基于PCA-SVM的飛機(jī)蒙皮激光分層除漆LIBS在線監(jiān)測(cè)研究

楊文鋒, 林德惠, 曹 宇, 錢自然, 李紹龍, 朱德華, 李 果, 張 賽

1. 中國(guó)民用航空飛行學(xué)院民機(jī)復(fù)合材料研究中心, 四川 廣漢 618307 2. 溫州大學(xué)機(jī)電工程學(xué)院, 浙江 溫州 325035

引 言

目前, 飛機(jī)蒙皮表面除漆一般采用化學(xué)溶劑、 手工打磨和噴丸工藝, 這些傳統(tǒng)除漆方式普遍存在低效高耗、 環(huán)境污染等弊端。 激光除漆作為一種全新的清洗技術(shù), 以其環(huán)境污染小、 除漆效率高、 定位準(zhǔn)確等優(yōu)勢(shì), 成為極具發(fā)展?jié)摿Φ某嵝录夹g(shù)[1]。 但除漆過(guò)程及效果的可控性及智能化集成依賴于原位、 實(shí)時(shí)的在線監(jiān)測(cè)技術(shù)。 目前, 激光清洗監(jiān)測(cè)技術(shù)主要集中在聲信號(hào)[2-3]、 光信號(hào)[4-5]和光譜信號(hào)[6-7]監(jiān)測(cè), 但聲監(jiān)測(cè)方法易受環(huán)境噪聲影響且精度有限, 圖像監(jiān)測(cè)實(shí)時(shí)性差。

激光誘導(dǎo)擊穿光譜(laser induced breakdown spectroscopy, LIBS)技術(shù)是將高能激光脈沖單點(diǎn)作用于樣品表面, 誘導(dǎo)產(chǎn)生等離子體, 以其發(fā)射光譜確定樣品元素及含量, 具有實(shí)時(shí)性強(qiáng)、 精度高的特點(diǎn), 已廣泛用于低頻(Hz級(jí))納秒脈沖激光清洗藝術(shù)品及文物過(guò)程的在線監(jiān)測(cè)研究[8-9]。 佟艷群[10]、 Zhou[11]等采用低頻納秒脈沖激光單點(diǎn)作用于漆層表面, 分析了不同脈沖次數(shù)下LIBS光譜特征峰強(qiáng)度的變化規(guī)律, 以探索激光除漆過(guò)程的LIBS在線監(jiān)測(cè)方法, 為激光除漆LIBS在線監(jiān)測(cè)提供了寶貴思路與方法借鑒。 由于低頻納秒激光脈沖間隔時(shí)間(ms量級(jí))遠(yuǎn)大于等離子體壽命(μs量級(jí)), 可基于等離子體演變規(guī)律設(shè)置采集延時(shí)及積分時(shí)間, 有效避免等離子體產(chǎn)生初期黑體輻射、 韌致輻射及復(fù)合輻射所致的連續(xù)背景光譜。 然而, 為保證激光除漆效果與效率, 實(shí)際除漆過(guò)程中一般采用高頻(kHz級(jí))納秒脈沖激光進(jìn)行平面掃描。 激光脈沖間隔與等離子體壽命在同一量級(jí)。 首先, 實(shí)際除漆過(guò)程中, 前后相鄰等離子體演變之間相互影響, 黑體輻射等產(chǎn)生的連續(xù)背景光譜難以避免, 光譜數(shù)據(jù)處理難度增大。 其次, 漆層微區(qū)不均勻性將導(dǎo)致LIBS光譜的特征譜線及其強(qiáng)度呈現(xiàn)一定的隨機(jī)性與不穩(wěn)定性, 光譜數(shù)據(jù)分析難度增大。 故基于實(shí)際高頻激光除漆過(guò)程中的LIBS數(shù)據(jù)處理及分析值得進(jìn)一步研究。 孫蘭香[12]、 Zha[13]等率先開展了kHz級(jí)高頻納秒脈沖激光清洗過(guò)程的LIBS在線監(jiān)測(cè)研究, 基于皮爾遜相關(guān)系數(shù)建立了激光清洗單層樹脂、 銹蝕層的LIBS在線監(jiān)測(cè)判據(jù)。 然而, 飛機(jī)蒙皮漆層體系復(fù)雜, 且除漆區(qū)域存在微區(qū)不均勻性, 導(dǎo)致特征譜線呈現(xiàn)一定的隨機(jī)性與不穩(wěn)定性。 為提高在線監(jiān)測(cè)的效率、 準(zhǔn)確率及智能化水平, 有必要引入機(jī)器學(xué)習(xí)算法。

支持向量機(jī)(support vector machines, SVM)是數(shù)據(jù)挖掘中常用的一種機(jī)器學(xué)習(xí)算法, 可實(shí)現(xiàn)復(fù)雜數(shù)據(jù)集的識(shí)別, 具有全局最優(yōu)性和較好的推廣能力。 但對(duì)于含大量噪聲的高維LIBS數(shù)據(jù), SVM算法耗時(shí)較長(zhǎng)且準(zhǔn)確率較低。 主成分分析(principal component analysis, PCA)可在保留原始數(shù)據(jù)大部分信息的情況下, 有效降低LIBS數(shù)據(jù)維數(shù)并排除非重要信息。 Li等[14]利用PCA-SVM算法, 實(shí)現(xiàn)了不同部位豬肉LIBS數(shù)據(jù)的快速識(shí)別, 平均準(zhǔn)確率達(dá)到了99.83%。 Sheng等[15]將LIBS技術(shù)與PCA-SVM結(jié)合, 實(shí)現(xiàn)了10個(gè)等級(jí)鐵礦石的準(zhǔn)確識(shí)別, 平均識(shí)別率為96%。 以上研究表明基于PCA-SVM可實(shí)現(xiàn)LIBS數(shù)據(jù)的快速、 準(zhǔn)確識(shí)別。

針對(duì)飛機(jī)蒙皮激光分層可控除漆在線監(jiān)測(cè)需求, 基于高頻脈沖激光除漆LIBS在線監(jiān)測(cè)平臺(tái), 采集面漆、 底漆、 鋁合金基體去除過(guò)程中的3類光譜, 用于模型訓(xùn)練及測(cè)試; 利用PCA進(jìn)行LIBS數(shù)據(jù)降維, 結(jié)合SVM算法建立面漆、 底漆、 鋁合金基體3類光譜識(shí)別的機(jī)器學(xué)習(xí)模型; 并通過(guò)測(cè)試數(shù)據(jù)及實(shí)驗(yàn)進(jìn)行模型的有效性驗(yàn)證。 可獲得多漆層結(jié)構(gòu)激光分層可控清除過(guò)程的LIBS在線監(jiān)測(cè)判定規(guī)則, 為飛機(jī)蒙皮激光除漆過(guò)程的LIBS在線監(jiān)測(cè)提供參考。

1 實(shí)驗(yàn)部分

1.1 試樣制備

基體為飛機(jī)蒙皮常用的2024-T3態(tài)Al-Cu-Mg系硬鋁合金, 厚度約為2 mm。 按手冊(cè)規(guī)定的噴漆要求進(jìn)行陽(yáng)極氧化處理后, 分別噴涂單層漆(約30 μm綠色CA7700環(huán)氧底漆)和雙層漆(30 μm白色CA8000聚氨酯面漆+30 μm綠色CA7700環(huán)氧底漆), 并切割為50 mm×50 mm×2 mm的試樣。 面漆(top coaingt, Tc)、 底漆(primer, Pr)、 鋁合金基體(aluminum sub, As)的能譜儀(energy dispersive spectroscopy, EDS)測(cè)試結(jié)果見(jiàn)圖1。

三類材料間差異較大的金屬元素有: Ti、 Cr、 Zn、 Al、 Mg、 Cu、 Mn, 其含量對(duì)比如表1, 將其作為光譜分析的示蹤元素。

表1 三類材料示蹤元素含量對(duì)比Table 1 Comparison of tracer element contents of three types of materials

1.2 激光除漆LIBS在線監(jiān)測(cè)系統(tǒng)

激光除漆LIBS在線監(jiān)測(cè)系統(tǒng)由激光除漆系統(tǒng)和LIBS在線監(jiān)測(cè)系統(tǒng)兩部分組成。 如圖2所示, 激光除漆系統(tǒng)由光纖脈沖激光器(波長(zhǎng): 1 064 nm, 頻率范圍: 1～200 kHz, 功率范圍: 0～120 W, 脈寬范圍: 60～350 ns, 光斑聚焦直徑為 50 μm)、 掃描振鏡、 激光加工頭等組成。 LIBS在線監(jiān)測(cè)系統(tǒng)主要包括: 光纖光譜儀(型號(hào)FX 2000, 全波段探測(cè)范圍: 360～700 nm, 分辨率: 0.16 nm, 積分時(shí)間: 1 ms～60 s)、 采集探頭、 光纖、 計(jì)算機(jī)。

激光束入射至掃描振鏡, 在相關(guān)軟件的控制下, 掃描振鏡按照設(shè)定的路徑擺動(dòng), 從而實(shí)現(xiàn)激光束在樣品表面清洗, 該過(guò)程將產(chǎn)生等離子體。 同時(shí), 采集探頭采集等離子體信號(hào), 并通過(guò)光纖傳輸至光譜儀, 光譜儀對(duì)采集到的光信號(hào)進(jìn)行分光和數(shù)字轉(zhuǎn)換, 最終轉(zhuǎn)換成光譜數(shù)據(jù)并傳輸至計(jì)算機(jī)。

基于前期試驗(yàn), 選擇激光頻率為100 kHz, 掃描速度為3 000 mm·s-1, 掃描區(qū)域?yàn)?0 mm×10 mm。 為降低脈沖能量抖動(dòng)對(duì)LIBS光譜穩(wěn)定性的影響, 設(shè)置光譜儀積分時(shí)間為10 ms, 每幅LIBS光譜為連續(xù)1 000個(gè)激光脈沖產(chǎn)生等離子體的累積光譜。 激光功率從30 W開始, 以1.2 W為梯度遞增至40.8 W, 共10組激光參數(shù)。 相應(yīng)的激光能量密度范圍為15.29～20.79 J·cm-2。 面漆、 底漆、 鋁合金基體均采用上述10組激光參數(shù)進(jìn)行去除, 每組實(shí)驗(yàn)中各采集10幅LIBS光譜, 共采集300幅光譜作為標(biāo)準(zhǔn)光譜, 用于識(shí)別模型訓(xùn)練及測(cè)試。

2 結(jié)果與討論

2.1 數(shù)據(jù)預(yù)處理

與低頻脈沖激光單點(diǎn)作用采集的針狀譜[圖3(a)]相比, 高頻脈沖激光平面掃描采集光譜[圖3(b)]譜線較寬, 且包含很強(qiáng)的包絡(luò)狀連續(xù)背景, 如圖3。

圖3 低頻脈沖激光單點(diǎn)作用與高頻脈沖激光平面掃描采集LIBS光譜對(duì)比(a): 低頻脈沖激光單點(diǎn)作用采集LIBS光譜; (b): 高頻脈沖激光平面掃描采集LIBS光譜Fig.3 Comparison of LIBS spectra acquired by low-frequency pulsed laser single-point action and high-frequency pulsed laser plane scanning(a): LIBS spectra acquired by low-frequency pulsed lasers at a single point of action; (b): LIBS spectra acquired by high-frequency pulsed laser plane scan

低頻脈沖單點(diǎn)作用采集光譜的半峰全寬約為0.1 nm; 而高頻激光平面掃描采集譜線的半峰全寬約為1.5 nm。 譜線增寬主要是由于脈沖間隔時(shí)間為10 μs(由激光頻率為100 kHz可得), 而激光誘導(dǎo)等離子體持續(xù)時(shí)間約為十幾至幾十μs, 逐漸膨脹和冷卻的等離子體受后續(xù)激光作用再次激發(fā), 等離子體電子密度增大, 產(chǎn)生較強(qiáng)的斯塔克效應(yīng)所致[16]。 連續(xù)背景主要來(lái)自兩個(gè)方面: 首先, 每幅光譜是連續(xù)1 000個(gè)激光脈沖產(chǎn)生等離子體全生命周期的累積光譜, 等離子體產(chǎn)生初期, 黑體輻射、 韌致輻射及復(fù)合輻射共同作用使得光譜中存在較強(qiáng)連續(xù)背景[12]。 其次, 等離子體再次激發(fā)導(dǎo)致等離子體內(nèi)部碰撞加劇, 其電子密度、 電子溫度增大, 產(chǎn)生更多的韌致輻射, 連續(xù)背景進(jìn)一步增強(qiáng)。 連續(xù)背景導(dǎo)致特征光譜峰值強(qiáng)度無(wú)法直接反映等離子體發(fā)射光譜的強(qiáng)度, 影響光譜分析的準(zhǔn)確性, 故連續(xù)背景的有效去除是LIBS在線監(jiān)測(cè)必將面臨和解決的問(wèn)題。

對(duì)于低頻脈沖激光單點(diǎn)采集的針狀譜, 傳統(tǒng)均值平滑濾波算法可實(shí)現(xiàn)背景光譜的有效去除。 算法原理為: 每個(gè)數(shù)據(jù)點(diǎn)左右直接相鄰的若干個(gè)數(shù)據(jù)點(diǎn)構(gòu)成光譜滑動(dòng)窗, 從左至右依次滑動(dòng), 滑動(dòng)窗內(nèi)光譜強(qiáng)度的均值即為背景, 每個(gè)滑動(dòng)窗中心數(shù)據(jù)點(diǎn)的強(qiáng)度扣除該均值, 即可去除連續(xù)背景。 由于低頻脈沖激光單點(diǎn)采集的針狀譜半峰全寬約為0.1 nm, 一般小于光譜數(shù)據(jù)點(diǎn)間隔, 其直接相鄰的數(shù)據(jù)點(diǎn)均可視為背景, 故采用均值平滑濾波算法可獲得較好的效果。

高頻脈沖激光平面掃描采集的光譜半峰全寬約為1.5 nm, 遠(yuǎn)大于光譜數(shù)據(jù)點(diǎn)間隔, 特征譜線含多個(gè)數(shù)據(jù)點(diǎn), 其直接相鄰的數(shù)據(jù)點(diǎn)并非背景光譜, 傳統(tǒng)均值平滑濾波算法將導(dǎo)致光譜的峰值強(qiáng)度嚴(yán)重失真。 進(jìn)行如下改進(jìn): 滑動(dòng)窗由扣除數(shù)據(jù)點(diǎn)左右各1.5 nm(約9個(gè)光譜數(shù)據(jù)點(diǎn))后緊鄰的20個(gè)光譜數(shù)據(jù)點(diǎn)(左右各10個(gè)光譜數(shù)據(jù)點(diǎn), 即N=10)組成, 如圖4(a)。 將滑動(dòng)窗從左向右依次滑動(dòng), 滑動(dòng)窗內(nèi)光譜數(shù)據(jù)的均值記為背景值, 所有光譜強(qiáng)度值扣除對(duì)應(yīng)的背景值即為結(jié)果。 其轉(zhuǎn)換函數(shù)如式(1)

圖4 光譜連續(xù)背景處理前后對(duì)比(a): 原始光譜; (b): 傳統(tǒng)均值平滑濾波算法處理結(jié)果; (c): 改進(jìn)均值平滑濾波算法處理的結(jié)果Fig.4 Comparison of spectra before and after continuous background processing(a): Original spectrum; (b): The result of processing by the traditional mean smoothing filtering algorithm; (c): The result of processing by the improved mean smoothing filtering algorithm

(1)

式(1)中,yi為扣除背景后的強(qiáng)度,xi為原始光譜強(qiáng)度。

圖4為光譜連續(xù)背景處理前后對(duì)比。 原始光譜中1、 2、 3號(hào)峰的去除背景后強(qiáng)度分別約為: 3 559、 1 657和10 707 a.u., 如圖4(a)。 采用傳統(tǒng)均值平滑濾波算法[12]去除連續(xù)背景后, 1、 2、 3號(hào)峰值強(qiáng)度分別約為: 678、 588和2 041 a.u., 峰值強(qiáng)度明顯減小, 且1、 2號(hào)峰強(qiáng)度比例發(fā)生明顯改變, 如圖4(b)。 采用改進(jìn)均值平滑濾波算法去除背景后, 1、 2、 3號(hào)峰值強(qiáng)度分別約為: 3 517、 1 762和10 373 a.u., 與實(shí)際強(qiáng)度吻合良好, 如圖4(c)。

不同激光參數(shù)、 光譜儀積分時(shí)間下, 光譜強(qiáng)度存在顯著差異。 為保證后續(xù)算法的穩(wěn)定性, 還需消除不同尺度的影響, 即采用特征譜線的相對(duì)強(qiáng)度作為算法輸入。 采用Min-Max方法(也稱離差標(biāo)準(zhǔn)化法)將光譜數(shù)據(jù)歸一化為無(wú)量綱數(shù)據(jù), 使其結(jié)果均落到[0, 1]區(qū)間, 如圖5。 其轉(zhuǎn)換函數(shù)如式(2)

圖5 歸一化處理結(jié)果Fig.5 The result of normalization processing

yi=(xi-min{xj})/(max{xj}-min{xj})

(2)

式(2)中, max{xj}為光譜強(qiáng)度的最大值, min{xj}為光譜強(qiáng)度的最小值。

2.2 數(shù)據(jù)降維

LIBS光譜的數(shù)據(jù)維數(shù)約為2 000, 若將全譜數(shù)據(jù)作為算法的輸入, 數(shù)據(jù)量龐大, 且包含大量噪聲, 將導(dǎo)致算法收斂速度慢、 識(shí)別準(zhǔn)確率降低, 應(yīng)先進(jìn)行光譜數(shù)據(jù)降維。

特征譜線(即能代表激發(fā)元素的譜線)數(shù)量較全譜數(shù)據(jù)大幅減少, 同時(shí)有助于識(shí)別不同類別的光譜。 圖6為不同激光能量密度下, 三類材料的LIBS光譜, 例如Tc-15.29表示激光能量密度為15.29 J·cm-2時(shí), 面漆的LIBS光譜。 3類光譜在589.53 nm處均存在相對(duì)強(qiáng)度一致的特征譜線(相對(duì)強(qiáng)度均為1), 故不將其作為特征譜線進(jìn)行討論。 Tc類光譜中示蹤元素的特征譜線穩(wěn)定; Pr類光譜在激光功率較大時(shí), 示蹤元素Ti、 Cr的特征譜線(2、 3、 4、 6、 8、 9、 12)出現(xiàn); As類光譜在激光功率較大時(shí), 示蹤元素Mg、 Al、 Cr的特征譜線(1、 4、 5)出現(xiàn)。 示蹤元素特征譜線的不穩(wěn)定性增加了光譜識(shí)別的難度, 僅憑一條或幾條特征譜線進(jìn)行識(shí)別容易產(chǎn)生誤判, 故應(yīng)綜合考慮上述12條特征譜線。

圖6 特征譜線的確定Fig.6 Determination of eigenvalue lines

參考ASD原子光譜數(shù)據(jù)庫(kù)進(jìn)行譜線標(biāo)定, 結(jié)果如表2所示。 波長(zhǎng)與標(biāo)準(zhǔn)波長(zhǎng)存在一定誤差, 主要由基體效應(yīng)及環(huán)境因素影響[12]。 誤差最大值為0.098 2 nm, 為減小誤差對(duì)分析結(jié)果的影響, 取最大誤差作為尋峰的范圍, 即將標(biāo)準(zhǔn)波長(zhǎng)左右0.098 2 nm范圍內(nèi)譜線強(qiáng)度的最大值作為該特征譜線的強(qiáng)度。

表2 特征譜線誤差分析Table 2 Results of normalization processing

為進(jìn)一步提高識(shí)別模型的收斂速度, 縮短訓(xùn)練時(shí)間, 利用主成分分析(principal component analysis, PCA)對(duì)12條特征譜線進(jìn)行降維, 結(jié)果如圖7所示。 PCA處理后各主成分得分與累積得分如圖7(a), 左縱軸表示各主成分的解釋率, 右縱軸表示主成分的累計(jì)解釋率。 前3個(gè)主成分(PC1, PC2和PC3)的累計(jì)解釋率已達(dá)到95%, 可代表光譜的主要信息。 計(jì)算每幅光譜的前3個(gè)主成分得分, 顯示在由3個(gè)主成分向量組成的三維空間中, 如圖7(b)。 可以看出, 樣本的聚類效果較好, 同類樣本呈區(qū)域性聚集, 達(dá)到了明顯的區(qū)域劃分效果, 但鋁合金基體與底漆兩類光譜中存在相近樣本, 需借助算法進(jìn)一步識(shí)別。

圖7 3類樣品LIBS數(shù)據(jù)的PCA分析結(jié)果(a): 各主成分解釋率和累計(jì)解釋率; (b): 標(biāo)準(zhǔn)光譜分布圖Fig.7 PCA analysis results of LIBS data from 3 samples(a): The interpretation rate and cumulative interpretation rate of each principal component; (b): Distribution plot of standard spectral data

2.3 支持向量機(jī)(SVM)識(shí)別模型

從每類樣品的100幅光譜中隨機(jī)取60幅用于訓(xùn)練, 即訓(xùn)練組包含180幅光譜; 每類樣品剩余40幅光譜用于測(cè)試, 即測(cè)試集包含120幅光譜。 以2.2節(jié)中的PC1, PC2和PC3主成分代替3類樣品的全譜數(shù)據(jù), 構(gòu)建特征空間向量, 特征向量構(gòu)成的數(shù)據(jù)作為SVM識(shí)別模型的輸入量。 為保證模型穩(wěn)定性, 采用五折交叉驗(yàn)證方式進(jìn)行模型評(píng)估, 并進(jìn)行多次隨機(jī)劃分訓(xùn)練集和測(cè)試集并訓(xùn)練網(wǎng)絡(luò)。 識(shí)別結(jié)果的混淆矩陣如圖8所示, 訓(xùn)練集、 測(cè)試集的識(shí)別準(zhǔn)確率分別為99.44%、 100%。 測(cè)試集120幅光譜的識(shí)別總時(shí)間約為0.001 s, 平均每幅光譜的識(shí)別時(shí)間為0.008 ms。 結(jié)果表明: 建立的PCA-SVM模型實(shí)現(xiàn)了面漆、 底漆、 鋁合金基體光譜的快速、 準(zhǔn)確識(shí)別, 形成了多漆層結(jié)構(gòu)樣品激光可控去除過(guò)程的LIBS在線監(jiān)測(cè)判定規(guī)則。

圖8 3類光譜PCA-SVM模型識(shí)別結(jié)果的混淆矩陣(a): 訓(xùn)練集; (b): 測(cè)試集Fig.8 Confusion matrix of PCA-SVM model identification results for 3 types of spectral data(a): Train data; (b): Test data

3 結(jié)果與討論

采用均勻涂覆雙層漆的鋁合金樣品進(jìn)行驗(yàn)證實(shí)驗(yàn), 實(shí)驗(yàn)參數(shù)如表3所示, 掃描區(qū)域?yàn)?0 mm×10 mm。 在T5實(shí)驗(yàn)過(guò)程中, 設(shè)置光譜儀積分時(shí)間為10 ms, 每次掃描過(guò)程各采集5幅光譜, 共采集25幅, 并按時(shí)間順序編號(hào)。

表3 驗(yàn)證實(shí)驗(yàn)激光參數(shù)Table 3 Laser parameters of validated experiments

提取每幅光譜的12條特征譜線強(qiáng)度, 計(jì)算其在主成分PC1、 PC2、 PC3上的分量, 繪制光譜分布圖, 結(jié)果如圖9(a)。 圖9(b)為標(biāo)準(zhǔn)光譜分布圖, 對(duì)比可知, 第1～2次、 第3～4次、 第5次掃描采集光譜的分布區(qū)域分別與標(biāo)準(zhǔn)光譜中面漆、 底漆、 鋁合金基體的分布區(qū)域吻合。

圖9 光譜分布圖(a): 驗(yàn)證實(shí)驗(yàn)采集光譜分布圖; (b): 標(biāo)準(zhǔn)光譜分布圖Fig.9 Three-dimensional scatter plot of the first 3 principal components of the spectral data(a): Spectral data of validated experiments; (b): Spectral data used for modeling

將上述PC1, PC2和PC3主成分構(gòu)成的數(shù)據(jù)輸入SVM識(shí)別模型, 識(shí)別結(jié)果如圖10所示。 第1～2次、 第3～4次、 第5次掃描采集光譜的識(shí)別結(jié)果分別為面漆、 底漆、 鋁合金基體。

圖10 PCA-SVM模型識(shí)別結(jié)果Fig.10 Recognition results of PCA-SVM model

不同掃描次數(shù)下樣品的宏觀圖如圖11所示。 第1次掃描后, 樣品呈灰白色, 如圖11中T1所示, 表明第1次掃描去除了部分面漆; 第2次掃描后, 白色面漆呈星點(diǎn)狀殘余, 露出綠色底漆, 如圖11中T2所示, 表明第2次掃描后, 恰好達(dá)到底漆與面漆的分界處, 第2次掃描去除了剩余面漆及少量底漆; 第3次掃描后, 樣品呈綠色, 如圖11中T3所示, 表明第3次掃描去除了部分底漆; 第4次掃描后, 底漆基本去除, 露出黃色氧化膜, 如圖11中T4所示, 表明第4次掃描去除了剩下的底漆; 第5次掃描后, 露出金屬光澤, 如圖11中T5所示, 表明第5次掃描去除了氧化膜和部分鋁合金基體。 即第1～2次、 第3～4次、 第5次掃描去除的材料主要為面漆、 底漆、 鋁合金基體材料。

圖11 不同掃描次數(shù)下樣品宏觀圖Fig.11 Macroscopic plot of samples with different numbers of scan

上述分析結(jié)果與PCA-SVM模型識(shí)別結(jié)果一致。 驗(yàn)證實(shí)驗(yàn)結(jié)果表明: PCA-SVM模型可實(shí)現(xiàn)多漆層結(jié)構(gòu)激光除漆過(guò)程中, 面漆、 底漆、 鋁合金基體3類光譜的快速、 準(zhǔn)確識(shí)別, 驗(yàn)證了多漆層結(jié)構(gòu)激光可控去除過(guò)程LIBS在線監(jiān)測(cè)判定規(guī)則的有效性。

4 結(jié) 論

以高頻(kHz級(jí))納秒脈沖激光器作為激發(fā)LIBS光譜的激光源, 搭建了激光除漆LIBS在線監(jiān)測(cè)平臺(tái), 對(duì)比分析了實(shí)際除漆過(guò)程中, 激光去除不同材料(面漆、 底漆、 鋁合金基體)時(shí)的3類LIBS光譜。 針對(duì)高頻脈沖激光平面掃描采集光譜的特點(diǎn)(含有較強(qiáng)的連續(xù)背景光譜、 半峰全寬約1.5 nm), 對(duì)傳統(tǒng)均值平滑濾波算法進(jìn)行了改進(jìn), 在去除背景光譜的同時(shí)有效避免了特征譜線峰值強(qiáng)度失真。 實(shí)際激光除漆過(guò)程中, 由于除漆區(qū)域存在微區(qū)不均勻性, 特征譜線呈現(xiàn)出一定的隨機(jī)性與不穩(wěn)定性, 光譜識(shí)別難度較大。 采用SVM機(jī)器學(xué)習(xí)算法實(shí)現(xiàn)了3類光譜的快速、 準(zhǔn)確識(shí)別, 進(jìn)而形成了多漆層結(jié)構(gòu)樣品激光可控去除過(guò)程的LIBS在線監(jiān)測(cè)判定規(guī)則, 結(jié)合雙層漆樣品激光除漆實(shí)驗(yàn), 進(jìn)一步驗(yàn)證了判定規(guī)則的有效性。 研究結(jié)果為激光分層可控除漆在線監(jiān)測(cè)提供了有效的判定規(guī)則, 可為飛機(jī)蒙皮激光分層除漆過(guò)程監(jiān)測(cè)及自動(dòng)化解決方案提供核心技術(shù)支撐。