据采集,从而建立一个多维度的定标样品谱线强度大数据库;对未知样品进行检测时,则在与定标样品相同的多种实验设置下采集光谱数据,从不同维度对待测样品进行辨识,根据辨识结果直接得到或者代入定标模型中计算得到待测水泥样品的特性;该方法基于水泥光谱特性,根据三率值的计算原理,从光谱中选择特定的谱线比值用于辨识;结果显示该方法能够显著提高未知样品辨识的准确度,从而减少激光诱导击穿光谱测量的不确定度。

    基于激光诱导击穿光谱的固体样品在线测量系统及方法

    公开(公告)号:CN104483293A

    公开(公告)日:2015-04-01

    申请号:CN201410853060.8

    申请日:2014-12-31

    Applicant: 清华大学

    Abstract: 基于激光诱导击穿光谱的固体样品在线测量系统及方法,属于原子发射光谱测量技术领域。该系统将固体样品的破碎、压制成型、检测、退样四个过程利用传送单元连接起来,并且利用控制单元实现对固体样品的自动连续在线测量;利用激光诱导击穿光谱检测单元采集到的光谱信号通过集成在数据分析模块里的激光诱导击穿光谱定量分析模型进行分析,从而得到实时的固体样品特性检测结果。该系统及方法能够实现对固体样品的激光诱导击穿光谱在线分析,有利于推动激光诱导击穿光谱技术从实验室分析向工业化应用发展。

    基于人工神经网络的元素浓度测量误差修正方法

    公开(公告)号:CN102830096A

    公开(公告)日:2012-12-19

    申请号:CN201210314048.0

    申请日:2012-08-29

    Abstract: 基于人工神经网络的元素浓度测量误差修正方法,用于激光诱导击穿光谱(LIBS)测量系统。把目标元素浓度已知的一组样品作为定标样品,用LIBS系统得到各定标样品的光谱数据和目标元素的特征谱线强度,然后拟合建立单变量定标模型,并求出单变量模型对于各定标样品的误差。以这些误差作为输出,定标样品的光谱数据作为输入建立神经网络模型并对模型进行训练。对于目标元素浓度未知的待测样品,先用LIBS系统得到其光谱数据和目标元素的特征谱线强度,把特征谱线强度代入单变量模型中得到目标元素浓度的初测值,再把待测样品的光谱数据输入神经网络模型中得到误差修正值,初测值与误差修正值之和即为待测样品中目标元素浓度的最终测量值。

Patent Agency Ranking