T91 金屬管道表面特性對LIBS 測量的影響

華南理工大學 電力學院，廣東 廣州 510640

隨著現(xiàn)代社會的不斷發(fā)展，社會的用電需求也在不斷提高，越來越多的高性能發(fā)電機組被投入運行來滿足社會的用電需求，這也導致了火電廠的安全運行問題越發(fā)突出。鍋爐是火電廠中的重要部件，其中過熱器管、再熱器管、水冷壁管和省煤器管等高溫承壓管道是鍋爐內(nèi)部的主要組件[1]。統(tǒng)計結(jié)果表示，鍋爐的高溫承壓管的爆漏事件占火電廠機組非計劃停運事件的50%左右[2]。所以，能夠準確預測鍋爐內(nèi)高溫高壓管道的失效情況，對保證火電廠的安全運行具有重大的現(xiàn)實意義。

激光誘導擊穿光譜(laser-induced breakdown spectroscopy,LIBS)是利用脈沖激光作用于樣品表面，激發(fā)包含光譜信息的等離子體，通過光譜分析以實現(xiàn)對樣品的定性和定量分析，是新型的激光光譜無損、快速檢測技術(shù)[3]。姚順春等[4]研究了不同金屬組織和不同球化程度的鍋爐受熱面材料樣品在脈沖激光作用下形成的等離子體特性，通過分析譜線強度、等離子體溫度以及激光燒蝕體積等激光等離子體特性，得到了不同失效狀態(tài)的樣品與等離子體特性的對應關(guān)系，為LIBS 技術(shù)應用于火電廠的高溫承壓材料的失效預測提供了理論基礎。

支持向量機(SVM)是機器學習中一種重要的分類算法，韋麗萍等[5]將激光誘導擊穿光譜技術(shù)應用于燃煤熱值的定量分析，選擇了44 種不同熱值含量的煤樣，提出了基于k折交叉驗證參數(shù)優(yōu)化支持向量機算法，取得了良好的分析精確度和準確度。陸盛資等[6]將激光誘導擊穿光譜技術(shù)應用到不同老化等級的T91 金屬樣品的分類中，分析對比了不同老化等級樣品的等離子體光譜特性，利用不同光譜變量集建立了SVM 金屬受熱面老化等級預測模型。

本文在已有研究基礎上，將激光誘導擊穿光譜應用到火電廠高溫承壓的實際管道失效檢測中，選擇不同老化等級的T91 鋼樣品作為SVM 老化等級預測模型的訓練集，對來自火電廠的2 種不同老化等級的T91 鋼管道的表面采用打磨與未處理2 種處理方法[7]，研究實際運行管道表面特性對于激光光譜的影響和將LIBS 技術(shù)直接應用于工程實際的可行性。

1 實驗系統(tǒng)與樣品

1.1 實驗系統(tǒng)

本實驗使用的實驗設備為LIBS 臺式硬件集成一體機，該設備為美國Applied Spectra 公司的J200 激光誘導擊穿光譜分析設備，圖1 為LIBS 系統(tǒng)簡要原理圖。

圖1 實驗系統(tǒng)示意

J200LIBS 一體機使用Nd:YAG 調(diào)Q 脈沖激光器作為激光光源，其波長為266 nm，脈沖激光寬度為4 ns。該一體機擁有自動對焦系統(tǒng)，可以通過移動三維電動平移臺來控制樣品表面距離激光聚焦透鏡的距離，保持聚焦激光在樣品表面上的焦深為恒定。一體機光譜儀的最小門寬為1.1 ms，波長覆蓋范圍為185～1 045 nm，分辨率為0.05 nm。本次實驗的激光能量為4.3 mJ，激光脈沖頻率為3 Hz。脈沖激光與光譜儀之間的延遲時間設置為0.5 μs。

1.2 樣品

本實驗選取了老化等級為1～5 的12 個T91鋼樣品，樣品標簽與老化等級如表1 所示。

表1 樣品的老化等級

這8 個訓練集樣品，包括3 個電廠真實運行后的鑲嵌打磨管樣，以及5 個人工制備的高溫時效試樣。在Li 的研究中[8]，詳細介紹了獲取這些不同老化等級T91 鋼人工試樣的熱處理過程，這里僅作簡要敘述。為了得到不同老化等級的T91 試樣，參考標準GB/T4338-2006[9]，將由日本住友金屬公司制作的T91 原管切割處理，然后將鋼帶在700 ℃、2 500 N，675 ℃、3 500 N，650 ℃、4 500 N，600 ℃、7 500 N 的加熱溫度和機械負荷的不同組合下進行處理。這樣，得到不同老化狀態(tài)的鋼材樣品。對不同老化狀態(tài)的T91 鋼材進行金相檢驗。根據(jù)標準DL/T 884-2004[10]，將所有樣品定性分為5 個老化等級。對每個人工制備樣品表面的100 個不同位置進行100 次激光脈沖燒蝕，每個位置獲取12 800 幅原始的光譜。

同時，實驗選取了來自2 根分別取自某火電廠鍋爐高溫過熱器與高溫再熱器的T91 鋼換熱管，作為被預測的樣品，如圖2 所示。參考標準DL/T 884-2004，對鋼材依次進行取樣、鑲嵌制樣、粗磨、細磨、拋光、浸蝕、觀察拍照，得到其老化等級分別為1、3。對表面未做任何處理的原始管道樣品的部分表面進行手工稍作打磨至出現(xiàn)金屬光澤，從而得到老化等級為1 和3 的打磨樣品與未處理樣品，如圖3 所示。激光脈沖對4 個樣品表面的100 個不同位置分別進行200 次燒蝕。

圖2 高溫過熱器T91 鋼管與高溫再熱器T91 鋼管

圖3 高溫過熱器T91 鋼管與高溫再熱器T91 鋼管的打磨樣品與未處理樣品

圖3 中，其上方區(qū)域為未處理部分，下方出現(xiàn)金屬光澤區(qū)域為打磨部分。

2 結(jié)果與討論

2.1 光譜特性

T91 實際管道具有代表性的波長范圍為185～700 nm 的光譜數(shù)據(jù)平均后獲得如圖4 所示光譜圖。可以看到樣品基體元素(Fe)和合金元素(Cr、Mn 和Mo)的大量特征譜線都能被很好地在光譜圖中被探測和分辨。

圖4 樣品具有代表性的光譜

在一定條件下，脈沖激光燒蝕不同老化等級的金屬樣品的差異可以通過樣品間的某些代表性元素的平均譜線強度的差異來體現(xiàn)。分為5 種老化等級的10 個樣品的代表性元素的平均譜線強度變化如圖5 所示。其中，1～10 樣品編號的大小隨老化等級的增大而增大。5 個人工時效試樣按老化等級1～5 對應樣品編號為1、4、6、8、9；3 個實際管道鑲嵌試樣按老化等級1、2、5 對應樣品編號為2、5、10；2 個打磨實際管道試樣按老化等級1、3 對應樣品編號為3、7。觀察圖5 中平均譜線強度與老化等級的關(guān)系，發(fā)現(xiàn)這些基體元素的譜線強度與老化等級存在較好的正相關(guān)性。但并不能直接利用這種正相關(guān)性預測樣品的老化等級，因為光譜信息中包含了大量的干擾信息，需要對信息進行篩選和處理才可能得到理想的預測結(jié)果。

圖5 譜線強度與金屬老化等級之間的關(guān)聯(lián)性

T91 實際管道隨著激光脈沖數(shù)的增加，打磨樣品與未處理樣品的代表元素譜線強度的變化趨勢如圖6 所示，可以發(fā)現(xiàn)稍作打磨后的實際運行管道的譜線強度的波動較小，比較穩(wěn)定。這與之前實驗結(jié)果一致[6,11]。而未打磨處理的實際管道的譜線強度有明顯的變化，特別是在前100 激光脈沖段內(nèi)有較大的變化，且與稍作打磨的實際管道樣品有較大差別，而在100～200 的激光脈沖段，未打磨處理的樣品與打磨樣品的譜線強度與變化趨于一致。可能的原因是在前100 脈沖段，實際管道表面特性對激光脈沖的燒蝕造成了影響，導致了與打磨的樣品出現(xiàn)了譜線強度上的差別[12]。在100 次激光脈沖燒蝕后，實際管道表面的氧化層被擊穿，激光作用于管道真實表面，導致譜線強度與打磨后的趨于統(tǒng)一。由此，選取未打磨的實際管道的100～200 次激光脈沖的光譜數(shù)據(jù)，作為有效的光譜數(shù)據(jù)，在老化等級模型中進行預測。

圖6 隨著激光脈沖數(shù)的增加，打磨樣品與未處理樣品的代表元素譜線強度的變化趨勢

2.2 SVM 老化等級預測模型結(jié)果

支持向量機(SVM)是機器學習中一種重要的分類算法，由Corte 等[13]于1995 年首先提出，在面對小樣本、非線性及高維的分類問題時有明顯優(yōu)勢。SVM 核函數(shù)的選擇和核函數(shù)參數(shù)的設置對其分類準確率有很大影響。考慮到在線分析對分析速度的要求，而且LIBS 光譜數(shù)據(jù)屬于高維數(shù)據(jù)，本文的核函數(shù)選擇了線性核函數(shù)[14]。另外，本文選擇了互信息這一特征選擇方法對光譜數(shù)據(jù)進行降維[15?17]。本文的光譜數(shù)據(jù)處理算法均通過使用Scikit-learn[18]工具包編寫的Python 語言腳本實現(xiàn)。

本文將8 個樣品作為訓練集樣品，選取了第30～100 次的脈沖光譜數(shù)據(jù)，平均后作為訓練集的樣品輸入到SVM 模型[19]。為了估計與提高SVM模型的性能，對訓練集進行交叉驗證[20?21]。將來自老化等級分別為1、3 的電廠實際運行管道的4 個樣品作為預測樣品，選取了第100～200 次的脈沖光譜數(shù)據(jù)，平均后作為預測集的樣品輸入到SVM 模型，結(jié)果列于表2。

表2 SVM 老化等級模型的交叉驗證與預測結(jié)果

由表2 可知，由3 個電廠真實運行后的管樣，以及5 個人工制備的高溫時效試樣組成的老化等級模型，在5 折交叉驗證的表現(xiàn)中較好，準確率達到0.922 5，說明老化等級模型具有較好的預測能力。預測老化等級分別為1 和3 的實際運行管道的打磨與未處理樣品，都得到了較好的預測結(jié)果，說明老化等級模型在不同的樣品中保持了較好的穩(wěn)定性與泛化能力，同時，可以發(fā)現(xiàn)打磨與未處理樣品的預測準確率差別較小，說明選取未打磨的100～200 脈沖激光段得到的光譜數(shù)據(jù)可得到較好的模型預測結(jié)果，從而避免表面未處理樣品的表面特性對LIBS 測量的干擾，得到較好的老化等級模型預測效果。

2.3 SVM 老化等級模型的魯棒性分析

為了研究SVM 金屬老化等級模型在不確定性的擾動下保持性能不變的能力，需要對預測模型的魯棒性進行評估。本文利用隨機算法，挑選部分訓練集的光譜數(shù)據(jù)去建立SVM 老化等級模型，3 次隨機挑選的樣品占原訓練集樣品的百分比為85%、50%、25%，即選取每個樣品100 個測量點中的85、50 和25 個光譜數(shù)據(jù)樣本用于建立3 個不同的SVM 預測模型，其中每個百分比設置將重復5 次測量點挑選和建模，平均后以獲得統(tǒng)計結(jié)果[6]。

魯棒性分析的結(jié)果如圖7 所示，SVM 老化等級模型的訓練集5 折交叉驗證準確率以及預測集準確率隨著用于建立模型的光譜樣本數(shù)的減少而減少，但利用85%、50%的測量點光譜數(shù)據(jù)所建立預測模型依然擁有較高的準確率和穩(wěn)定的表現(xiàn)。這個結(jié)果意味著SVM 預測模型擁有較為可靠的特征提取能力和泛化能力，說明SVM 老化等級模型檢測結(jié)果的有效性是可信的。

圖7 不同百分比的測量點光譜數(shù)據(jù)建立的SVM 預測模型的平均準確率

3 結(jié)論

1)將LIBS 技術(shù)應用于火力發(fā)電廠實際運行管道的老化等級預測，對比表面打磨處理樣品與表面未處理樣品的Fe、Cr 等代表管道重要性質(zhì)的基體及合金元素譜線的譜線強度隨脈沖數(shù)的變化情況，發(fā)現(xiàn)表面特性的影響在前100 的激光脈沖內(nèi)較為明顯，在100～200 的激光脈沖段，打磨與未打磨樣品的譜線趨于相同。

2)在此現(xiàn)象下，將表面未處理樣品的100～200 激光脈沖段光譜數(shù)據(jù)輸入SVM 老化等級模型，得到了與打磨樣品相似且良好的預測結(jié)果。

以上結(jié)果表明，選取合適的激光脈沖段可避免金屬管道的表面特性對LIBS 測量的影響，直接測量未處理表面的金屬管道樣品可以得到較好的老化等級預測結(jié)果，為LIBS 技術(shù)應用到火電廠金屬管道受熱面失效檢測提供了方案。