Magnesiumlegierungen werden aufgrund ihrer geringen Dichte, ihrer hohen spezifischen Festigkeit und ihrer hervorragenden Korrosionsbeständigkeit in der Luft- und Raumfahrt, der Automobil- und der Elektronikindustrie weit verbreitet eingesetzt. Die laserspektroskopische Laser-induzierte Plasmaspektrometrie (LIBS) zeichnet sich durch schnelle Analysezeiten und den Wegfall komplexer Probenvorbereitung aus, was sie zu einer vielversprechenden Methode für die Erkennung von Magnesiumlegierungen macht. Aufgrund der starken Schwankungen der LIBS-Spektren bei verschiedenen Messungen, der hohen Ähnlichkeit der Spektren verschiedener Magnesiumlegierungstypen und der redundanten Informationen in den Daten sind direkte Klassifizierungen oft nur begrenzt effektiv. In dieser Arbeit wird eine schnelle Klassifizierungsmethode für Magnesiumlegierungen auf Basis der Merkmalsauswahl vorgeschlagen. Systematisch wurden drei Merkmalsauswahlmethoden verglichen: maximale Relevanz mit minimaler Redundanz (mRMR), Random Forest (RF) und spektrale Indizes, kombiniert mit drei Klassifikationsmodellen: Support Vector Machine (SVM), Backpropagation Neural Network (BPNN) und K-Nearest Neighbors (KNN). Es wurden verschiedene Klassifikationsmodelle für Magnesiumlegierungen entwickelt. Die experimentellen Ergebnisse zeigen, dass mRMR-BPNN bei Verwendung von nur 180 Merkmalen eine Genauigkeit von 99,4 % im ersten und 92,5 % im zweiten Tag der Datentests erzielt und damit andere Merkmalsauswahl-Klassifikator-Kombinationen sowie direkte Klassifikationsmethoden der Rohspektren signifikant übertrifft. Die Methode verbessert effektiv die Klassifikationsgenauigkeit und die Generalisierungsfähigkeit der Modelle ohne komplexe Vorverarbeitung und bietet ein zuverlässiges Analysewerkzeug für die schnelle Online-Erkennung und Qualitätskontrolle von Magnesium-Aluminium-Legierungen. Sie hat eine positive Bedeutung für die Förderung der praktischen Anwendung der LIBS-Technologie in industriellen Umgebungen.

Laser-induzierte Ablationsspektroskopie;Magnesiumlegierungen;Merkmalsauswahl;Maschinelles Lernen