Содержание к диссертации
Введение
1. Существующие методы построения систем преобразования информационных параметров в спектральном анализе, их проблемы и перспективы промышленного применения 8
1.1 Анализ источников получения спектров 8
1.2 Анализ методик выполнения косвенных измерений и определения количественного состава материалов 21
1.3 Способы построения градуировочных графиков 26
1.4 Анализ погрешностей автоматизированных систем аэса и метрологическое обеспечение спектральных измерений 33
1.5 Выводы 41
2. Разработка блока обработки данных факторов, влияющих на точность результатов аэса 43
2.1 Исследование факторов влияющих на результаты измерения интенсивностей при спектральном анализе материалов 43
2.2 Устройства контроля влияющих факторов 51
2.3 Визуальный контроль, обработка данных и корректировка влияний 55
2.4 Экспертная система анализа влияний 57
2.5 Выводы 59
3. Совершенствование устойчивой многопараметровой модели обработки спектрометрической информации 60
3.1 Многопараметровая модель обработки факторов, влияющих на точность результатов аэса 60
3.2 Определение оптимального количества аналитических линий и линий сравнения, анализируемых в спектре. 69
3.3 Экспериментальное испытание модели на методике «свинцовые баббиты» 70
3.4 Выводы 77
4. Разработка программного комплекса устойчивого градуирования приборов спектрального анализа материалов «spectron» 78
4.1 Исследование структуры информационного обеспечения аэса 79
4.2 Разработка структуры данных и форм программного комплекса устойчивого градуирования «spectron» 86
4.3 Разработка алгоритма калибровки системы с использованием многопараметровой модели обработки влияющих факторов 91
4.4 Выводы 93
5. Методика автоматического распознавания марок неизвестных материалов . 95
5.1 Задача распознавания марок неизвестных материалов 95
5.2 Решение задачи классификации материалов с помощью искусственных нейронных сетей 97
5.2.1 Сбор данных для обучения нейронной сети 100
5.2.2 Выбор архитектуры нейронной сети 103
5.2.3 Экспериментальный подбор характеристик нейронной сети 104
5.2.4 Экспериментальный подбор параметров обучения нейронной сети 105
5.2.5 Обучение нейронной сети 106
5.2.6 Проверка адекватности обучения нейронной сети 107
5.3 Алгоритм автоматического распознавания марок неизвестных материалов 108
5.4. Экспериментальная проверка методики распознавания марок неизвестных
материалов 113
5.5 Выводы 114
Заключение 115
Библиографический список 116
- Анализ погрешностей автоматизированных систем аэса и метрологическое обеспечение спектральных измерений
- Визуальный контроль, обработка данных и корректировка влияний
- Экспериментальное испытание модели на методике «свинцовые баббиты»
- Разработка алгоритма калибровки системы с использованием многопараметровой модели обработки влияющих факторов
Введение к работе
Актуальность темы. Методы атомно-эмиссионного, атомно-
абсорбционного и рентгенофлуоресцентного спектрального анализа играют исключительно важную роль в современной науке, технике и промышленности. В последние годы мировой рынок спектроаналитических приборов, используемых для анализа химических элементов в материалах, демонстрирует рост.
Назначением методов спектрального анализа является исследование количественного состава жидких, твердых и газообразных материалов. На железнодорожном транспорте и в промышленности находят применение приборы контроля качества металлов и сплавов, исследования продуктов износа, качества покрытий, охраны окружающей среды и пр.
Доступным высокочувствительным методом определения химических элементов в металлах и сплавах является атомно-эмиссионный спектральный анализ (АЭСА). Применение АЭСА призвано повысить качество используемых материалов, а, следовательно, выполнение заданных физико-механических свойств, что в свою очередь положительно отразится на надежности выпускаемых деталей. Задачи дальнейшего совершенствования методов АЭСА – повышение стабильности и устойчивости к внешним влияющим факторам, а также более глубокая автоматизация, позволяющая исключить из результатов человеческий фактор.
Значительный вклад в решение вопросов контроля точности АЭСА внесли: Г. И. Альперович, Л. В. Арнаутов, В. В. Бродский, Ю. М. Буравлев, Л. А. Грибов,
A. Г. Жиглинский, А. Н. Зайдель, Х. И. Зильберштейн, В. Н. Иоффе, Ю. X.
Йорданов, Л. П. Козлов, Е. С. Куделя, И. И. Кусельман, В. И. Малышев, А. А.
Кузнецов, Н. А. Морозов, В. Н. Музгин, В. В. Налимов, В. В. Недлер, В. Р. Огнев,
B. К. Прокофьев, А. А. Пупышев, Т. Терек, А. К. Русанов, В. Н. Салмов, И. Р.
Шелпакова, В. А. Лабусов, И. Г. Юделевич и другие отечественные и зарубежные
ученые.
В работе исследуются факторы, оказывающие значительное влияние на точность определения состава материалов, способы их оценки и исключения из результатов, а также возможность автоматизации определения марок материалов. Методы атомно-эмиссионной спектроскопии редко дают результаты с относительным стандартным отклонением менее 5%. В значительной мере это обусловлено изменением факторов, влияющих на приборное обеспечение анализа в процессе измерений, приводящего к значительным отклонениям калибровочных зависимостей от установленных.
Способы повышения точности определения состава материалов, а также повышения автоматизации определения марок материалов, представляют решение поставленной актуальной задачи.
Цель диссертационной работы: разработка алгоритмов реализации виртуальных эталонов для приборов спектрального анализа материалов, повышающих стабильность их градуировки и уменьшающих стоимость операций контроля материалов.
Задачи исследований:
-
Исследовать влияние факторов на стабильность градуировочной характеристики и предложить способы их стабилизации.
-
Разработать математическую модель перехода от реальных эталонов к виртуальным и определить условия ее использования.
-
Разработать алгоритм реализации виртуальных эталонов и способ градуирования приборов спектрального анализа на основе предложенной математической модели.
-
Разработать алгоритм распознавания методик контроля различных материалов с применением виртуальных эталонов.
-
Разработать метод автоматического распознавания марок неизвестных материалов, основанный на использовании нейронных сетей.
Методы исследования: в диссертационной работе приведены результаты исследований с использованием теории оптимизации, регрессионного анализа, нейронных сетей, а также результаты экспериментальных исследований, полученные путем испытаний аттестованных стандартных образцов состава материалов и сплавов на автоматизированных приборах атомно-эмиссионной спектроскопии.
Научная новизна. Новыми являются следующие результаты диссертации:
1. Алгоритм градуирования автоматизированных систем атомно-
эмиссионного спектрального анализа с использованием виртуальных эталонов;
-
Математическая модель, описывающая переход от реальных эталонов к виртуальным, повышающих достоверность и длительное сохранение нормативной точности градуировочной характеристики, положенная в основу предложенного алгоритма градуирования;
-
Алгоритм автоматического распознавания марок неизвестных материалов с использованием нейросетевой модели обработки данных.
Достоверность научных положений, рекомендаций и выводов,
подтверждена представительностью экспериментальных данных, использованием
аттестованных методов измерений, аттестованных стандартных образцов
количественного состава, использованием методов регрессионного анализа,
нейросетевого моделирования, а также соответствием расчетных и
экспериментальных данных.
Положения, выносимые на защиту:
-
Аналитические выражения для создания целевой функции построения устойчивых градуировочных зависимостей с использованием виртуальных эталонов, и область определения ее параметров.
-
Адаптивный алгоритм устойчивого градуирования на основе предложенной функции, снижающий систематические погрешности измерений и затраты на выполнение контроля при изменяющихся условиях.
-
Экспериментальное подтверждение повышения точности определения количественного состава металлов и сплавов при использовании способа градуирования на основе виртуальных эталонов.
Практическая значимость диссертационной работы заключается в получении технических решений для реализации виртуальных эталонов,
предназначенных для стабилизации во времени градуировочных зависимостей при проведении спектрального анализа различных материалов:
-
Предложена методика контроля внешних случайных изменяющиеся факторов, влияющих на результаты спектрального анализа, указаны существенные из них, оценена погрешность и способы ее компенсации.
-
Разработан алгоритм реализации виртуальных эталонов, используемых для устойчивого градуирования автоматизированных систем спектрального анализа, реализованный в программном обеспечении.
-
Предложен и реализован алгоритм автоматического распознавания неизвестных материалов с искусственных нейронных сетей.
Апробация работы. Положения диссертационной работы доложены на
научно-технических конференциях и семинарах: Всероссийской научно-
практической конференции «Транспорт-2009» (Ростов-на-Дону, 2009),
Международной научно-практической конференции «Современные техника и
технологии-2010» (Томск, 2010), Региональной научно-технической конференции
«Омское время – взгляд в будущее» (Омск, 2010), Международной научно-
технической конференции «Инновации для транспорта» (Омск, 2010), II
региональной молодежной научно-технической конференции «Омский регион –
месторождение возможностей» (Омск, 2010), Региональной научно-практической
конференции молодых ученых «Неразрушающий контроль: электронное
приборостроение, технологии, безопасность» (Томск, 2011), Международной
научно-практической конференции «Научные исследования и их практическое
применение. Современное состояние и пути развития». (Одесса, 2011),
Всероссийской конференции по аналитической спектроскопии с международным
участием (Краснодар, 2012).
Публикации. Основные положения диссертационного исследования отражены в 17 публикациях, в том числе в изданиях, рекомендованных ВАК РФ, опубликовано 2 научные работы, получен 1 патент на изобретение, 1 патент на полезную модель, 1 свидетельство регистрации ПО для ЭВМ.
Структура и объем работы. Диссертационная работа состоит из введения, 5 глав, общих выводов, заключения и списка литературы. Диссертация изложена на 139 страницах основного текста, содержит 51 рисунок, 8 таблиц и 5 приложений.
Анализ погрешностей автоматизированных систем аэса и метрологическое обеспечение спектральных измерений
Методы спектрального анализа являются сравнительными и требуют индивидуальной градуировки для конкретной аналитической задачи с помощью образцовых мер состава. Градуировка включает в себя установление основных градуировочных характеристик и оценку функций влияния состава и свойств контролируемого объекта. Недостаточная стабильность средств измерений в процессе эксплуатации обусловливает необходимость их оперативной регулировки и(или) коррекции результатов при выполнении аналитической процедуры путем введения соответствующих поправок в значение аналитического сигнала, результата измерения или параметров градуировочной функции[63]. Все эти факторы вносят в методы АЭСА различные погрешности, которые можно классифицировать следующим образом.
1) Погрешности пробоотбора. Данный вид погрешностей не может быть обнаружен в спектральной лаборатории, так как пробоотбор проводят в других отделах или на других предприятиях. Однако если проба не соответствует по составу анализируемому материалу или достаточно неоднородна по составу, то результат анализа не будет достоверным. Для исключения подобной погрешности необходимо провести аттестацию персонала, занимающегося отбором проб.
2) Погрешности пробоподготовки. Для металлических проб необходимо иметь качественную обработку анализируемой поверхности, а также точность заточки электрода и центровки электродов в штативе. При анализе порошковых проб неучтенными оказываются примеси и микропримеси, попадающие в пробу вместе с компонентами анализируемого вещества. Для исключения погрешностей этого вида необходимо корректировать результаты анализа. Искажение результатов анализа происходит из-за уменьшения величины навески в результате выброса части пробы из кратера угольного электрода. Устранить подобную погрешность возможно либо прокаливанием пробы, либо уменьшением тока дуги в течение первых 5-10 секунд дугового разряда.
3) Погрешности, связанные с возбуждением пробы. Источником их следует считать низкую стабильность дугового разряда в генераторах, в которых для стабилизации разряда используется балластный резистор. Хорошие результаты получаются при установке дополнительного стабилизатора напряжения в цепь питания дугового/искрового генератора или его замена на современный генератор с электронной стабилизацией. О влиянии состава пробы на интенсивность спектра писали многие авторы, однако, до настоящего времени нет достаточно хорошего способа его учета [38].
4) Погрешности, связанные с работой осветительной системы. Источник: уменьшение количества света, поступающего на полихроматор или уменьшение его интенсивности, причиной которых являются разъюстировка осветительной системы, загрязнение оптических деталей, низкое качество материалов линз и стекол вызывают дополнительные погрешности. При анализе металлов частой ошибкой является неправильная установка пробы, когда часть излучения экранируется самой пробой.
5) Погрешности, связанные с работой полихроматора. Источником данной погрешности является температурный сдвиг спектра относительно выходных щелей спектрометра, он же основная инструментальная погрешность, в связи с чем необходима коррекция градуировочного графика и юстировка апертуры спектрометра. Наиболее часто встречающейся неисправностью полихроматора является загрязнение входной щели или изменение ее ширины и сдвиг в результате ошибки оператора.
6) Погрешности системы регистрации. Источником подобного рода погрешностей является неверное определение параметров съемки: съемка с закрытой входной апертурой прибора, неоптимальное время экспозиции и обжига, искажение аналитического сигнала в результате отсутствия экранирования прибора. 7) Погрешности обработки спектров. Подобные источники погрешностей можно исключить путем повышения квалификации персонала спектральных лабораторий и его аттестацией, обучением персонала современному программному обеспечению спектральных приборов АЭСА. Таким образом, необходимо определить или оценить значение неопределенности, присущей каждому выявленному потенциальному источнику. Также важно рассмотреть в достаточной ли мере имеющиеся данные учитывают все источники неопределенности, и тщательно спланировать дополнительные эксперименты и исследования, необходимые для обеспечения адекватного учета всех источников неопределенности[58]. Основные направления метрологического обеспечения метода АЭСА определяются структурой измерительного процесса. В процессе выполнения АЭСА осуществляются два вида преобразований информации: прямые, которые происходят в основном в блоках измерительной установки, и обратные, выполняемые оператором или компьютером. К задачам, решаемым на этапе прямых преобразований, относятся:
– получение выходного аналитического сигнала и его измерение в единицах шкалы отсчетнорегистрирующего устройства или другой форме, удобной для восприятия оператором или компьютером;
– обеспечение стабильности действительной функции преобразования в период между повторными градуировками спектральной установки путем регулирования и поддержания оптимальных условий эксплуатации.
К задачам этапа обратных преобразований относятся:
– выражение значения выходного аналитического сигнала в единицах массового содержания контролируемого компонента при помощи известной градуировочной характеристики;
– коррекция нестабильности функции преобразования и отклонений этой функции от основной градуировочной характеристики вследствие влияния состава и свойств объекта измерений путем введения соответствующих поправок. Отсюда вытекают следующие направления метрологического обеспечения методов АЭСА:
– установление значений метрологических характеристик средств измерений при их вводе в эксплуатацию и применении;
– индивидуальная градуировка средства измерений и метрологическая аттестация методики анализа;
Визуальный контроль, обработка данных и корректировка влияний
Оцифрованные данные с датчиков Д6 и Д7 поступают в подпрограмму визуального контроля, которая позволяет оператору производить оперативный анализ изображений, полученных с эндоскопов. Его можно разделить на несколько частей:
1) Анализ установки образца. В случае проведения серии экспресс-анализов, оператор вынужден действовать достаточно быстро, чтобы успеть предоставить результаты к заданному сроку. Образцы, предоставляемые для анализа, не всегда имеют ровную поверхность необходимого размера. В некоторых случаях, для установки образца, приходится прибегать к дополнительным приспособлениям. Совокупность все этих факторов может привести к ошибки установки образца. Возможен случай, при котором отверстие площадки не будет полностью перекрыто, что может привести к потере точности результатов анализа. В предлагаемом блоке оператор может видеть на ПК в реальном времени образец с той стороны, с которой будет произведен обжиг. Это позволяет избежать возможных ошибок при установке образца.
2) Выявление дефектов поверхности образца. Обычно в процессе анализа поверхность образца зачищают и производят несколько параллельных измерений. После каждого анализа на образце остается пятно от обжига (рис. 2.10).
Рис. 2.10. Вид типичных пятен обжига Обычно такие пятна накапливается до тех пор, пока чистой поверхности уже не остается. При этом важно, чтобы каждый новый обжиг был произведен на чистой гладкой поверхности. Попадание в пятно от предыдущего обжиг может в значительной степени повлиять на результаты анализа. Поскольку образец устанавливается на рабочий столик поверхностью вниз, контроль правильного положения образца, при котором не перекрываются пятна, затруднителен. Изображение, поступающее с датчик Д7, позволяет не только контролировать правильную установку образца но и видеть, не попадают ли пятно от предыдущих обжигов на рабочую поверхность.
3) Измерение межэлектродного промежутка. Расстояние между электродом и образцом всегда должно быть постоянным, поскольку может в значительной степени влиять на результаты. В современных приборах АЭСА есть системы, позволяющие выставлять электрод по заданному уровню. Однако со временем электрод может стачиваться или просто сдвинут внешним воздействием.[78] Изображение, получаемое с Д6 позволяет быстро и точно измерять межэлектродный промежуток без какого-либо вмешательства оператора. Это измерение позволяет повысить надежность прибора и точность анализов.
4) Определение размера электрической дуги. Размер электрической дуги позволяет оператору убедиться, что измерение происходит в штатном режиме. Данная мера не используется напрямую для влияния на результаты анализа, но может помочь оператору увидеть проблему. Если размер дуги текущего измерения отличается от стандартного размера, обычно получаемого при анализах элементов данной методики, это свидетельствует о присутствии неполадки или другой проблемы измерения.
Оцифрованные данные с датчиков Д1-Д5 поступают в подпрограмму обработки данных. Подпрограмма обработки данных содержит базу данных нормированных значений измеряемых величин, которая используется в качестве эталона при обработке данных текущего измерения.
После того, как измерение проведено, значения силы тока, давления, температуры и других измерений, поступившие с датчиков Д1-Д5, сравниваются с эталонными значениями, хранящимися в базе данных. Если измеренные данные отличаются от эталонных не более, чем на установленную погрешность, анализ считается успешным. Если же измеренные данные отличаются от эталонных больше, чем на установленную погрешность, такой анализ считается неудачным. Результаты сравнения передаются в экспертную систему принятия решений.
Экспериментальное испытание модели на методике «свинцовые баббиты»
Из совокупности полученных I выбираем такие, которые удовлетворяют условию I д, где д – максимальный допустимый разброс интенсивностей при выполнении параллельных измерений. Таким образом, мы отсеиваем только те линии, интенсивности которых в разных режимах изменились, а значит, внесут ошибку при определении концентрации элемента.
В результате, мы получаем массив линий, интенсивности которых оказались подвержены влиянию внешних факторов. Полученный массив, сортируем по убыванию, концентрируя в первой половине линии с наибольшим I.
4) Для того, чтобы определить оптимальное количество линий X, необходимо рассчитать коэффициенты ai ,bi и корреляцию графиков R2 для Z функций устойчивого градуирования путем решения системы уравнений (3) Z раз, изменяя сумму M+N от 2 до Z, где Z – количество элементов массива полученных I. Таким образом, мы получим массив корреляций графиков построенных по функциям устойчивого градуирования с использованием от 2 до Z линий сравнения, что позволит нам построить зависимость корреляции графиков от количества используемых в модели спектральных линий элемента и основы R2(M+N). Оптимальным будет такое число линий S=M+N, при котором функция R2(S) максимальна.
Экспериментальное испытание модели на методике «Свинцовые баббиты» Для построения устойчивой градуировочной зависимости были использованы данные полученные на атомно-эмиссионном спектрометре «АРГОН-5СФ». Эксперимент проводился с использованием стандартных образцов свинцовых баббитов (86XPSS1 – 86XPSS4 фирмы MBH). Для сбора данных использовалось пять различных приборов «АРГОН-5СФ». С каждого спектрального анализатора были получены одинаковые файлы спектров стандартных образцов свинцовых баббитов.
При построении градуировочных зависимостей классическим способом, по данным, полученным на различных приборах (далее «Режим проведения эксперимента»), можно отметить расхождение между ними (рис. 3.7). Это определяется совокупностью внешних факторов, вызывающих временной дрейф, конструкционными особенностями каждого спектрального анализатора и систематической погрешностью Ас при определении количественного содержания.
Градуировочные графики меди, сурьмы и олова, полученные в различных режимах проведения эксперимента классическим способом Для снижения действия факторов, влияющих на градуировочные графики, помимо аналитических линий было выбрано восемь дополнительных линий с различной яркостью и потенциалами возбуждения, на которые оказывают значительное влияние физические факторы, учитываемые при построении градуировочной зависимости. Параметры спектральных линий, используемых для градуировки приведены в табл. 3.1.
Графики интенсивностей спектральных линий, полученных в различных режимах проведения эксперимента. Для формирования градуировочной зависимости предложенным способом требуется расчет коэффициентов, при которых корреляция между данными, полученными в разных режимах, будет максимальной. Чтобы рассчитать весовые коэффициенты, нужно решить систему уравнений (3.4). Из-за большого количества неизвестных система уравнений (3.4) не может быть решена аналитическими методами, поэтому весовые коэффициенты, при которых корреляция градуировочных данных, полученных в различных режимах, будет максимальной, определяются численными методами. Для решения системы уравнений был использован симплекс-метод. Алгоритм, реализующий способ устойчивого градуирования построенный на основе системы уравнений (3.4) представлен на рис. 3.9. Полученные коэффициенты и значения функции устойчивого градуирования на примере меди по стандартным образцам (86XPSS1 – 86XPSS4) , показаны в табл. 3.2 и 3.3.
После расчета коэффициентов и значений функции устойчивого градуирования, перестраиваем градуировочные графики из системы координат «Относительная интенсивность (Iотн) – концентрация (C)» в систему «Функция устойчивого градуирования (F) – концентрация (C)» (Рис. 3.10).
Результаты корреляции градуировочных графиков, полученных при изменении внешних факторов классическим и новым способами, показаны в табл. 3.4.
Разработка алгоритма калибровки системы с использованием многопараметровой модели обработки влияющих факторов
В основе ПКУГ «Spectron» лежит алгоритм устойчивой калибровки, разработанный по усовершенствованной модели обработки влияющих факторов. Алгоритм обрабатывает все входные данные и создает систему уравнений (3.4). Далее численными методами подбираются весовые коэффициенты, позволяющие решить систему. Если решение найдено, создается зависимость F(I1-IN, С) позволяющая построить устойчивый градуировочный график. Расчет производится для каждого анализируемого элемента. Алгоритм калибровки системы с использованием многопараметровой модели обработки влияющих факторов показан на рис. 4.10. На рис. 4.11. показана структура программного обеспечения приборов АЭСА с дополнительными функциями ПКУГ «Spectron».
В четвертой главе описана разработка программного комплекса устойчивого градуирования приборов спектрального анализа материалов «Spectron». Программный комплекс позволяет проводить исследования по улучшению точности спектрального анализа и уменьшению зависимости от внешних факторов, влияющих на результаты. Среди рассмотренных вопросов данной главы выделим следующие:
1. Исследована структура программно-апаратной и программной частей информационного обеспечения приборов АЭСА, принципы хранения и передачи информации в них.
2. Разработан алгоритм калибровки системы с использованием многопараметровой модели обработки влияющих факторов, позволяющий обрабатывать поток входных данных, решать системы нелинейных уравнений численными методами и строить устойчивую градуировочную зависимость для дальнейшего расчета концентраций элементов в образце.
3. Разработан программный комплекс построения устойчивых градуировочных зависимостей систем атомно-эмиссионного спектрального анализа, реализующий в себе алгоритм из п. 2.
4. Для управления данными стандартных образцов была разработана структура данных, содержащая материалы, их элементы, характеристики и наборы линий сравнения для построения устойчивых градуировок.
По результатам спектрального анализа автоматизированная система АЭСА выдает результат количественного содержания элементов примесей в исследуемом образце. Далее лаборант в ручном режиме с использованием нормативных документов выбирает наилучшую подходящую марку материала. Результат подобной работы сильно зависит от накопленного опыта работника. При недостаточной квалификации возможны грубые ошибки идентификации материала.
Также возможна ситуация, когда даже приблизительно не известна группа анализируемого материала, и, соответственно, затруднителен выбор комплекта стандартных образцов. В этом случае к режиму выбора наилучшей марки материала будет предшествовать идентификация типа основы материала. В случае контроля металлов необходимо определять наличие спектральных линий Fe в сталях, Cu в медных сплавах, Al в сплавах алюминия, Ti в титановых сплавах и т. д.
В данной главе предлагается методика, позволяющая полностью автоматизировать процесс определения марки анализируемого материала, полностью исключив из него оператора. Задачей оператора в данном случае становится лишь подтверждение результатов по косвенным признакам, обычно имеющимся в процессе работы.
Спектральный анализ относится к относительному методу измерения, основанному на сравнении измеряемых параметров проб и стандартных образцов (эталонов). Точность определения химического состава зависит от различных факторов, в том числе и от соответствия технологии изготовления стандартных образцов и проб. При входном контроле на испытания поступает большая номенклатура материалов, для которой на предприятиях не всегда находятся подходящие стандартные образцы, кроме того, условие соответствия технологии изготовления материалов зачастую не учитывается.
В силу данной специфики не редко возникают случаи, когда оператору изначально неизвестна группа к которой относится анализируемый образец. В данном случае методика подбирается оператором в ручном режиме. Скорость ее подбора зависит от удобства программного обеспечения и квалификации оператора. В случае низкой квалификации оператора правильный выбор подходящей группы для анализируемого материала (с целью дальнейшего расчета концентраций элементов с помощью нужного градуировочного графика) может быть затруднителен.
На рис. 5.1 показана структурная схема определения марок неизвестных материалов, используемая во многих приборах в настоящее время.
