在煤礦開采、運(yùn)輸?shù)拿總€環(huán)節(jié)，看似不起眼的煤塵里藏著一群 “隱形健康殺手”— 鋁、硅、鐵、鈣、鈦等金屬元素。長期吸入含硅的煤塵會引發(fā)矽肺，鋁元素堆積可能導(dǎo)致鋁塵肺，鐵、鈦等元素也會損傷呼吸系統(tǒng)。過去，檢測這些元素依賴復(fù)雜的實(shí)驗(yàn)室分析，動輒需要數(shù)小時(shí)甚至數(shù)天。而如今，以激光誘導(dǎo)擊穿光譜（LIBS）為代表的 “擊穿光譜技術(shù)”，能像 “火眼金睛” 般快速解碼煤塵的金屬成分。

Jialin Li等人使用由提供的Maria光譜儀，對褐煤、煙煤和無煙煤中的Al、Si、Fe、Ca和Ti元素進(jìn)行了定量測量。R2所有校準(zhǔn)曲線的值約為0.90。除褐煤中的Si外，其他被測元素的檢測限（LOD）均在4 μg m?3以內(nèi)，采樣時(shí)間為 10 分鐘。與參考方法的比較分析顯示，褐煤中各種元素的歸一化均方根誤差（NRMSE）濃度分別為9.1%、9.8%、10.7%、24%和8.2%。此外，采用主成分分析（PCA）對煤樣進(jìn)行分類，證實(shí)了該方法區(qū)分煤塵類型的能力。這顯示了此技術(shù)在煤塵成分分析中的有效性，表現(xiàn)出高靈敏度和效率。

2.1 實(shí)驗(yàn)方法

研究搭建了包含煤塵生成-收集-激發(fā)-檢測的全流程系統(tǒng)：

• 沖擊式收集裝置：采用同軸鎢電極（針尖陽極 + 平板陰極），通過慣性沖擊原理（Stk50=0.24）將空氣中的煤塵富集在陰極表面，收集效率 50% 對應(yīng)的粒徑 d??=1μm。石英視窗用于光信號采集，確保等離子體火花（集中在陰極上方 1mm）精準(zhǔn)投射到光纖。

• 高壓脈沖放電系統(tǒng)：自主設(shè)計(jì) 3kV 直流電源，峰值電流 30A，火花重復(fù)頻率1次/5 秒，放電持續(xù)130ms。金屬屏蔽罩隔離電磁干擾，保障光譜儀穩(wěn)定工作。

• 光譜檢測模塊：選用 Maria 光譜儀，波長分辨率 0.1nm，延遲5μs采集（避開等離子體初期噪聲），并實(shí)時(shí)扣除環(huán)境光背景。

圖 1 實(shí)驗(yàn)系統(tǒng)示意圖

2.2 測速數(shù)據(jù)及結(jié)果

通過對褐煤、煙煤和無煙煤三種煤塵樣品的火花發(fā)射光譜分析，研究成功識別了多種金屬元素的特征光譜線。每種元素都產(chǎn)生獨(dú)特的能級躍遷，在光譜圖上形成特定的特征峰。

圖2 褐煤特征火花發(fā)射光譜

以鋁元素為例，其在396.15nm處的光譜強(qiáng)度與沉積質(zhì)量之間的關(guān)系顯示出良好的線性相關(guān)性。

圖3 (a)不同質(zhì)量負(fù)載下的鋁元素I的396.15納米光譜線。(b)鋁元素光譜強(qiáng)度與沉積質(zhì)量之間的線性擬合關(guān)系

對于其他元素，研究選擇Ca II 317.93nm、Fe I 526.95nm、Si I 288.16nm和Ti I 498.17nm作為特征譜線。計(jì)算過程相似，結(jié)果顯示Ca、Fe、Si和Ti的R2值分別為0.98、0.90、0.76和0.95。不同元素對火花激發(fā)過程的敏感性各不相同。觀察到的硅的非線性趨勢歸因于其分析中使用的較寬質(zhì)量范圍。褐煤中硅的高質(zhì)量負(fù)載可能導(dǎo)致自吸收或自反轉(zhuǎn)效應(yīng)。當(dāng)選擇較窄的質(zhì)量范圍時(shí)，R2值改善至0.9?？傮w而言，在單次粉塵生成后使用不同濃度梯度建立校準(zhǔn)模型更簡單高效，但其準(zhǔn)確性需要改進(jìn)。

圖4 瀝青煤中鋁、鈣、鐵、硅、鈦元素的測定結(jié)果匯總

由于不同煤塵的元素特征差異而具有分類不同煤塵類型的潛力。使用褐煤、煙煤和無煙煤在384nm至388nm范圍內(nèi)的特征光譜，在經(jīng)過基線校正和標(biāo)準(zhǔn)正態(tài)變量（SNV）歸一化后構(gòu)建了PCA模型。

第一和第二主成分（PC1和PC2）占總數(shù)據(jù)方差的97%，可以觀察到明顯的聚類，分別代表褐煤、煙煤和無煙煤。由于金屬含量較高，褐煤簇的間距比煙煤和無煙煤簇更寬。煙煤和無煙煤的金屬含量較低，導(dǎo)致聚類更緊密。這證明了該方法能夠識別工作場所空氣中未知的煤塵類型。

本研究成功開發(fā)了基于SES的技術(shù)來測量空氣中煤塵的金屬成分，建立了Al、Si、Fe、Ca和Ti的校準(zhǔn)模型，并與參考方法進(jìn)行了比較。PCA有效地區(qū)分了基于其光譜特征的不同煤塵類型，第一和第二主成分占總數(shù)據(jù)方差的97%，PCA結(jié)果圖中清晰顯示了不同煤塵類型的聚類，證明了該方法在煤塵分類中的潛力。