激光誘導擊穿光譜的高鐵車輪鋼晶粒度等級研究

歐陽愛國，余 斌，胡 軍，林同征，劉燕德

華東交通大學智能機電裝備創(chuàng)新研究院，江西 南昌 330013

引 言

近年來，高速鐵路因其高效、 便捷、 安全性高等優(yōu)點在國內外得到了快速發(fā)展。高速車輪作為高鐵的關鍵性行走部件，其安全可靠與否直接影響到列車的平穩(wěn)運行；由于其服役條件的開放性，常常會受到低溫等惡劣的環(huán)境影響，在低溫疲勞過程中，鋼的晶粒尺寸對車輪性能的影響是關鍵而明顯的[1-2]。材料的力學性能、 物理特性與晶粒尺寸息息相關，控制晶粒尺寸能夠優(yōu)化材料性能[3]。因此對高鐵車輪鋼的晶粒度等級進行檢測研究對維持高速列車服役安全性、 延長高速車輪使用壽命具有重要意義。

激光誘導擊穿光譜技術(laser-induced breakdown spectroscopy, LIBS)是一種新興的分析技術，可實現(xiàn)對樣品的定向以及定量分析, 具有多元素分析、 快速檢測以及對樣品破壞小等優(yōu)點，被應用于冶金分析和生物醫(yī)學分析等方面[4-7]。近年來，許多研究人員利用該技術在金屬材料檢測領域開展了大量的工作，戴沅等[8]對不同晶粒度等級的12Cr1MoV合金鋼的激光誘導擊穿特性進行了研究，發(fā)現(xiàn)晶粒度等級與激光誘導擊穿光譜特性存在較大的關聯(lián)性，且關聯(lián)性受激光能量和延時的影響。李軍等[9]對不同老化等級的T91鋼的等離子特性進行了研究，發(fā)現(xiàn)隨著老化的加劇，存在于晶格中的碳化物顆粒尺寸逐漸增大，同時試樣硬度也相應降低。陸盛資等[10]采用激光誘導擊穿光譜技術獲取了8個不同老化等級的T91鋼和7個不同晶粒度等級的12Cr1MoV合金鋼的光譜信息，研究了LIBS數(shù)據(jù)的不同特征選擇方法對金屬特性檢測模型的影響，結果表明波長區(qū)間分層迭代篩選方法對模型表現(xiàn)的提升最大，且建立模型所需要的變量數(shù)更少。

目前，LIBS在車輪鋼的晶粒度等級檢測方面應用較少，考慮到不同晶粒尺寸對車輪力學性能的影響，鑒于LIBS技術具有快速檢測、 無損分析等特點，提出了使用LIBS技術檢測不同晶粒度等級樣品的方法，分析光譜譜線特征與晶粒度等級的關聯(lián)性，為LIBS技術應用于不同晶粒度等級的高鐵車輪鋼研究提供一定的科學依據(jù)。

1 實驗部分

1.1 樣品制備

ER8鋼是我國高速列車車輪廣泛使用的鋼種之一，具有較高的硬度和優(yōu)良的耐磨性，能夠很好地適應高速列車服役的復雜環(huán)境[11]。其主要化學成分如表1所示。實驗樣品為直徑20 mm，高10 mm的5塊圓柱體。

表1 ER8鋼主要化學成分含量(質量分數(shù)，%)Table 1 Main chemical composition of ER8 steel(Wt%)

將原始樣品在實驗室管式爐(SK-G08123K)中進行875 ℃正火，保溫1.5 h，取出空冷后，再對其進行900 ℃淬火，保溫1.5 h，取出水冷，編號為1號樣品。將未做熱處理的原始樣品，編號為2號樣品。將原始樣品在實驗室管式爐中進行950 ℃回火，保溫2 h，取出空冷，得到3號樣品。將原始樣品在實驗室管式爐中進行875 ℃正火，保溫1.5h，取出空冷后，再對其進行810 ℃淬火，保溫1.5 h，取出水冷，編號為4號樣品。將原始樣品在管式爐中進行800 ℃正火，保溫1.5 h，取出鹽水冷卻，得到5號樣品。將得到的5個樣品表面分別放置于型號為BUEHLER EcoMet30的磨拋機上磨樣拋光，每個樣品用砂紙從120目到2 000目按照約400的梯度進行研磨，然后使用粒度為3 μm的金剛石懸濁液進行粗拋，再使用粒度為1 μm的金剛石懸濁液進行精拋至鏡面，并用無水乙醇清洗以去除表面氧化層。將得到的樣品用10%硝酸酒精溶液侵蝕，根據(jù)拋光面的變化，判斷樣品的侵蝕程度，達到要求后再用流水沖洗樣品，并用無水乙醇沖洗，吹干。最后用型號為徠卡DMI 8的金相顯微鏡觀察微觀組織，并使用軟件Leica LAS4.12進行晶粒度統(tǒng)計，使用面積法測量晶粒的平均直徑。金屬組織中材料的晶粒大小用晶粒度來表示；樣品在不同的熱處理條件下，得到不同的晶粒大小。實驗樣品熱處理后得到的晶粒度等級分別為9.5級、 10.0級、 10.5級、 11.0級以及11.5級，共5種不同的晶粒度等級。圖1是金相顯微鏡放大100倍后得到的5種不同晶粒度等級樣品的金相組織圖。

表2 不同熱處理條件下的晶粒度等級Table 2 Grain size grades of sample underdifferent heat treatment conditions

圖1 不同晶粒度樣品100倍放大金相組織圖 (a): 9.5級；(b): 10.0級；(c): 10.5級； (d): 11.0級；(e): 11.5級

檢測晶粒度等級后，由于侵蝕液對樣品表面有一定的影響，因此需要對樣品重新進行磨拋，重復上述步驟，將試樣表面磨拋至鏡面，然后用無水乙醇對樣品進行清洗，這樣不僅可以保證樣品的高度平整，還可以減小表面氧化層和污染物對LIBS測量的影響[12]。

1.2 儀器及參數(shù)

實驗使用的LIBS設備型號為海洋光學的MX2500+，LIBS系統(tǒng)原理圖如圖2所示。通過Q開關Nd∶YAG激光器激發(fā)出較高能量的激光，其脈沖寬度為納秒量級，經反射后通過透鏡聚焦到樣品表面，剝離樣品表面微量物質形成等離子體。將光纖置于樣品上方，通過光纖收集等離子體信號，并傳輸入5個通道的多通道光譜儀；正確設置與光譜儀配套的MaxLIBS軟件的相關參數(shù)，采集相關元素的波長與信號強度。

圖2 LIBS系統(tǒng)原理圖Fig.2 A schematic diagram of LIBS system

激光能量設置為50 mJ；光譜儀的波長范圍為198.71～727.69 nm，光學分辨率0.1 nm，聚焦透鏡的焦距為75 mm，光譜儀的門寬為1 ms，延遲時間設為2 500 ns?？紤]到試樣成分的不均勻性以及改變激光作用位置時LIBS系統(tǒng)激光能量的不穩(wěn)定性，設計并實現(xiàn)了在每個樣品表面上測量5×5矩形陣列共25個點的專用方案，每個位置利用激光脈沖燒蝕200次，相鄰點之間的距離設置為≈0.6 mm，以盡量減少燒蝕點之間的相互影響。

1.3 數(shù)據(jù)處理

由于激光脈沖燒蝕樣品的次數(shù)不斷增加，會導致彈坑的深度和形狀發(fā)生改變，影響后續(xù)的激光燒蝕和發(fā)射線強度的變化，因此, 對于每個試樣，去除所有測量點前30次激光脈沖的光譜，利用第31至第200次激光脈沖的光譜數(shù)據(jù)的平均值進行分析，以減少試樣表面對激光燒蝕的影響[13]。

為了有效降低噪聲、 減小激光器激光能量的波動、 減小或消除各種外部環(huán)境的差異、 光譜儀分辨率的差異以及樣品不均勻等因素的影響，在建模前對LIBS測得的光譜數(shù)據(jù)進行光譜預處理[14]。

標準正態(tài)變量變換(standard normal variate transformation, SNV)可將影響光譜信息的干擾因素消除[15]。具體公式如式(1)和式(2)所示

(1)

(2)

其中，m為波長點數(shù)，k=1，2，…，m。

2 結果與討論

2.1 光譜特性分析

為了分析不同晶粒度等級的樣品與激光燒蝕等離子體光譜特性的差異，實驗分析了不同晶粒度等級的樣品的基體元素Fe和合金元素Cr，Mo以及Co的譜線強度，選擇Fe Ⅰ 404.581 nm，Cr Ⅰ 425.433 nm，Mo Ⅰ 386.410 nm和Co Ⅰ 241.162 nm特征譜線作為研究對象，如圖3所示，黑色曲線代表的是9.5級晶粒度的LIBS光譜，紅色曲線代表10.0級晶粒度的LIBS光譜，藍色曲線代表10.5級晶粒度的LIBS光譜，綠色曲線代表11.0級晶粒度的LIBS光譜，紫色曲線則代表11.5級晶粒度的LIBS光譜。從圖中可以觀察到晶粒度等級越高對應的基體元素Fe和合金元素Mo的光譜強度越大，這表明Fe和Mo元素的譜線強度與樣品的晶粒度等級存在不同程度的正相關關系；晶粒度等級越低對應的合金元素Cr和Co的光譜強度越大，這表明Cr和Co元素的譜線強度與樣品的晶粒度等級存在不同程度的負相關關系。這是因為不同元素的激發(fā)特性和自吸收效應各不相同，因此光譜強度的斜率也各不相同。樣品晶粒度等級越高，對應的晶格尺寸越小，相對而言晶界所占據(jù)的面積也越大，在一般金屬材料中，晶界的熔點往往比晶格的熔點低，對于晶格尺寸小的11.5級晶粒度樣品來說，激光光斑覆蓋的晶格數(shù)量更多，光斑所覆蓋的晶界面積也越大，由于晶界熔點比晶格低，樣品在激光燒蝕過程中更容易被加熱融化從而形成等離子體。在相同大小光斑的作用下，由于光斑包含的晶格數(shù)量和覆蓋的晶界面積不同，所以激光燒蝕樣品得到的信號也不相同，從而能較好地反應不同晶粒度等級樣品之間的差異。

圖3 5個樣品的Fe，Cr，Mo和Co的LIBS光譜 (a): 402～406 nm波長范圍；(b): 423～427 nm波長范圍； (c): 384～388 nm波長范圍；(d): 239～243 nm波長范圍Fig.3 LIBS spectra of Fe, Cr, Mo and Co of 5 samples (a): the wavelength range of 402～406 nm; (b): the wavelength range of 423～427 nm; (c): the wavelength range of 384～388 nm; (d): the wavelength range of 239～243 nm

2.2 建立晶粒度模型

2.2.1 利用譜線強度進行模型建立

為了對樣品的晶粒度等級進行定性分析，分別采用SNV、 多元散射校正(multiplicative scatter correction, MSC)和SG卷積平滑三種不同的預處理方法對全波段的譜線強度進行處理，然后利用所提取的特征波段建立偏最小二乘判別分析(partial least squares-discriminant analysis, PLS-DA)模型，用模型的正確率來評價模型的精度。人為的將9.5級晶粒度設定為類別0，10.0級晶粒度設定為類別1，10.5級晶粒度設定為類別2，11.0級晶粒度設定為類別3，11.5級晶粒度設定為類別4。按3∶1劃分為建模集和預測集，即建模集有95個樣本，預測集有30個樣本。模型的評價指標結果如表3所示，結果表明采用SNV預處理結合PLS-DA建立的模型效果最好，如圖4所示，建模集誤判個數(shù)為4個，準確率為95.7%，而預測集誤判個數(shù)為3個，模型的準確率為90%。

表3 模型評價指標結果Table 3 Results for model evaluation indeces

圖4 全波段譜線強度采用SNV預處理后的偏最小二乘判別分析模型 (a): 建模集；(b): 預測集Fig.4 Modelling results of PLS-DA based on full band spectral intensities pretreated by SNN (a): Training set; (b): Prediction set

2.2.2 特征波長篩選

由于全波段的光譜數(shù)據(jù)量大且存在冗余信息，因此需要對數(shù)據(jù)進行降維，減少冗余，以簡化模型并提高建模效率。分別選用競爭性自適應重加權算法(competitive adaptive reweighted sampling, CARS)、 連續(xù)投影算法(successive projections algorithm, SPA)和CARS-SPA三種方法對經過SNV預處理后的光譜數(shù)據(jù)進行特征波長篩選。

CARS篩選波長過程如圖5所示，圖5(a)為模型變量個數(shù)隨采樣運行次數(shù)的變化趨勢，圖5(b)為RESECV隨采樣運行次數(shù)的變化趨勢，圖5(c)為回歸系數(shù)路徑隨采樣運行次數(shù)的變化趨勢，經過CARS波段篩選最終篩選出31個特征波長。

圖5 CARS篩選波長過程Fig.5 CARS wavelength screening process

SPA篩選過程如圖6所示，圖6(a)為SPA挑選波長過程中均方根誤差的變化趨勢和光譜變量個數(shù)的選擇，圖6(b)為經過SPA波長篩選后的特征波長對應的具體位置，經過SPA波段篩選最終篩選出10個特征波長。

將CARS波段篩選后的數(shù)據(jù)使用SPA進行二次變量的篩選，這有利于優(yōu)化模型結構，使各種算法的優(yōu)勢最大化。圖7(a)為CARS-SPA挑選波長過程中均方根誤差的變化趨勢，共挑選出14個特征波長變量，圖7(b)為挑選出的14個特征波長對應的具體位置。

圖7 CARS-SPA篩選波長過程Fig.7 CARS-SPA wavelength screening process

2.2.3 基于不同波長篩選方法的模型建立

將經過CARS，SPA和CARS-SPA三種方法篩選出來的特征波長分別建立PLS-DA模型，模型結果如表4所示，可以看到，CARS篩選波長后建立的模型效果最佳，模型的建模集誤判個數(shù)為2個，準確率為97.9%，預測集的誤判個數(shù)為1個，準確率為96.7%，準確率均高于90%以上，能較好的將不同晶粒度等級的樣品進行分類，而經過SPA篩選波長后建立的模型效果較差，經過CARS-SPA篩選的特征波長數(shù)量雖相比CARS少，但其模型效果不如CARS好。

表4 基于不同波長篩選方法的偏最小二乘判別分析結果Table 4 PLS-DA discriminant analysis results based on different characteristic wavelength screening methods

3 結 論

以不同晶粒度等級的ER8高鐵車輪鋼為研究對象，利用LIBS獲取樣本的光譜信息，基體元素Fe和合金元素(Cr，Mo，Co)的譜線強度均與樣品晶粒度等級存在不同程度的相關性。使用SNV，MSC和SG卷積平滑三種預處理方法，以譜線強度為變量建立PLS-DA模型，得到SNV預處理后的PLS-DA模型準確率最高，建模集的準確率為95.7%，預測集的準確率為90%。另外，將經過SNV預處理后的光譜數(shù)據(jù)分別采用CARS，SPA和CARS-SPA三種不同的波長篩選方法進行特征波長篩選，并分別建立PLS-DA模型，對比得出經過CARS波段篩選后建立的PLS-DA模型效果最佳，經過CARS篩選共得到31個特征波長，建模集的準確率為97.9%，預測集的準確率為96.7%。綜合分析認為經過SNV預處理和CARS波段篩選后建立的PLS-DA模型效果最佳。研究表明，采用激光誘導擊穿光譜技術結合競爭性自適應重加權算法、 偏最小二乘判別分析法識別高鐵車輪鋼晶粒度等級具有一定可行性，可將其用于評估車輪鋼表面晶粒度等級從而進一步預測車輪性能，同時也為LIBS技術應用于不同晶粒度等級的高鐵車輪鋼研究提供了一定的基礎依據(jù)。