CN114222414A - 一种用于诊断等离子体参数的系统及方法 - Google Patents
一种用于诊断等离子体参数的系统及方法 Download PDFInfo
- Publication number
- CN114222414A CN114222414A CN202111337606.0A CN202111337606A CN114222414A CN 114222414 A CN114222414 A CN 114222414A CN 202111337606 A CN202111337606 A CN 202111337606A CN 114222414 A CN114222414 A CN 114222414A
- Authority
- CN
- China
- Prior art keywords
- discharge tube
- plasma
- neural network
- artificial neural
- voltage
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- H—ELECTRICITY
- H05—ELECTRIC TECHNIQUES NOT OTHERWISE PROVIDED FOR
- H05H—PLASMA TECHNIQUE; PRODUCTION OF ACCELERATED ELECTRICALLY-CHARGED PARTICLES OR OF NEUTRONS; PRODUCTION OR ACCELERATION OF NEUTRAL MOLECULAR OR ATOMIC BEAMS
- H05H1/00—Generating plasma; Handling plasma
- H05H1/0006—Investigating plasma, e.g. measuring the degree of ionisation or the electron temperature
- H05H1/0068—Investigating plasma, e.g. measuring the degree of ionisation or the electron temperature by thermal means
- H05H1/0075—Langmuir probes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Plasma & Fusion (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Plasma Technology (AREA)
Abstract
本发明提供了一种用于诊断等离子体参数的系统及方法,涉及等离子体技术领域。本发明的用于诊断等离子体参数的系统,包括:真空电极、数据处理装置、数据收集装置、气体环境维持装置、朗缪尔探针、辉光放电管;辉光放电管内设置有真空电极;气体环境维持装置与辉光放电管连接,适于提供辉光放电所需气体环境;朗缪尔探针通过数据收集装置连接于数据处理装置;数据收集装置适于采集电压与气压数据;数据处理装置适于通过电压与气压诊断等离子体参数。本技术方案通过朗缪尔探针提供的电压以及气体环境维持装置提供的气压诊断等离子体参数,可结合人工神经网络,实现机器学习的计算机数据处理方法和朗缪尔探针的诊断方法相结合,提高了诊断的准确性。
Description
技术领域
本发明涉及等离子体技术领域,具体而言,涉及一种用于诊断等离子体参数的系统及方法。
背景技术
等离子体是通过高温、高压等手段产生的,带电粒子间的长程力起主导作用,具有集体效应的电离物质,整体呈现电中性的性质,常被称为物质的第四态。由于等离子体内部含有大量的带电粒子(正离子、负离子和电子)与中性粒子(原子、分子、自由基和活性基团),使得等离子体内部的电场和磁场环境极为复杂。
传统的朗缪尔探针诊断方法是通过金属探针在等离子体内部施加变化的电压,通过对金属探针所收集的电压-电流特性曲线进行相应的处理得到等离子体的多种参数。由于等离子体内部的电场和磁场环境极为复杂,外加在金属探针上的电压所以引起的电场和等离子体内部的电场和磁场相互作用,限制传统的朗缪尔探针诊断方法的诊断精度和诊断范围。现有的通过程序手段修正探针诊断结果的方法,对探针已有结果的依赖性较大,提升效果并不明显,同时也会降低探针的时间分辨率;而通过改进探针本身结构和材质的方法,在提高某一参数诊断精度和范围的同时,不可避免的会对其他参数的诊断造成影响,无法进行大范围的应用。
发明内容
本发明解决的问题是如何高精度、大范围的诊断等离子体中等离子体多种参数。
为解决上述问题,本发明提供一种用于诊断等离子体参数的系统,包括:真空电极、数据处理装置、数据收集装置、气体环境维持装置、朗缪尔探针、辉光放电管;所述辉光放电管内部两端分别设置有所述真空电极,所述真空电极适于提供辉光放电所需电源;所述气体环境维持装置与所述辉光放电管连接,适于提供辉光放电所需气体环境;所述朗缪尔探针通过所述数据收集装置连接于所述数据处理装置;所述数据收集装置适于采集所述朗缪尔探针上的电压以及气体环境维持装置提供的气压;所述数据处理装置适于通过所述电压与所述气压使用人工神经网络模型诊断等离子体参数。
可选地,所述气体环境维持装置包括真空泵、真空规管和气体注入装置;所述辉光放电管上设置有开口与所述真空规管连接,所述真空泵和所述气体注入装置分别通过管道与所述真空规管连接。
可选地,所述真空电极包括空心阳极和空心阴极,所述空心阳极和所述空心阴极分别设置于所述辉光放电管的两端。
可选地,所述用于诊断等离子体参数的系统还包括放电管固定装置;所述辉光放电管形状为对称的“V”型管,其弯曲角度为第一角度;所述辉光放电管连接并固定于所述放电管固定装置上;所述放电管固定装置适于使所述辉光放电管围绕弯曲部位自由旋转。
本发明所述的用于诊断等离子体参数的系统,通过朗缪尔探针提供的电压以及气体环境维持装置提供的气压诊断等离子体参数,可以很好的弥补外加在金属探针上的电压所以引起的电场和等离子体内部的电场和磁场相互作用的影响,提高了使用朗缪尔探针诊断方法诊断等离子体多种参数的诊断精度和诊断范围。
本发明还提供一种用于诊断等离子体参数的方法,应用于上述任一项所述用于诊断等离子体参数的系统,包括:获取电压和气压;根据所述电压和所述气压,使用人工神经网络模型诊断等离子体的参数。
可选地,所述获取电压和气压包括:通过数据收集装置采集朗缪尔探针上的电压和采集气体环境维持装置提供的气压,并传输至数据处理装置。
可选地,所述使用人工神经网络模型诊断等离子体的参数包括:将电压和气压作为人工神经网络的输入,将等离子体参数作为所述人工神经网络的输出,对所述人工神经网络进行训练以建立所述人工神经网络模型,将测试样本输入所述人工神经网络模型中以实现所述等离子体的参数的诊断。
可选地,所述对所述人工神经网络进行训练包括:经过反复多次训练并调控反向权值,以实现所述人工神经网络模型的输出误差项的最小化。
可选地,所述对所述人工神经网络进行训练包括:采用LeakyReLU作为激活函数,在反向传播过程中对于LeakyReLU激活函数输入小于零的部分可计算得到梯度以避免梯度方向锯齿问题。
可选地,所述对所述人工神经网络进行训练包括:采用批量梯度下降算法进行反向传播来更新网络,在每一次迭代时使用所有样本来进行梯度的更新。
本发明所述的用于诊断等离子体参数的方法,通过机器学习的计算机数据处理方法和朗缪尔探针的诊断方法相结合的方式,对探针诊断得到的数据进行处理。通过使用电压和气压参数训练建立神经网络,再将电压和气压参数输入到建立好的神经网络中以诊断参数。可以很好的弥补外加在金属探针上的电压所以引起的电场和等离子体内部的电场和磁场相互作用的影响,提高了使用朗缪尔探针诊断方法诊断等离子体多种参数的诊断精度和诊断范围。
附图说明
图1为本发明实施例所述的用于诊断等离子体参数的系统的结构示意图;
图2为本发明实施例所述的用于诊断等离子体参数的方法的氦气数据集数据分布图;
图3为本发明实施例所述的用于诊断等离子体参数的方法的误差对比示意图;
图4为本发明实施例所述的准确率与损失率随程序迭代次数的变化图。
附图标记说明:
101-空心阳极,102-空心阴极,2-真空泵,3-真空规管,4-数据处理装置,5-数据收集装置,6-朗缪尔探针,7-辉光放电管,8-电流表,9-电压表,10-气体注入装置,11-放电管固定装置,12-电阻,13-直流电源。
具体实施方式
为使本发明的上述目的、特征和优点能够更为明显易懂,下面结合附图对本发明的具体实施例做详细的说明。
本发明实施例提供一种用于诊断等离子体参数的系统,结合图1所示,包括:真空电极、数据处理装置4、数据收集装置5、气体环境维持装置、朗缪尔探针6、辉光放电管7;所述辉光放电管7内部两端分别设置有所述真空电极,所述真空电极适于提供辉光放电所需电源;所述气体环境维持装置与所述辉光放电管7连接,适于提供辉光放电所需气体环境;所述朗缪尔探针6通过所述数据收集装置5连接于所述数据处理装置4;所述数据收集装置5适于采集所述朗缪尔探针6上的电压以及气体环境维持装置提供的气压;所述数据处理装置4适于通过所述电压与所述气压诊断等离子体参数。
具体地,在本实施例中朗缪尔探针6是指一根除了端点工作部分以外其余部分均用绝缘材料覆盖的细金属丝,将其插入等离子体内部,使其端点工作部分与等离子体接触,而另一端通过一可调电源与产生等离子体的电极相连,改变这金属丝对等离子体的电位,按照带电粒子在拒斥场作用下的波尔兹曼关系可确定等离子体温度和密度等重要参数。
所述辉光放电管7的外径为30毫米,壁厚为2毫米,总长为450毫米,辉光放电管7与所述气体环境维持装置外接,四周用密封胶密封,使辉光放电管7内真空度控制在适合辉光放电等离子体产生的条件范围内,辉光放电管7中的真空度在0.1torr至大气压范围内。
在置有电极的玻璃管内充入低压气体,当两极间电压较高时,稀薄气体中的残余正离子在电场中加速,有足够的动能轰击阴极,产生二次电子,经簇射过程产生更多的带电粒子,使气体导电,从而可以产生等离子体。所述朗缪尔探针6是等离子体性质的诊断方式之一,也是最基本的诊断方式。向等离子体中插入一根极小的电极,然后加上一定的电压。例如,通过数据收集装置5采集朗缪尔探针6上的电压以及气体环境维持装置提供的气压,通过数据处理装置4使用人工神经网络模型统计算数据收集装置5采集的电压和气压数据,从而通过机器学习方法训练神经元,诊断等离子体参数。所述等离子体参数例如等离子体的密度、电子温度、等离子体电位和悬浮电位等。
在本实施例中,通过朗缪尔探针提供的电压以及气体环境维持装置提供的气压诊断等离子体参数,可以很好的弥补外加在金属探针上的电压所以引起的电场和等离子体内部的电场和磁场相互作用的影响,提高了使用朗缪尔探针6诊断方法诊断等离子体多种参数的诊断精度和诊断范围。
可选地,所述气体环境维持装置包括真空泵2、真空规管3和气体注入装置10;所述辉光放电管7上设置有开口与所述真空规管3连接,所述真空泵2和所述气体注入装置10分别通过管道与所述真空规管3连接。
具体地,在本实施例中,所述气体注入装置10向辉光放电管7注入不同的气体环境,例如氦气环境或者氩气环境。所述辉光放电管7通过真空规管3、真空泵2和气体注入装置10实现真空度在0.1torr至大气压范围内的准确控制。
在本实施例中,通过设置所述真空规管3、真空泵2和所述气体注入装置10,在所述辉光放电管7中形成了适于辉光放电的气体环境,更有利于产生等离子体,从而为诊断提供帮助。
可选地,所述真空电极包括空心阳极101和空心阴极102,所述空心阳极101和所述空心阴极102分别设置于所述辉光放电管7的两端。
具体地,在本实施例中所述辉光放电管7两侧对称开设个开口,分别对称放置空心阳极101和空心阴极102,所述朗缪尔探针6通过空心阳极101和空心阴极102可以对辉光放电管7任意位置等离子体进行诊断。在本实施例中观,真空电极为金属钼片,因为钼的二次电子发射系数γse在氦气放电中为0.274,氩气放电中为0.115要高于钨(氦气中γse为0.263,氩气中γse为0.096)、镍(氦气中γse为0.170,氩气中γse为0.034)材料,这有利于提高放电的电子密度。同时,在机械加工钻孔时,杂质会不可避免地溅射到表面,影响表面清洁度。而钼材料的溅射率会比其他材料更低,从而可以提高表面清洁度。所述真空电极为金属钼片开放圆筒,厚度为2毫米,直径为24毫米,长为30毫米。适于在辉光放电管7内产生直流辉光放电等离子体。
在本实施例中,通过在辉光放电管7两端设置空心阳极101和空心阴极102提高了放电的电子密度同时提高了表面清洁度,更有利于产生等离子体,从而为诊断提供帮助。
可选地,所述用于诊断等离子体参数的系统还包括直流电源13,所述空心阳极101和空心阴极102分别与直流电源13的正负极相连。
具体地,在本实施例中所述直流电源13提供0至1500V程控可调节电压,0至200mA程控可调节电流。所述真空电极与直流电源13之间串联有电阻12用于保护试验装置的安全性。
在本实施例中,通过设置直流电源13提供0至1500V程控可调节电压,0至200mA程控可调节电流,可以方便气体击穿,更有利于产生等离子体,从而为诊断提供帮助。
可选地,所述用于诊断等离子体参数的系统还包括电流表8和电压表9;所述电流表8与所述直流电源13串联,所述电压表9与所述直流电源13并联。
具体地,在本实施例中为了直观的观测电源的输出电流情况,在直流电源13上串联有电流表8,为了直观的观测电源的输出电压情况,在直流电源13上并联有电压表9。为了保护实验装置的安全性,真空电极与直流电源13之间串联有电阻12。
在本实施例中,通过在所述直流电源13上并联电压表9串联电流表8可以直观的观测电源的输出电流情况,更有利于产生等离子体,从而为诊断提供帮助。
可选地,所述用于诊断等离子体参数的系统还包括放电管固定装置11;所述辉光放电管7形状为对称的“V”型管,其弯曲角度为第一角度;所述辉光放电管7连接并固定于所述放电管固定装置11上;所述放电管固定装置11适于使所述辉光放电管7围绕弯曲部位自由旋转。
具体地,在本实施例中所述辉光放电管7呈对称的“V”字形,所述第一角度优选值为90度。所述辉光放电管7通过放电管固定装置11,可以围绕弯曲部位自由旋转。
在本实施例中,所述辉光放电管7通过放电管固定装置11,可以围绕弯曲部位自由旋转,结合辉光放电管7的“V”形形状,在对复杂等离子体进行诊断时,可以实现不同等离子体分布下的诊断,使装置具有更高的适用性。
本发明另一实施例还提供一种用于诊断等离子体参数的方法,应用于上述任一项所述用于诊断等离子体参数的系统,包括:获取电压和气压;根据所述电压和所述气压,使用人工神经网络模型诊断等离子体的参数。
具体地,在本实施例中,将探针诊断视为回归问题,通过电压和气压预测等离子体的参数。氦气是一种单原子、单组分气体,内部反应较为简单,所以选取氦气作为等离子体环境,利用本方法进行诊断。氦气环境下,等离子体内部存在的碰撞反应如下表所示:
氦气数据集分为训练集和测试集,训练集有1734组数据,测试集有396组数据,设定误差标准为10%,数据分布如图2所示。在1500次迭代之后,测试集中的所有数据的误差都小于误差标准。由于实验测量本身存在固有误差30%,具体的误差如图3所示。程序得到的结果优于实验本身的结果,不会引起新的误差。
图4说明了机器学习方法对于探针诊断参数的预测结果与实验结果的对比,对比精确度和损失率,可以得到比较好的结果。如图4所示,由于氦的成分相对简单,准确性和损失率迅速达到理想状态。
在本实施例中,通过测定的电压和气压,使用机器学习方法对于探针诊断参数的预测结果与实验结果的对比,对比精确度和损失率,可以得到比较准确的等离子体参数结果,大大降低了诊断等离子体参数的误差。可以很好的弥补外加在金属探针上的电压所以引起的电场和等离子体内部的电场和磁场相互作用的影响,提高了使用朗缪尔探针诊断方法诊断等离子体多种参数的诊断精度和诊断范围。
可选地,所述获取电压和气压包括:通过数据收集装置采集朗缪尔探针上的电压和采集气体环境维持装置提供的气压,并传输至数据处理装置。
具体地,在本实施例中,通过数据收集装置采集朗缪尔探针上的电压和采集气体环境维持装置提供的气压,传输至数据处理装置,数据处理装置根据电压与气压的特性关系训练神经元,达到满足要求的的准确度,进一步分析等离子体的参数。这里所说的等离子体参数例如等离子体的密度、电子温度、等离子体电位和悬浮电位等。
在本实施例中,通过数据收集装置采集朗缪尔探针上的电压和采集气体环境维持装置提供的气压,传输至数据处理装置,可以更有效更精确的分析电压与气压的特性,从而进一步精确分析等离子体参数。
可选地,所述使用人工神经网络模型诊断等离子体的参数包括:将电压和气压作为人工神经网络的输入,将等离子体参数作为所述人工神经网络的输出,对所述人工神经网络进行训练以建立所述人工神经网络模型,将测试样本输入所述人工神经网络模型中以实现所述等离子体的参数的诊断。
具体地,在本实施例中,将探针诊断视为回归问题,通过电压和气压预测等离子体的参数。使用ANN(Artificial Neural Network,人工神经网络)模型解决此问题。从输入层开始,经过隐藏层到达输出层,每个节点都是一个神经元。输入层与第一隐藏层的关系如下:
隐藏层之间的关系如下:
其中,Oj是第j个输出层的神经元,K是隐藏层神经元的最大数量。为避免梯度消失的问题,选择LeakyReLU作为激活函数,定义如下:
其中a是超参数,在实验中设定a=0.01。在输出层之后没有附加过滤器。损失函数用于检测测量标签的误差,通过反向传输来更新网络中的可调参数,最大程度地减少损失。网络的损失函数选为MSE(均方误差)损失,形式表示为:
其中,b和ω是可调参数,η是超参数的学习率。
电压气压参数带入到上述模型中训练人工神经网络,训练集有1734组数据,测试集有396组数据,设定误差标准为10%,数据分布如图2所示。在1500次迭代之后,测试集中的所有数据的误差都小于误差标准。由于实验测量本身存在固有误差30%,具体的误差如图3所示。程序得到的结果优于实验本身的结果,不会引起新的误差。使用训练好的人工神经网络模型诊断等离子体参数。
在本实施例中,通过机器学习的计算机数据处理方法和朗缪尔探针6的诊断方法相结合的方式,对探针诊断得到的数据进行处理。可以很好的弥补外加在金属探针上的电压所以引起的电场和等离子体内部的电场和磁场相互作用的影响,提高了使用朗缪尔探针诊断方法诊断等离子体多种参数的诊断精度和诊断范围。
可选地,所述对所述人工神经网络进行训练包括:经过反复多次训练并调控反向权值,以实现所述人工神经网络模型的输出误差项的最小化。
具体地,在本实施例中,构建的人工神经网络模型,其最终输出的权值矩阵是由人工神经网络模型输入层到输出层之间所有节点间加权的权值矩阵的“点乘”结果,网络训练的过程实际就是权值矩阵不断自我调整的过程;在人工神经网络模型输出端将训练数据通过人工神经网络模型计算的结果与训练数据配套注的“真值”做比较,并将误差信息反馈回人工神经网络模型;经过反复多次训练,可实现人工神经网络模型输出误差项的最小化;这种反馈调控机制能够说是一种由结果导向的人工神经网络模型权值参数的整体优化,而并不是局限于某几个或局部权值的调整,能够更好地体现出人工神经网络模型并行、非线性的特点,从而可以实现模拟人脑思维的效果。
在本实施例中,通过反复多次训练并调控反向权值,以实现所述人工神经网络模型的输出误差项的最小化,有效提高了使用朗缪尔探针诊断方法诊断等离子体多种参数的诊断精度和诊断范围。
可选地,所述对所述人工神经网络进行训练包括:采用LeakyReLU作为激活函数,在反向传播过程中对于LeakyReLU激活函数输入小于零的部分可计算得到梯度以避免梯度方向锯齿问题。
具体地,在本实施例中,LeakyReLU的提出就是为了解决神经元”死亡“问题,LeakyReLU与ReLU很相似,仅在输入小于0的部分有差别,ReLU输入小于0的部分值都为0,而LeakyReLU输入小于0的部分,值为负,且有微小的梯度。在反向传播过程中,对于LeakyReLU激活函数输入小于零的部分,也可以计算得到梯度(而不是像ReLU一样值为0),这样就避免了梯度方向锯齿问题,即能够避免梯度消失的问题。
在本实施例中,通过将LeakyReLU作为激活函数,避免了梯度消失的问题,使得参数能够得到及时更新,有效确保了训练的正常进行。
可选地,所述对所述人工神经网络进行训练包括:采用批量梯度下降算法进行反向传播来更新网络,在每一次迭代时使用所有样本来进行梯度的更新。
具体地,在本实施例中,梯度下降法作为机器学习中较常使用的优化算法,其有着三种不同的形式:批量梯度下降(Batch Gradient Descent)、随机梯度下降(StochasticGradient Descent)以及小批量梯度下降(Mini-Batch Gradient Descent),本实施例中采用批量梯度下降算法进行反向传播来更新网络,在每一次迭代时使用所有样本来进行梯度的更新,优点在于:(1)一次迭代是对所有样本进行计算,此时利用矩阵进行操作,实现了并行。(2)由全数据集确定的方向能够更好地代表样本总体,从而更准确地朝向极值所在的方向。当目标函数为凸函数时,BGD一定能够得到全局最优。
在本实施例中,通过采用批量梯度下降算法进行反向传播来更新网络,有效确保了训练的正常进行。
虽然本公开披露如上,但本公开的保护范围并非仅限于此。本领域技术人员在不脱离本公开的精神和范围的前提下,可进行各种变更与修改,这些变更与修改均将落入本发明的保护范围。
Claims (10)
1.一种用于诊断等离子体参数的系统,其特征在于,包括:真空电极、数据处理装置(4)、数据收集装置(5)、气体环境维持装置、朗缪尔探针(6)、辉光放电管(7);
所述辉光放电管(7)内部两端分别设置有所述真空电极,所述真空电极适于提供辉光放电所需电源;
所述气体环境维持装置与所述辉光放电管(7)连接,适于提供辉光放电所需气体环境;
所述朗缪尔探针(6)通过所述数据收集装置(5)连接于所述数据处理装置(4);
所述数据收集装置(5)适于采集所述朗缪尔探针(6)上的电压以及气体环境维持装置提供的气压;
所述数据处理装置(4)适于通过所述电压与所述气压诊断等离子体参数。
2.根据权利要求1所述的用于诊断等离子体参数的系统,其特征在于,所述气体环境维持装置包括真空泵(2)、真空规管(3)和气体注入装置(10);所述辉光放电管(7)上设置有开口与所述真空规管(3)连接,所述真空泵(2)和所述气体注入装置(10)分别通过管道与所述真空规管(3)连接。
3.根据权利要求1所述的用于诊断等离子体参数的系统,其特征在于,所述真空电极包括空心阳极(101)和空心阴极(102),所述空心阳极(101)和所述空心阴极(102)分别设置于所述辉光放电管(7)的两端。
4.根据权利要求1所述的用于诊断等离子体参数的系统,其特征在于,还包括放电管固定装置(11);所述辉光放电管(7)形状为对称的“V”型管,其弯曲角度为第一角度;所述辉光放电管(7)连接并固定于所述放电管固定装置(11)上;所述放电管固定装置(11)适于使所述辉光放电管围绕弯曲部位自由旋转。
5.一种用于诊断等离子体参数的方法,应用于权利要求1至4任一项所述用于诊断等离子体参数的系统,其特征在于,包括:
获取电压和气压;
根据所述电压和所述气压,使用人工神经网络模型诊断等离子体的参数。
6.根据权利要求5所述的用于诊断等离子体参数的方法,其特征在于,所述获取电压和气压包括:通过数据收集装置采集朗缪尔探针上的电压和采集气体环境维持装置提供的气压,并传输至数据处理装置。
7.根据权利要求5所述的用于诊断等离子体参数的方法,其特征在于,所述使用人工神经网络模型诊断等离子体的参数包括:
将电压和气压作为人工神经网络的输入,将等离子体参数作为所述人工神经网络的输出,对所述人工神经网络进行训练以建立所述人工神经网络模型,将测试样本输入所述人工神经网络模型中以实现所述等离子体的参数的诊断。
8.根据权利要求7所述的用于诊断等离子体参数的方法,其特征在于,所述对所述人工神经网络进行训练包括:
经过反复多次训练并调控反向权值,以实现所述人工神经网络模型的输出误差项的最小化。
9.根据权利要求7所述的用于诊断等离子体参数的方法,其特征在于,所述对所述人工神经网络进行训练包括:
采用LeakyReLU作为激活函数,在反向传播过程中对于LeakyReLU激活函数输入小于零的部分可计算得到梯度以避免梯度方向锯齿问题。
10.根据权利要求7所述的用于诊断等离子体参数的方法,其特征在于,所述对所述人工神经网络进行训练包括:
采用批量梯度下降算法进行反向传播来更新网络,在每一次迭代时使用所有样本来进行梯度的更新。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111337606.0A CN114222414A (zh) | 2021-11-09 | 2021-11-09 | 一种用于诊断等离子体参数的系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111337606.0A CN114222414A (zh) | 2021-11-09 | 2021-11-09 | 一种用于诊断等离子体参数的系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114222414A true CN114222414A (zh) | 2022-03-22 |
Family
ID=80697000
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111337606.0A Pending CN114222414A (zh) | 2021-11-09 | 2021-11-09 | 一种用于诊断等离子体参数的系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114222414A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117030683A (zh) * | 2023-07-03 | 2023-11-10 | 盐城工学院 | 一种等离子体电子密度发射光谱诊断方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5653894A (en) * | 1992-12-14 | 1997-08-05 | Lucent Technologies Inc. | Active neural network determination of endpoint in a plasma etch process |
KR20110125366A (ko) * | 2010-05-13 | 2011-11-21 | 세종대학교산학협력단 | 플라즈마 챔버 감시 장치 및 그 방법 |
CN112529107A (zh) * | 2020-12-28 | 2021-03-19 | 华中科技大学 | 基于可见光图像识别的等离子体温度瞬态诊断方法和系统 |
US20210225614A1 (en) * | 2020-01-20 | 2021-07-22 | COMET Technologies USA, Inc. | Radio frequency match network and generator |
CN113179574A (zh) * | 2021-04-23 | 2021-07-27 | 山东大学 | 用于标定区域等离子体分布的多通道朗缪尔探针诊断系统 |
-
2021
- 2021-11-09 CN CN202111337606.0A patent/CN114222414A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5653894A (en) * | 1992-12-14 | 1997-08-05 | Lucent Technologies Inc. | Active neural network determination of endpoint in a plasma etch process |
KR20110125366A (ko) * | 2010-05-13 | 2011-11-21 | 세종대학교산학협력단 | 플라즈마 챔버 감시 장치 및 그 방법 |
US20210225614A1 (en) * | 2020-01-20 | 2021-07-22 | COMET Technologies USA, Inc. | Radio frequency match network and generator |
CN112529107A (zh) * | 2020-12-28 | 2021-03-19 | 华中科技大学 | 基于可见光图像识别的等离子体温度瞬态诊断方法和系统 |
CN113179574A (zh) * | 2021-04-23 | 2021-07-27 | 山东大学 | 用于标定区域等离子体分布的多通道朗缪尔探针诊断系统 |
Non-Patent Citations (2)
Title |
---|
DING.Z、GUAN.Q、ET AL: "A method of electron density of positive column diagnosis-Combining machine learning and Langmuir probe", 《AIP ADVANCES》, vol. 11, no. 4, pages 1 - 7, XP012255770, DOI: 10.1063/5.0043266 * |
ZHE DING;CHENGXUN YUAN;ET AL: "Ambipolar Trap for Dust Particles in a V-Shaped Homogeneous Positive Column of Glow Discharge at Low and Medium Pressures", 《IEEE TRANSACTIONS ON PLASMA SCIENCE》, vol. 49, no. 3, pages 1 - 4 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117030683A (zh) * | 2023-07-03 | 2023-11-10 | 盐城工学院 | 一种等离子体电子密度发射光谱诊断方法及系统 |
CN117030683B (zh) * | 2023-07-03 | 2024-01-23 | 盐城工学院 | 一种等离子体电子密度发射光谱诊断方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Vurpillot et al. | Pragmatic reconstruction methods in atom probe tomography | |
Verma et al. | Interpretation of surface degradation on polymeric insulators | |
CN114222414A (zh) | 一种用于诊断等离子体参数的系统及方法 | |
Moy et al. | Macroscopic electrical field distribution and field-induced surface stresses of needle-shaped field emitters | |
Liu et al. | A new compact AMS system at Peking University | |
Prosa et al. | Analysis of implanted silicon dopant profiles | |
Baranova et al. | Nickel field-emission microcathode: art of fabrication, properties, and applications | |
EP2562784B1 (de) | Sensoranordnung zur Charakterisierung von Plasmabeschichtungs-, Plasmaätz- und Plasmabehandlungsprozessen sowie Verfahren zur Ermittlung von Kenngrößen in diesen Prozessen | |
Vurpillot et al. | Accuracy of analyses of microelectronics nanostructures in atom probe tomography | |
Blum et al. | Effect of electrical conduction on the electron emission properties of diamond needles | |
Manuel et al. | Design and construction of an electrostatic quadrupole doublet lens for nuclear microprobe application | |
CN113484702A (zh) | 一种脉冲放电的位移电流预测方法 | |
Diah et al. | Evaluation of hydrogen gas flow system in DECY-13 cyclotron | |
Petersen | Design and Assembly of a Quantum Material Factory | |
Baker | Secondary electron emission from dielectrics | |
US20110260054A1 (en) | Atom probe pulse energy | |
US8621661B2 (en) | Electrical-mechanical complex sensor for nanomaterials | |
Filippov et al. | The technique of field emission parameters research for nanostructured materials improvement | |
Fawaeer | Effects of Dielectric Coating of Nano Carbon Fibers on their Electronic Emissivity | |
Hoffmann et al. | Experimental investigation of a capacitive blind hollow cathode discharge with central gas injection | |
Bowden et al. | A low energy ion gun for bombarding small specimens | |
Aljaafreh | Field electron emission from coated Molybdenum tips Characterization and analysis | |
Bogomol’nyi | Experimental Evaluation of Fracture Surface Energy for Crystalline Dielectric Materials | |
BEHRENS et al. | TOWARDS NEURONAL-NETWORK-ENHANCED FINITE ELEMENT SIMULATIONS IN ADDITIVE MANUFACTURING | |
RU2530784C1 (ru) | Способ оценки стойкости тонких защитных покрытий материалов при высокоэнергетическом воздействии на них |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |