CN117030683B - 一种等离子体电子密度发射光谱诊断方法及*** - Google Patents
一种等离子体电子密度发射光谱诊断方法及*** Download PDFInfo
- Publication number
- CN117030683B CN117030683B CN202310811424.5A CN202310811424A CN117030683B CN 117030683 B CN117030683 B CN 117030683B CN 202310811424 A CN202310811424 A CN 202310811424A CN 117030683 B CN117030683 B CN 117030683B
- Authority
- CN
- China
- Prior art keywords
- spectral line
- plasma
- line intensity
- emission spectrum
- lens group
- 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.)
- Active
Links
- 238000000295 emission spectrum Methods 0.000 title claims abstract description 204
- 238000003745 diagnosis Methods 0.000 title claims abstract description 145
- 238000000034 method Methods 0.000 title claims abstract description 58
- 230000003595 spectral effect Effects 0.000 claims abstract description 441
- 238000012549 training Methods 0.000 claims abstract description 60
- 238000007637 random forest analysis Methods 0.000 claims abstract description 41
- 238000012795 verification Methods 0.000 claims abstract description 38
- 238000004088 simulation Methods 0.000 claims abstract description 29
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 20
- 230000006870 function Effects 0.000 claims description 90
- 238000001228 spectrum Methods 0.000 claims description 64
- 238000003066 decision tree Methods 0.000 claims description 20
- 239000013307 optical fiber Substances 0.000 claims description 20
- 230000008878 coupling Effects 0.000 claims description 13
- 238000010168 coupling process Methods 0.000 claims description 13
- 238000005859 coupling reaction Methods 0.000 claims description 13
- 238000010276 construction Methods 0.000 claims description 12
- 238000010606 normalization Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 10
- 238000004993 emission spectroscopy Methods 0.000 claims description 8
- 230000002269 spontaneous effect Effects 0.000 claims description 8
- 238000005315 distribution function Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000002405 diagnostic procedure Methods 0.000 claims description 5
- 238000003384 imaging method Methods 0.000 claims description 5
- 238000001514 detection method Methods 0.000 claims description 4
- 230000036039 immunity Effects 0.000 abstract description 6
- 210000002381 plasma Anatomy 0.000 description 191
- 239000007789 gas Substances 0.000 description 31
- 238000010586 diagram Methods 0.000 description 12
- 230000000694 effects Effects 0.000 description 12
- 230000009286 beneficial effect Effects 0.000 description 11
- 125000004429 atom Chemical group 0.000 description 8
- 239000000523 sample Substances 0.000 description 7
- 238000002474 experimental method Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 125000004435 hydrogen atom Chemical class [H]* 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000012897 Levenberg–Marquardt algorithm Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000005281 excited state Effects 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 229910052739 hydrogen Inorganic materials 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 238000001637 plasma atomic emission spectroscopy Methods 0.000 description 2
- 101000694017 Homo sapiens Sodium channel protein type 5 subunit alpha Proteins 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000010494 dissociation reaction Methods 0.000 description 1
- 230000005593 dissociations Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 229910052737 gold Inorganic materials 0.000 description 1
- 239000010931 gold Substances 0.000 description 1
- CPBQJMYROZQQJC-UHFFFAOYSA-N helium neon Chemical compound [He].[Ne] CPBQJMYROZQQJC-UHFFFAOYSA-N 0.000 description 1
- 239000001257 hydrogen Substances 0.000 description 1
- 238000005305 interferometry Methods 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- QSHDDOUJBYECFT-UHFFFAOYSA-N mercury Chemical compound [Hg] QSHDDOUJBYECFT-UHFFFAOYSA-N 0.000 description 1
- 229910052753 mercury Inorganic materials 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/62—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light
- G01N21/71—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light thermally excited
- G01N21/73—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light thermally excited using plasma burners or torches
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Plasma & Fusion (AREA)
- Chemical & Material Sciences (AREA)
- Geometry (AREA)
- Evolutionary Computation (AREA)
- Computer Hardware Design (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)
Abstract
本发明提供一种等离子体电子密度发射光谱诊断方法及***，其中方法包括：仿真计算出不同电子密度和温度参数对应的原子特征谱线数据集，并按照设定的比例分为训练集和验证集；构建等离子体发射光谱诊断模型，利用训练集对等离子体发射光谱诊断模型进行训练；利用验证集对训练完成的等离子体发射光谱诊断模型进行超参数调优；利用发射光谱采集***获取待诊断的等离子体的原子特征谱线；利用最优的等离子体发射光谱诊断模型，对待诊断的等离子体的原子特征谱线进行诊断。本发明采用了随机森林算法构建的等离子体发射光谱诊断模型，具有良好的鲁棒性和抗噪性，减小电子密度预测结果与真实结果之间的均方误差,提高了预测结果的准确性和诊断速度。
Description
技术领域
本发明涉及低温等离子体诊断技术领域，特别涉及一种等离子体电子密度发射光谱诊断方法及***。
背景技术
低温等离子体或气体放电通常由电子、带电粒子和中性粒子组成。在等离子体应用中，电子能够通过电离、激发、解离等过程直接和间接参与应用过程。因此，电子密度和温度、气体温度成为描述等离子体特性的三个基本特征参数，其中电子密度是描述等离子体中单位体积内的电子数。对于放电等离子体，电子密度的诊断是等离子体诊断技术的研究热点之一，具体包括有探针诊断法、汤姆逊散色法、微波干涉法、谱线展宽法等。相比之下，谱线展宽法是基于等离子体的发射光谱，在测量仪器经济实用性、诊断结果准确性和实时性等方面的综合性能最佳，因而在工业等离子体应用中具有重要的价值。通过分析激发态原子自发辐射谱线的线型，利用线型函数中的斯塔克展宽成分与电子密度和温度的关系。然而，由于谱线线型是诸多展宽函数的卷积，如多普勒展宽、共振展宽、范德瓦尔斯展宽、仪器展宽、斯塔克展宽和自然展宽，因此无法从谱线中直接提取斯塔克展宽的半高全宽，需要对谱线线型进行反卷积处理。通常需要在实验上预先获取等离子体中的气体温度和电子温度以及发射光谱采样***的仪器展宽，确定除斯塔克展宽之外的其它展宽函数，再利用基于非线性最小二乘的Levenberg-Marquardt算法对实验谱线进行拟合，得到斯塔克展宽的半高全宽。现有技术使得温度参数的实验误差直接传递给了电子密度的诊断过程，电子密度的误差被放大，难以满足等离子体诊断对精度的需求。
发明内容
本发明实施例提供的一种等离子体电子密度发射光谱诊断方法，包括：
基于原子特征谱线的展宽函数，仿真计算出不同电子密度和温度参数对应的原子特征谱线数据集，并按照设定的比例分为训练集和验证集；
基于随机森林算法构建等离子体发射光谱诊断模型，利用训练集对等离子体发射光谱诊断模型进行训练，得到训练完成的等离子体电子密度发射光谱诊断模型；
利用验证集对训练完成的等离子体发射光谱诊断模型进行超参数调优，得到最优的等离子体发射光谱诊断模型；
利用发射光谱采集***获取待诊断的等离子体的原子特征谱线；
利用最优的等离子体发射光谱诊断模型，对待诊断的等离子体的原子特征谱线进行诊断，得到待诊断的等离子体的电子密度预测值。
优选的，基于原子特征谱线的展宽函数，仿真计算出不同电子密度和温度参数对应的原子特征谱线数据集，并按照设定的比例分为训练集和验证集；包括：
利用发射光谱采集***采集等离子体的光谱，并通过温度诊断法得到等离子体的温度参数；
利用发射光谱采集***采集窄线宽激光光源或者低气压气体放电灯的原子特征谱线，确定仪器展宽函数；
基于原子特征谱线的展宽函数，在等离子体温度参数的基础上引入设定的温度偏差，计算出不同电子密度对应的原子特征谱线；
其中，原子特征谱线是气体放电或等离子体中激发态原子自发辐射的特征光谱，是以波长为自变量的谱线强度分布函数，是原子特征谱线的展宽函数的离散卷积，原子特征谱线的特征值包括中心波长、半高全宽或半高半宽以及谱线强度最大值；
其中，原子特征谱线的展宽函数，用于描述原子特征谱线的轮廓形状，包括：
仪器展宽函数、多普勒展宽函数、范德瓦尔斯展宽函数、斯塔克展宽函数、共振展宽函数和自然展宽函数；
其中，温度偏差的范围为-10％到10％；
将计算出的不同电子密度对应的原子特征谱线按照谱线强度进行归一化处理，构成原子特征谱线的仿真数据集，并按照设定的比例分为训练集和验证集。
优选地，基于随机森林算法构建等离子体发射光谱诊断模型，利用训练集对等离子体发射光谱诊断模型进行训练，得到训练完成的等离子体电子密度发射光谱诊断模型；包括：
基于随机森林算法构建等离子体发射光谱诊断模型，其中，等离子体发射光谱诊断模型包括若干个决策树，等离子体发射光谱诊断模型的输入是原子特征谱线，等离子体发射光谱诊断模型的输出是各决策树基于原子特征谱线预测等离子体的电子密度的预测值的算术平均；
将训练集输入到等离子体发射光谱诊断模型进行训练，得到训练完成的等离子体电子密度发射光谱诊断模型。
优选地，利用验证集对训练完成的等离子体发射光谱诊断模型进行超参数调优，得到最优的等离子体发射光谱诊断模型；包括：
利用训练完成的等离子体发射光谱诊断模型对验证集中的原子特征谱线进行预测，得到验证集中的原子特征谱线对应的电子密度预测值；
基于验证集中的原子特征谱线的电子密度预测值和电子密度真实值，计算出电子密度的预测值与电子密度真实值的均方误差；
选择使电子密度的预测值与电子密度真实值的均方误差最小的超参数作为超参数最优值；
其中，超参数包括决策树个数和最小叶子结点数目；
基于超参数最优值，对训练完成的等离子体发射光谱诊断模型的超参数进行调整，得到最优的等离子体发射光谱诊断模型。
优选地，发射光谱采集***包括：
透镜组、光纤以及用于采集原子特征谱线的光谱仪；
透镜组用于将等离子体的几何截面成像于光纤耦合器接口或光谱仪耦合狭缝入口，透镜组的第一焦点对准待诊断的等离子体，第二焦点对准光纤耦合器接口或光谱仪耦合狭缝入口；
光谱仪是单色仪和探测器的组合或光纤光谱仪；
其中，探测器是光电倍增管或电荷耦合器件或增强型电荷耦合器件。
优选地，等离子体电子密度发射光谱诊断方法，还包括：
对待诊断的原子特征谱线进行预处理；
其中，对待诊断的原子特征谱线进行预处理；包括：
获取待诊断的等离子体的原子特征谱线；
确定原子特征谱线中心波长附近的设定波长范围内的背景光谱，并对待诊断的等离子体的原子特征谱线去除附近的设定波长范围内的背景光谱，得到无背景的原子特征谱线；
其中，附近的设定波长范围内的背景光谱包括原子特征谱线在中心波长附近的设定波长范围内的连续谱和其它原子、分子的发射光谱；
基于原子特征谱线的谱线强度，对无背景的原子特征谱线进行归一化处理。
优选地，等离子体电子密度发射光谱诊断方法，还包括：
对发射光谱采集***中的透镜组进行角度调整和距离调整，使得发射光谱采集***采集到的原子特征谱线的谱线强度最大；
其中，对发射光谱采集***中的透镜组进行角度调整和距离调整，使得发射光谱采集***采集到的原子特征谱线的谱线强度最大；包括：
对发射光谱采集***中的透镜组进行角度调整；
其中，对发射光谱采集***中的透镜组进行角度调整包括：
采集等离子体的谱线强度，得到第一谱线强度；
将透镜组绕着透镜组的中心进行正向转动到与透镜组的初始轴线成设定角度θ，采集等离子体的谱线强度，得到第二谱线强度；
将透镜组绕着透镜组的中心反向转动使得透镜组的初始轴线成设定角度θ，采集等离子体的谱线强度，得到第三谱线强度；
比较第一谱线强度、第二谱线强度和第三谱线强度的大小，调整绕着透镜组的中心对透镜组进行角度调整，使得发射光谱采集***采集到的原子特征谱线的谱线强度在角度范围内最大；
当对透镜组进行角度调整完成后，对发射光谱采集***中的透镜组进行距离调整，使得发射光谱采集***采集到的原子特征谱线的谱线强度最大。
优选地，比较第一谱线强度、第二谱线强度和第三谱线强度的大小，调整绕着透镜组的中心对透镜组进行角度调整，使得发射光谱采集***采集到的原子特征谱线的谱线强度最大；包括：
若第一谱线强度大于第二谱线强度以及第三谱线强度，且第二谱线强度以及第三谱线强度不相等，则基于采集第一谱线强度的初始角度，绕着透镜组的中心转动透镜组向第二谱线强度以及第三谱线强度两者中较大的一侧转动小于设定角度θ；
若第二谱线强度大于第一谱线强度以及第三谱线强度，则基于采集第一谱线强度的初始角度，绕着透镜组的中心正向转动透镜组调整的角度大于设定角度θ；
若第三谱线强度大于第一谱线强度以及第二谱线强度，则基于采集第一谱线强度的初始角度，绕着透镜组的中心反向转动透镜组调整的角度大于设定角度θ；
当第一谱线强度大于第二谱线强度以及第三谱线强度，且第二谱线强度等于第三谱线强度，则停止调整，并透镜组恢复到采集第一谱线强度的初始角度，采集到的原子特征谱线的谱线强度在角度范围内最大。
优选地，当对透镜组进行角度调整完成后，对发射光谱采集***中的透镜组进行距离调整，使得发射光谱采集***采集到的原子特征谱线的谱线强度最大；包括：
对透镜组中的前端透镜进行距离调整，使得透镜组中的第一焦点聚焦在待诊断的等离子体上；
其中，对透镜组中的前端透镜进行距离调整，使得透镜组中的第一焦点聚焦在待诊断的等离子体上；包括：
当对透镜组进行角度调整完成后，采集等离子体的谱线强度，得到第四谱线强度；
基于移动透镜组中的前端透镜的初始位置，将透镜组的前端透镜朝着待诊断的等离子体正向移动设定的距离l1,采集等离子体的谱线强度，得到第五谱线强度；
基于移动透镜组中的前端透镜的初始位置，将透镜组的前端透镜朝着待诊断的等离子体反向移动设定的距离l1,采集等离子体的谱线强度，得到第六谱线强度；
比较第四谱线强度、第五谱线强度和第六谱线强度的大小，对透镜组中的前端透镜进行距离调整，使得发射光谱采集***采集到的原子特征谱线的谱线强度最大；
其中，比较第四谱线强度、第五谱线强度和第六谱线强度的大小，对透镜组中的前端透镜进行距离调整，使得发射光谱采集***采集到的原子特征谱线的谱线强度最大；包括：
若第四谱线强度大于第五谱线强度以及第六谱线强度，且第五谱线强度不等于第六谱线强度，则基于移动透镜组中的前端透镜的初始位置，将透镜组的前端透镜向第五谱线强度以及第六谱线强度两者中较大的一侧移动小于设定角度l1；
若第五谱线强度大于第四谱线强度以及第六谱线强度，则基于移动透镜组中的前端透镜的初始位置，将透镜组的前端透镜朝着待诊断的等离子体移动距离大于设定距离l1；
若第六谱线强度大于第四谱线强度以及第五谱线强度，则基于移动透镜组中的前端透镜的初始位置，将透镜组的前端透镜朝着待诊断的等离子体反向移动距离大于设定距离l1；
当第四谱线强度大于第五谱线强度以及第六谱线强度，且第五谱线强度等于第六谱线强度，则将透镜组的前端透镜恢复到采集第四谱线强度的位置，使得发射光谱采集***采集到的原子特征谱线的谱线强度最大；
当调整完透镜组中的前端透镜后，对透镜组的后端透镜进行距离调整，使得透镜组的第二焦点聚焦在光纤耦合器接口或光谱仪耦合狭缝入口上。
本发明还提供了一种等离子体电子密度发射光谱诊断***，包括：
数据集构建模块，用于基于原子特征谱线的展宽函数，仿真计算出不同电子密度和温度参数对应的原子特征谱线数据集，并按照设定的比例分为训练集和验证集；
诊断模型构建模块，用于基于随机森林算法构建等离子体发射光谱诊断模型，利用训练集对等离子体发射光谱诊断模型进行训练，得到训练完成的等离子体电子密度发射光谱诊断模型；
超参数调优模块，用于利用验证集对训练完成的等离子体发射光谱诊断模型进行超参数调优，得到最优的等离子体发射光谱诊断模型；
待诊断采集模块，用于利用发射光谱采集***获取待诊断的等离子体的原子特征谱线；
待诊断结果输出模块，用于利用最优的等离子体发射光谱诊断模型，对待诊断的等离子体的原子特征谱线进行诊断，得到待诊断的等离子体的电子密度预测值。
本发明有益效果：
本发明利用等离子体原子自发辐射光谱模型进行仿真实验，获取原子特征谱线的光谱数据作为训练集，避免了实验方法难于实现宽范围的等离子体特征参数，解决了机器学习所需的大数据量的难题；
本发明采用基于斯塔克展宽函数与随机森林算法构建模型相结合对电子密度进行诊断，充分利用随机森林算法模型具有良好的鲁棒性和抗噪性，可以有效地减小电子密度预测结果与真实结果之间的均方误差。
本发明引入带温度偏差的原子特征谱线训练数据集，降低了温度参数误差的叠加和传播对电子密度诊断结果的不利影响，提高了电子密度的诊断精度。
本发明基于随机森林算法构建等离子体发射光谱诊断模型对等离子体的光谱数据进行实时分析，提高了本***在光谱诊断中的谱线分析速度，能够同时实现光谱采集的时间和空间分辨，避免了后续的空间位置反演的复杂计算和误差。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1为本发明实施例中一种等离子体电子密度发射光谱诊断方法的示意图；
图2为本发明实施例中基于随机森林算法构建的等离子体发射光谱诊断模型对带温度偏差的光谱预测电子密度的示意图；
图3为本发明实施例提供的原子特征谱线训练数据集构建的流程图；
图4为本发明实施例中等离子体发射光谱诊断模型的每个决策树都对电子密度进行独立预测的示意图；
图5为本发明实施例中确定最优的等离子体发射光谱诊断模型的示意图；
图6为本发明实施例中提供的等离子体发射光谱诊断模型的超参数调优的相对误差结果示意图；
图6(a)部分为本发明实施例中温度误差为2％的等离子体发射光谱诊断模型的相对误差结果示意图；
图6(b)部分为本发明实施例中温度误差为2％的等离子体发射光谱诊断模型的相对误差结果示意图；
图6(c)部分为本发明实施例中温度误差为4％的等离子体发射光谱诊断模型的相对误差结果示意图；
图6(d)部分为本发明实施例中温度误差为6％的等离子体发射光谱诊断模型的相对误差结果示意图；
图6(e)部分为本发明实施例中温度误差为8％的等离子体发射光谱诊断模型的相对误差结果示意图；
图6(f)部分为本发明实施例中温度误差为10％的等离子体发射光谱诊断模型的相对误差结果示意图；
图7为本发明实施例中的发射光谱采集***的结果示意图；
图8为本发明实施例中一种等离子体电子密度发射光谱诊断***的示意图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
本发明实施例提供了一种等离子体电子密度发射光谱诊断方法，如图1所示，包括：
步骤1：基于原子特征谱线的展宽函数，仿真计算出不同电子密度和温度参数对应的原子特征谱线数据集，并按照设定的比例分为训练集和验证集；
步骤2：基于随机森林算法构建等离子体发射光谱诊断模型，利用训练集对等离子体发射光谱诊断模型进行训练，得到训练完成的等离子体电子密度发射光谱诊断模型；
步骤3：利用验证集对训练完成的等离子体发射光谱诊断模型进行超参数调优，得到最优的等离子体发射光谱诊断模型；
步骤4：利用发射光谱采集***获取待诊断的等离子体的原子特征谱线；
步骤5：利用最优的等离子体发射光谱诊断模型，对待诊断的等离子体的原子特征谱线进行诊断，得到待诊断的等离子体的电子密度预测值。
上述技术方案的工作原理及有益效果为：
步骤1构建原子特征谱线的仿真数据集，利用原子特征谱线及对应的等离子体特征参数生成训练集和验证集。原子特征谱线是气体放电或等离子体中激发态原子自发辐射的特征谱线强度随波长变化的分布函数。
由于不同工况放电等离子体中等离子体特征参数难以诊断，致使原子特征谱线难以大量获取，而利用仿真实验方法可以得到原子特征谱线样本。
例如，原子特征谱线可以选择氢原子的巴尔末线系(Balmer ser ies，Hβ、Hα、Hγ)，其中以486.1nm的Hβ谱线为最佳方案。等离子体特征参数包括电子密度、气体温度、电子温度，其中电子温度为可选参数。Hβ谱线可以不考虑电子温度参数的影响。通过对仿真数据集进行自助采样，生成多个训练集，每个训练集的样本数量与原始数据集相同。
步骤2构建等离子体发射光谱诊断模型，以训练集中原子特征谱线为输入、以电子密度为输出对等离子体发射光谱诊断模型进行训练。
具体的，通过构建神经网络、LSTM、CNN、随机森林回归模型，以等离子体中原子特征谱线为输入、电子密度为输出对不同的回归模型进行训练，对比不同的回归模型预测电子密度的均方误差MSE，具体表达式：
式中，MSE是均方误差，为模型对第i个样本预测的电子密度，yi为第i个样本真实的电子密度，n为预测样本的个数。
对于每个有放回采样获得的训练集，使用决策树算法构建一个决策树模型。决策树的构建过程通常使用特征随机选择，即在每个节点处，随机选择一部分特征作为候选特征，并根据信息增益、增益率、基尼指数等评估指标选择最佳的特征来划分节点。
步骤3利用验证集对等离子体发射光谱诊断模型进行超参数调优，获得最优的等离子体电子密度发射光谱诊断模型。
步骤4，利用发射光谱采集***获取局部放电等离子体的原子特征谱线，并对谱线光谱进行预处理。光谱的预处理包括提取干净的原子特征谱线以及强度的归一化。根据谱线附近波长范围内的光谱，需要去除连续谱和其它原子或分子的光谱背景。
步骤5，基于最优的回归模型，对预处理后的原子特征谱线进行诊断，并输出等离子体的电子密度参数。
基于传统最小二乘的光谱拟合方法对不含气体温度误差的光谱诊断电子密度的误差很小，但是实验误差是不可避免的，气体温度的误差越大，电子密度的误差越大。
例如，利用最小二乘法对上述测试集进行光谱拟合确定电子密度值，结果表明气体温度误差为10％的光谱得到的电子密度相对误差为(2.64±2.53)％，鲁棒性较差。相比之下，由于随机森林回归模型对原子特征谱线的预测具有一定的先验知识，预测结果的误差明显优于最小二乘法，而且随着温度参数误差的增大，随机森林模型降低诊断误差的优势越明显。
例如，采用随机森林模型和最小二乘法光谱拟合分别对测试集进行诊断，当气体温度的误差大于2％时，如图2所示，随机森林模型的预测效果优于最小二乘法。
本发明采用预测均方误差最小的随机森林回归模型构建等离子体发射光谱诊断模型，由于随机森林算法构建的等离子体发射光谱诊断模型具有良好的鲁棒性和抗噪性，可以有效地减小电子密度预测结果与真实结果之间的均方误差。
在一个实施例中，步骤1包括：
步骤1.1：
利用发射光谱采集***采集等离子体的光谱，并通过温度诊断法得到等离子体的温度参数；
步骤1.2：利用发射光谱采集***采集窄线宽激光光源或者低气压气体放电灯的原子特征谱线，确定仪器展宽函数；
步骤1.3：基于原子特征谱线的展宽函数，在等离子体温度参数的基础上引入设定的温度偏差，计算出不同电子密度对应的原子特征谱线；
其中，原子特征谱线是气体放电或等离子体中激发态原子自发辐射的特征光谱，是以波长为自变量的谱线强度分布函数，是原子特征谱线的展宽函数的离散卷积，原子特征谱线的特征值包括中心波长、半高全宽或半高半宽以及谱线强度最大值；
其中，原子特征谱线的展宽函数，用于描述原子特征谱线的轮廓形状，包括：
仪器展宽函数、多普勒展宽函数、范德瓦尔斯展宽函数、斯塔克展宽函数、共振展宽函数和自然展宽函数；
其中，温度偏差的范围为-10％到10％；
步骤1.4：将计算出的不同电子密度对应的原子特征谱线按照谱线强度进行归一化处理，构成原子特征谱线的仿真数据集，并按照设定的比例分为训练集和验证集
上述技术方案的工作原理及有益效果为：
如图3所示，步骤1.1对于不同工况下的放电等离子体，利用发射光谱采集***获取局部放电等离子体的发射光谱，利用光谱拟合诊断出温度参数。
温度参数包括气体温度和电子温度。因此，温度诊断法包括气体温度诊断方法和电子温度诊断方法。其中：气体温度诊断方法通过采集双原子分子发射光谱，拟合出转动温度，近似表示气体温度。例如，OH(A-X)，N2(C-B)、N2 +(B-X)，而电子温度诊断方法是针对高能级激发态原子的特征谱线，通过玻尔兹曼斜率法或者连续谱方法确定电子温度。
本实施例中以氢原子特征谱线为例，对于Hβ谱线而言，不需要考虑电子温度，只需要考虑气体温度Tg即可。
通过实验诊断方法获得温度参数是有误差的。例如，在大气压脉冲调制表面波等离子体中，气体温度Tg估计为1200K，误差约为±10％。
步骤1.2使用发射光谱采集***获取窄线宽激光光源或者低气压气体放电灯的特征谱线，确定仪器展宽函数；
具体的，窄线宽激光光源可以是氦氖激光器，低气压气体放电灯可以是低压汞灯。
采用高分辨率发射光谱采集***得到的谱线强度序列和波长序列，通过采用高刻线数的光栅、长焦距的单色仪、高像素的探测器以及减小狭缝宽度来提高分辨率，实现较小半高全宽的展宽函数，旨在降低仪器展宽在谱线展宽中的贡献和影响。
例如，仪器展宽函数通常为高斯型函数，在光谱仪焦距1000mm，光栅刻线数1800g/mm，狭缝宽度50μm，ICCD(Andor DH340T)的实验条件下，其半高全宽约为0.035nm。
步骤1.4利用原子特征谱线的展宽函数和温度参数，仿真计算出不同电子密度对应的原子特征谱线样本，并对每个样本数据进行归一化处理。
原子特征谱线的展宽函数，用于描述原子特征谱线的轮廓形状，具体包括仪器展宽函数、多普勒展宽函数、范德瓦尔斯展宽函数、斯塔克展宽函数、共振展宽函数和自然展宽函数；原子特征谱线是所述展宽函数的离散卷积。
原子特征谱线的展宽函数是福格特(Voigt)线型函数，具体表达式为：
式中，V(λ)是原子特征谱线的展宽函数，λ为波长，t是时间，λc为原子特征谱线的中心波长，A为原子特征谱线的展宽函数V(λ)与λ轴所围成的面积，通常取A＝1，wL是高斯线型的半高全宽，wG是洛伦兹线型的半高全宽。
例如，对于Hβ谱线，λc是486.132nm。
高斯线型的展宽函数包括多普勒展宽函数和仪器展宽函数。洛伦兹线型的展宽函数包括斯塔克展宽函数、范德瓦尔斯展宽函数，共振展宽函数和自然展宽函数，由于自然展宽函数的半高全宽wN为6.2×10-5nm，可以忽略不计。
具体表达式为：
wL＝wvan+wS+wres
式中，wG是高斯线型的展宽函数的半高全宽，wL是洛伦兹线型的展宽函数的半高全宽，wI是仪器展宽函数的半高全宽，wD是多普勒展宽函数的半高全宽，wvan是范德瓦尔斯展宽函数的半高全宽，wS是斯塔克展宽函数的半高全宽；wres是共振展宽函数的半高全宽。
对于Hβ谱线，多普勒展宽函数的半高全宽wD的具体表达式为：
式中,Tg为放电等离子体的气体温度，单位为K。
范德瓦尔斯展宽函数的半高全宽wvan的具体表达式为：
式中，P为放电等离子体中的气体压强，单位atm。
共振展宽函数的半高全宽wres的具体表达式为：
wres＝30.2XH(P/Tg)
式中,XH为氢原子的摩尔分数。对于不含氢气的大气压放电等离子体中，wres可以忽略不计。
斯塔克展宽函数的半高全宽wS，具体表达式为：
wS＝2.0×10-11(ne)0.668
式中,ne为电子密度，单位为cm-3。
由此可见，Hβ谱线强度分布函数是电子密度ne和气体温度Tg的函数。
仿真计算出不同电子密度对应的原子特征谱线样本，原子特征谱线样本是通过向温度参数引入一定范围的偏差，模拟温度参数诊断的实验误差，生成含温度偏差的光谱构成数据集。偏差范围为-10％～10％。
例如，大气压放电等离子体的电子密度范围一般为1×1013cm-3到1×1015cm-3，均匀随机选择495个值，当气体温度Tg为1200K时，在Tg上引入服从-10％～10％均匀分布的随机偏差，对每个电子密度值，随机取1080～1320K范围内的气体温度值50组，由此确定一个电子密度对应的谱线样本数为50个，生成训练集的样本总数为24750个。
为了更好地展示本发明的效果，本实施例通过仿真方法生成了520个电子密度，气体温度误差分别为0％、±2％、±4％、±6％、±8％、±10％的Hβ谱线数据，共3120组光谱和对应电子密度作为测试集，用于对比本发明与基于最小二乘的光谱拟合方法的区别。同时，为测试不同随机森林模型的鲁棒性和抗噪能力，如图2所示，本实施例构造了3个样本数相同的训练数据集，分别为气体温度含有-5％～5％均匀偏差的光谱、含有-10％～10％均匀偏差的光谱和含有-15％～15％均匀偏差的光谱。使用以上3个训练集分别训练3个模型：随机森林回归模型1(±5％)、随机森林回归模型2(±10％)和随机森林回归模型3(±15％)，对比模型预测效果。结果表明，最小二乘法(Levenberg-Marquardt算法)对无偏差的光谱预测效果最好，但光谱偏差越大最小二乘法诊断结果误差越大。该方法的鲁棒性最差。当光谱所含偏差绝对值大于2％时，随机森林模型1和2的预测效果均优于最小二乘法。因为在训练数据中引入适量噪声，可以使模型更好地适应真实实验中的不确定性，从而提高模型的鲁棒性和泛化能力。针对本案例的等离子体光谱数据，使用±10％内偏差训练的随机森林模型2的预测效果最佳，优于±5％内偏差训练模型，说明在一定的误差范围内，随机森林模型的输入加入噪声范围越大，模型预测效果越好，但在输入引入太大的噪声会降低模型的预测性能(±15％内偏差训练模型预测效果最差)。本案例随机森林模型训练数据引入最佳噪声范围是-10％～10％。
本发明实施例通过构建仿真数据集过程中，引入噪声范围±10％的偏差训练，可以使等离子体发射光谱诊断模型更好地适应真实实验中的不确定性，从而提高等离子体发射光谱诊断模型的鲁棒性和泛化能力。
在一个实施例中，步骤2包括：
步骤2.1：基于随机森林回归模型构建等离子体发射光谱诊断模型，其中，等离子体发射光谱诊断模型包括若干个决策树，等离子体发射光谱诊断模型的输出是各决策树的预测值的算术平均；
步骤2.2：将训练集输入到等离子体发射光谱诊断模型进行训练，得到训练完成的等离子体电子密度发射光谱诊断模型。
上述技术方案的工作原理及有益效果为：
步骤2构建等离子体发射光谱诊断模型，以训练集中原子特征谱线为输入、以电子密度为输出对等离子体发射光谱诊断模型进行训练。
具体的，通过构建神经网络、LSTM、CNN、随机森林回归模型，以等离子体中原子特征谱线为输入、电子密度为输出对不同的回归模型进行训练，对比不同的回归模型预测电子密度的均方误差MSE，具体表达式：
式中，为模型对第i个样本预测的电子密度，yi为第i个样本真实的电子密度，n为预测样本的个数。
因此，本发明采用预测均方误差最小的随机森林回归模型构建等离子体发射光谱诊断模型。
当有新的原子特征谱线需要进行诊断时，基于最优的随机森林回归模型中的每个决策树都对电子密度进行独立的预测，如图4所示，取它们的平均值作为最终预测电子密度具体表达式为：
式中,T是决策树的数量，是最终预测电子密度，/>是第j个决策树预测的电子密度。
本发明实施例采用随机森林回归模型构建等离子体发射光谱诊断模型并进行训练，均方误差最小，使得预测的结果更加精确。
在一个实施例中，步骤3；包括：
步骤3.1：利用训练完成的等离子体发射光谱诊断模型对验证集中的原子特征谱线进行预测，得到验证集中的原子特征谱线对应的电子密度预测值；
步骤3.2：基于验证集中的原子特征谱线的电子密度预测值和电子密度真实值，计算出电子密度的预测值与电子密度真实值的均方误差；
步骤3.3：选择使电子密度的预测值与电子密度真实值的均方误差最小的超参数作为超参数最优值；
其中，超参数包括决策树个数和最小叶子结点数目；
步骤3.4：基于超参数最优值，对训练完成的等离子体发射光谱诊断模型的超参数进行调整，得到最优的等离子体发射光谱诊断模型。
上述技术方案的工作原理及有益效果为：
利用验证集对训练完成的等离子体发射光谱诊断模型进行超参数调优，计算出不同超参数下的均方误差。通过调节决策树数量和最小叶节点数，以最小的均方误差来确定最优的模型。
如图5所示，选择不同的最小叶节点数分别为2、5、10、20、50、100，计算出均方误差随决策树数量的变化，如图5所示，当最小叶节点数为2，决策树个数选择200时达到最优的预测效果。
例如，本发明实施例利用仿真方法产生含气体温度误差分别为2％、4％、6％、8％、10％的光谱数据作为测试集，利用最优的等离子体电子密度发射光谱诊断模型对电子密度进行预测，计算最优的等离子体电子密度发射光谱诊断模型的预测结果与真实值间的相对误差,具体表达式为：
式中，error是回归模型的预测结果与真实值间的相对误差，是待诊断的等离子体的电子密度预测值真实值。
为了增强结果的可读性，选取了其中50个样本预测结果，回归模型的预测结果与真实值间的相对误差分别为(0.18±1.52)％、(0.30±1.05)％、(0.84±1.12)％、(1.30±2.00)％、(1.80±2.13)％、(2.30±2.35)％，如图6所示，结果表明随机森林模型对含偏差的光谱具有较强的鲁棒性和抗噪性。
本发明实施例通过验证集对训练完成的等离子体发射光谱诊断模型进行超参数调整，得到最优的等离子体发射光谱诊断模型，使得预测的结果与电子密度真实值之间的误差最小，预测结果更加准确。
在一个实施例中，发射光谱采集***包括：
透镜组、光纤以及用于采集原子特征谱线的光谱仪；
透镜组用于将等离子体的几何截面成像于光纤耦合器接口或光谱仪耦合狭缝入口，透镜组的第一焦点对准待诊断的等离子体，第二焦点对准光纤耦合器接口或光谱仪耦合狭缝入口。
光谱仪是单色仪和探测器的组合或光纤光谱仪；
其中，探测器是光电倍增管或电荷耦合器件或增强型电荷耦合器件。
上述技术方案的工作原理及有益效果为：
如图7所示，发射光谱采集***包括透镜组、光纤和用于采集放电等离子体的发射光谱的光谱仪。
光谱仪用于采集等离子体的自发辐射光谱，通常是单色仪和探测器的组合或是光纤光谱仪，其中，探测器是光电倍增管或电荷耦合器件或增强型电荷耦合器件。根据实验需求，本实施例选择增强型电荷耦合器件实现时间分辨。
透镜组主要用于等离子体成像或聚焦，将等离子体的局部发光传输至光谱仪中，耦合方式可以利用光纤耦合器或者是光谱仪的耦合狭缝入口，从而实现空间分辨的作用。例如，利用单个凸透镜成像规律，将等离子体的几何截面成像于光纤耦合器接口或光谱仪狭缝入口的端面。或者是，通过双透镜组合，将待测量的放电等离子体局部区域放置焦点位置，另一焦点放置光纤耦合器接口和狭缝入口。
同时还包括处理器和存储器。其中，处理器是用于处理机器学习模型训练、超参数调优和预测相关指令，执行一种基于机器学习的等离子体电子密度发射光谱诊断方法以及利用原子特征谱线的仿真数据集进行训练和超参数调优；
存储器是用于存储训练好的模型和光谱实验数据。
本发明通过发射光谱采集***采集等离子体的发射光谱，并利用处理器和存储器，从而实现等离子体电子密度发射光谱诊断方法以及利用原子特征谱线的仿真数据集进行训练和超参数调优。
在一个实施例中，还包括：
步骤6：对待诊断的原子特征谱线进行预处理；
其中，步骤6包括：
步骤6.1：获取待诊断的等离子体的原子特征谱线；
步骤6.2：确定原子特征谱线中心波长附近的设定波长范围内的背景光谱，并对待诊断的等离子体的原子特征谱线去除附近的设定波长范围内的背景光谱，得到无背景的原子特征谱线；
其中，附近的设定波长范围内的背景光谱包括原子特征谱线在中心波长附近的设定波长范围内的连续谱和其它原子、分子的发射光谱；
步骤6.3：基于原子特征谱线的谱线强度，对无背景的原子特征谱线进行归一化处理。
上述技术方案的工作原理及有益效果为：
步骤6.1利用发射光谱采集***获取待诊断的等离子体的原子特征谱线。
预处理包括提取干净的原子特征谱线以及强度的归一化。步骤6.2确定原子特征谱线中心波长附近的设定波长范围内的背景光谱，并对待诊断的等离子体的原子特征谱线去除在中心波长附近的设定波长范围内的背景光谱和其它原子或分子的光谱背景，得到无背景的原子特征谱线。步骤6.3对无背景的原子特征谱线进行归一化处理。
本发明实施例通过对待诊断的等离子体的原子特征谱线进行去除背景光谱和归一化处理，减少了诊断的误差，提高了诊断的准确性。
在一个实施例中，还包括：
步骤7：对发射光谱采集***中的透镜组进行角度调整和距离调整，使得发射光谱采集***采集到的原子特征谱线的谱线强度最大；
其中，步骤7包括：
步骤7.1：对发射光谱采集***中的透镜组进行角度调整；
其中，步骤7.1包括：
步骤7.1.1：采集等离子体的谱线强度，得到第一谱线强度；
步骤7.1.2：将透镜组绕着透镜组的中心进行正向转动到与透镜组的初始轴线成设定角度θ，采集等离子体的谱线强度，得到第二谱线强度；
步骤7.1.3：将透镜组绕着透镜组的中心反向转动使得透镜组的初始轴线成设定角度θ，采集等离子体的谱线强度，得到第三谱线强度；
步骤7.1.4：比较第一谱线强度、第二谱线强度和第三谱线强度的大小，调整绕着透镜组的中心对透镜组进行角度调整，使得发射光谱采集***采集到的原子特征谱线的谱线强度在角度范围内最大；
步骤7.2：当对透镜组进行角度调整完成后，对发射光谱采集***中的透镜组进行距离调整，使得发射光谱采集***采集到的原子特征谱线的谱线强度最大。
上述技术方案的工作原理及有益效果为：
由于发射原子特征谱线有可能是在人眼可见光波段之外，如果通过人眼进行调整，往往会造成调整不准确，不能实现谱线强度，从而影响到后期的诊断处理等。因此，本发明实施例通过自动调整透镜组实现采集谱线强度最大。
步骤7.1采集透镜组在初始位置和初始角度上的采集等离子体的谱线强度，得到第一谱线强度。并在初始角度的基础上绕着透镜组的中心上下转动设定角度θ，再分别采集等离子体的谱线强度，得到第二谱线强度和第三谱线强度。根据第一谱线强度、第二谱线强度和第三谱线强度进行比较，使得发射光谱采集***采集到的原子特征谱线的谱线强度在角度范围内最大。
当角度调整完成后，再对透镜组进行距离调整，使得发射光谱采集***采集到的原子特征谱线的谱线强度最大。
本发明实施例对透镜组进行角度调整和距离调整，使得发射光谱采集***采集到的原子特征谱线的谱线强度最大，克服了发射光谱人工调整的难度问题，实现透镜组自动调整，快速完成透镜组的采样准备，并提高了原子特征谱线信号的清晰度，同时使得预测结果更加接近真实值。
在一个实施例中，步骤7.1.4包括：
步骤7.1.4.1：若第一谱线强度大于第二谱线强度以及第三谱线强度，且第二谱线强度以及第三谱线强度不相等，则基于采集第一谱线强度的初始角度，绕着透镜组的中心转动透镜组向靠近第二谱线强度以及第三谱线强度两者中较大的一侧转动小于设定角度θ；
步骤7.1.4.2：若第二谱线强度大于第一谱线强度以及第三谱线强度，则基于采集第一谱线强度的初始角度，绕着透镜组的中心正向转动透镜组调整的角度大于设定角度θ；
步骤7.1.4.3：若第三谱线强度大于第一谱线强度以及第二谱线强度，则基于采集第一谱线强度的初始角度，绕着透镜组的中心反向转动透镜组调整的角度大于设定角度θ；
步骤7.1.4.4：当第一谱线强度大于第二谱线强度以及第三谱线强度，且第二谱线强度等于第三谱线强度，则停止调整，并透镜组恢复到采集第一谱线强度的初始角度，采集到的原子特征谱线的谱线强度在角度范围内最大。
上述技术方案的工作原理及有益效果为：
根据比较第一谱线强度、第二谱线强度以及第三谱线强度之间的大小，对透镜组进行自动调整，使得采集到的原子特征谱线的谱线强度在角度范围内最大。例如，当第一谱线强度是1.5，第二谱线强度1以及第三谱线强度1.1，第一谱线强度大于第二谱线强度和第三谱线强度，因此，基于采集第一谱线强度的初始角度，向第三谱线强度的一侧进行角度调整，使得采集到的原子特征谱线的谱线强度在角度范围内最大。
当第一谱线强度大于第二谱线强度以及第三谱线强度，且第二谱线强度等于第三谱线强度，则停止调整，并透镜组恢复到采集第一谱线强度的初始角度，采集到的原子特征谱线的谱线强度在角度范围内最大。当第一谱线强度是1.6，第二谱线强度1.4以及第三谱线强度1.4，第二谱线强度等于第三谱线强度，因此采集第一谱线强度的初始角度，采集到的原子特征谱线的谱线强度在角度范围内最大。
本发明通过比较第一谱线强度、第二谱线强度以及第三谱线强度之间的大小，对角度进行自动调整，从而实现采集到的原子特征谱线的谱线强度在角度范围内最大，解决人工调整的不准确和不可见光波段范围内的角度调整难度问题。
在一个实施例中，步骤7.2包括：
步骤7.2.1：对透镜组中的前端透镜进行距离调整，使得透镜组中的第一焦点聚焦在待诊断的等离子体上；
其中，步骤7.2.1包括：
步骤7.2.1.1：当对透镜组进行角度调整完成后，采集等离子体的谱线强度，得到第四谱线强度；
步骤7.2.1.2：基于移动透镜组中的前端透镜的初始位置，将透镜组的前端透镜朝着待诊断的等离子体正向移动设定的距离l1,采集等离子体的谱线强度，得到第五谱线强度；
步骤7.2.1.3：基于移动透镜组中的前端透镜的初始位置，将透镜组的前端透镜朝着待诊断的等离子体反向移动设定的距离l1,采集等离子体的谱线强度，得到第六谱线强度；
步骤7.2.1.4：比较第四谱线强度、第五谱线强度和第六谱线强度的大小，对透镜组中的前端透镜进行距离调整，使得发射光谱采集***采集到的原子特征谱线的谱线强度最大；
其中，步骤7.2.1.4包括：
步骤7.2.1.4.1：若第四谱线强度大于第五谱线强度以及第六谱线强度，且第五谱线强度不等于第六谱线强度，则基于移动透镜组中的前端透镜的初始位置，将透镜组的前端透镜向第五谱线强度以及第六谱线强度两者中较大的一侧移动小于设定角度l1；
步骤7.2.1.4.2：若第五谱线强度大于第四谱线强度以及第六谱线强度，则基于移动透镜组中的前端透镜的初始位置，将透镜组的前端透镜朝着待诊断的等离子体移动距离大于设定距离l1；
步骤7.2.1.4.3：若第六谱线强度大于第四谱线强度以及第五谱线强度，则基于移动透镜组中的前端透镜的初始位置，将透镜组的前端透镜朝着待诊断的等离子体反向移动距离大于设定距离l1；
步骤7.2.1.4.4：当第四谱线强度大于第五谱线强度以及第六谱线强度，且第五谱线强度等于第六谱线强度，则将透镜组的前端透镜恢复到采集第四谱线强度的位置，使得发射光谱采集***采集到的原子特征谱线的谱线强度最大；
步骤7.2.2：当调整完透镜组中的前端透镜后，对透镜组的后端透镜进行距离调整，使得透镜组的第二焦点聚焦在光纤耦合器接口或光谱仪耦合狭缝入口上。
上述技术方案的工作原理及有益效果为：
根据比较第四谱线强度、第五谱线强度以及第六谱线强度之间的大小，对透镜组中的前端透镜进行距离调整，使得采集到的原子特征谱线的谱线强度在角度范围内最大。例如，当第四谱线强度是2，第五谱线强度1.4以及第六谱线强度1.6，第四谱线强度大于第五谱线强度和第六谱线强度，因此，基于基于移动透镜组中的前端透镜的初始位置，向第六谱线强度的一侧进行角度调整，使得采集到的原子特征谱线的谱线强度最大。
当第四谱线强度大于第五谱线强度以及第六谱线强度，且第五谱线强度等于第六谱线强度，则停止调整，将透镜组的前端透镜恢复到采集第四谱线强度的位置，采集到的原子特征谱线的谱线强度在角度范围内最大。例如，当第四谱线强度是2，第五谱线强度1.5以及第六谱线强度1.5，第五谱线强度等于第六谱线强度，因此将透镜组的前端透镜恢复到采集第四谱线强度的位置，采集到的原子特征谱线的谱线强度最大。
完成透镜组中的前端透镜的距离调整，使得透镜组中的第一焦点聚焦在待诊断的等离子体上。再进行透镜组中的后端透镜的距离调整，使得透镜组的第二焦点聚焦在光纤耦合器接口或光谱仪耦合狭缝入口上。
本发明实施例通过对透镜组中的前端透镜和后端透镜分别进行距离调整，使得透镜组的第一焦点和第二焦点分别聚焦在在待诊断的等离子体和光纤耦合器接口或光谱仪耦合狭缝入口上，从而使得发发射光谱采集***采集到的原子特征谱线的谱线强度最大。
本发明实施例还提供了一种等离子体电子密度发射光谱诊断***，如图8所示，包括：
数据集构建模块1，用于基于原子特征谱线的展宽函数，仿真计算出不同电子密度和温度参数对应的原子特征谱线数据集，并按照设定的比例分为训练集和验证集；
诊断模型构建模块2，用于基于随机森林算法构建等离子体发射光谱诊断模型，利用训练集对等离子体发射光谱诊断模型进行训练，得到训练完成的等离子体电子密度发射光谱诊断模型；
超参数调优模块3，用于利用验证集对训练完成的等离子体发射光谱诊断模型进行超参数调优，得到最优的等离子体发射光谱诊断模型；
待诊断采集模块4，用于利用发射光谱采集***获取待诊断的等离子体的原子特征谱线；
待诊断结果输出模块5，用于利用最优的等离子体发射光谱诊断模型，对待诊断的等离子体的原子特征谱线进行诊断，得到待诊断的等离子体的电子密度预测值。
上述技术方案的工作原理及有益效果为：
数据集构建模块1构建原子特征谱线的仿真数据集，并基于原子特征谱线及原子特征谱线对应的电子密度生成训练集和验证集。诊断模型构建模块2基于随机森林算法构建等离子体发射光谱诊断模型，将训练集输入到光谱诊断模型进行训练。超参数调优模块3利用验证集对训练完成的等离子体发射光谱诊断模型进行超参数调优。待诊断采集模块4利用发射光谱采集***获取待诊断的原子特征谱线。待诊断结果输出模块5，用于利用最优的等离子体发射光谱诊断模型，对待诊断的等离子体的原子特征谱线进行诊断，得到待诊断的原子特征谱线对应的电子密度。
本发明实施例采用随机森林算法构建等离子体发射光谱诊断模型并对待诊断的等离子体的原子特征谱线进行诊断，得到电子密度预测值。由于随机森林算法构建的等离子体发射光谱诊断模型具有良好的鲁棒性和抗噪性，可以有效地减小电子密度预测结果与真实结果之间的均方误差。
为了更好地展示本发明的效果，本实施例使用计算机CPU处理器为Intel(R)Xeon(R)Gold 6258R，主频2.70GHz，28核。在Matlab 2022b软件中，使用最小二乘法对一个等离子体光谱数据进行诊断，预测电子密度所需的平均时间为22.75秒，而使用训练好的随机森林回归模型2对一个谱线进行分析所需的平均时间只有0.20秒。因此，随机森林模型可以对等离子体光谱进行实时的诊断。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
Claims (9)
1.一种等离子体电子密度发射光谱诊断方法，其特征在于，包括：
基于原子特征谱线的展宽函数，仿真计算出不同电子密度和温度参数对应的原子特征谱线数据集，并按照设定的比例分为训练集和验证集；
基于随机森林算法构建等离子体发射光谱诊断模型，利用训练集对等离子体发射光谱诊断模型进行训练，得到训练完成的等离子体电子密度发射光谱诊断模型；
利用验证集对训练完成的等离子体发射光谱诊断模型进行超参数调优，得到最优的等离子体发射光谱诊断模型；
利用发射光谱采集***获取待诊断的等离子体的原子特征谱线；
利用最优的等离子体发射光谱诊断模型，对待诊断的等离子体的原子特征谱线进行诊断，得到待诊断的等离子体的电子密度预测值；
基于原子特征谱线的展宽函数，仿真计算出不同电子密度和温度参数对应的原子特征谱线数据集，并按照设定的比例分为训练集和验证集；包括：
利用发射光谱采集***采集等离子体的光谱，并通过温度诊断法得到等离子体的温度参数；
利用发射光谱采集***采集窄线宽激光光源或者低气压气体放电灯的原子特征谱线，确定仪器展宽函数；
基于原子特征谱线的展宽函数，在等离子体的温度参数的基础上引入设定的温度偏差，计算出不同电子密度对应的原子特征谱线；
其中，原子特征谱线是气体放电或等离子体中激发态原子自发辐射的特征光谱，是以波长为自变量的谱线强度分布函数，是原子特征谱线的展宽函数的离散卷积，原子特征谱线的特征值包括中心波长、半高全宽或半高半宽以及谱线强度最大值；
其中，原子特征谱线的展宽函数，用于描述原子特征谱线的轮廓形状，包括：
仪器展宽函数、多普勒展宽函数、范德瓦尔斯展宽函数、斯塔克展宽函数、共振展宽函数和自然展宽函数；
其中，温度偏差的范围为-10％到10％；
将计算出的不同电子密度对应的原子特征谱线按照谱线强度进行归一化处理，构成原子特征谱线的仿真数据集，并按照设定的比例分为训练集和验证集。
2.如权利要求1所述的一种等离子体电子密度发射光谱诊断方法，其特征在于，基于随机森林算法构建等离子体发射光谱诊断模型，利用训练集对等离子体发射光谱诊断模型进行训练，得到训练完成的等离子体电子密度发射光谱诊断模型；包括：
基于随机森林算法构建等离子体发射光谱诊断模型，其中，等离子体发射光谱诊断模型包括若干个决策树，等离子体发射光谱诊断模型的输入是原子特征谱线，等离子体发射光谱诊断模型的输出是各决策树基于原子特征谱线预测等离子体的电子密度的预测值的算术平均；
将训练集输入到等离子体发射光谱诊断模型进行训练，得到训练完成的等离子体电子密度发射光谱诊断模型。
3.如权利要求2所述的一种等离子体电子密度发射光谱诊断方法，其特征在于，利用验证集对训练完成的等离子体发射光谱诊断模型进行超参数调优，得到最优的等离子体发射光谱诊断模型；包括：
利用训练完成的等离子体发射光谱诊断模型对验证集中的原子特征谱线进行预测，得到验证集中的原子特征谱线对应的电子密度预测值；
基于验证集中的原子特征谱线的电子密度预测值和电子密度真实值，计算出电子密度的预测值与电子密度真实值的均方误差；
选择使电子密度的预测值与电子密度真实值的均方误差最小的超参数作为超参数最优值；
其中，超参数包括决策树个数和最小叶子结点数目；
基于超参数最优值，对训练完成的等离子体发射光谱诊断模型的超参数进行调整，得到最优的等离子体发射光谱诊断模型。
4.如权利要求3所述的一种等离子体电子密度发射光谱诊断方法，其特征在于，发射光谱采集***包括：
透镜组、光纤以及用于采集原子特征谱线的光谱仪；
透镜组用于将等离子体的几何截面成像于光纤耦合器接口或光谱仪耦合狭缝入口，透镜组的第一焦点对准待诊断的等离子体，第二焦点对准光纤耦合器接口或光谱仪耦合狭缝入口；
光谱仪是单色仪和探测器的组合或光纤光谱仪；
其中，探测器是光电倍增管或电荷耦合器件或增强型电荷耦合器件。
5.如权利要求4所述的一种等离子体电子密度发射光谱诊断方法，其特征在于，还包括：
对待诊断的原子特征谱线进行预处理；
其中，对待诊断的原子特征谱线进行预处理；包括：
获取待诊断的等离子体的原子特征谱线；
确定原子特征谱线中心波长附近的设定波长范围内的背景光谱，并对待诊断的等离子体的原子特征谱线去除附近的设定波长范围内的背景光谱，得到无背景的原子特征谱线；
其中，附近的设定波长范围内的背景光谱包括原子特征谱线在中心波长附近的设定波长范围内的连续谱和其它原子、分子的发射光谱；
基于原子特征谱线的谱线强度，对无背景的原子特征谱线进行归一化处理。
6.如权利要求5所述的一种等离子体电子密度发射光谱诊断方法，其特征在于，还包括：
对发射光谱采集***中的透镜组进行角度调整和距离调整，使得发射光谱采集***采集到的原子特征谱线的谱线强度最大；
其中，对发射光谱采集***中的透镜组进行角度调整和距离调整，使得发射光谱采集***采集到的原子特征谱线的谱线强度最大；包括：
对发射光谱采集***中的透镜组进行角度调整；
其中，对发射光谱采集***中的透镜组进行角度调整包括：
采集等离子体的谱线强度，得到第一谱线强度；
将透镜组绕着透镜组的中心进行正向转动到与透镜组的初始轴线成设定角度θ，采集等离子体的谱线强度，得到第二谱线强度；
将透镜组绕着透镜组的中心反向转动使得透镜组的初始轴线成设定角度θ，采集等离子体的谱线强度，得到第三谱线强度；
比较第一谱线强度、第二谱线强度和第三谱线强度的大小，调整绕着透镜组的中心对透镜组进行角度调整，使得发射光谱采集***采集到的原子特征谱线的谱线强度在角度范围内最大；
当对透镜组进行角度调整完成后，对发射光谱采集***中的透镜组进行距离调整，使得发射光谱采集***采集到的原子特征谱线的谱线强度最大。
7.如权利要求6所述的一种等离子体电子密度发射光谱诊断方法，其特征在于，比较第一谱线强度、第二谱线强度和第三谱线强度的大小，调整绕着透镜组的中心对透镜组进行角度调整，使得发射光谱采集***采集到的原子特征谱线的谱线强度最大；包括：
若第一谱线强度大于第二谱线强度以及第三谱线强度，且第二谱线强度以及第三谱线强度不相等，则基于采集第一谱线强度的初始角度，绕着透镜组的中心转动透镜组向第二谱线强度以及第三谱线强度两者中较大的一侧转动小于设定角度θ；
若第二谱线强度大于第一谱线强度以及第三谱线强度，则基于采集第一谱线强度的初始角度，绕着透镜组的中心正向转动透镜组调整的角度大于设定角度θ；
若第三谱线强度大于第一谱线强度以及第二谱线强度，则基于采集第一谱线强度的初始角度，绕着透镜组的中心反向转动透镜组调整的角度大于设定角度θ；
当第一谱线强度大于第二谱线强度以及第三谱线强度，且第二谱线强度等于第三谱线强度，则停止调整，并透镜组恢复到采集第一谱线强度的初始角度，采集到的原子特征谱线的谱线强度在角度范围内最大。
8.如权利要求7所述的一种等离子体电子密度发射光谱诊断方法，其特征在于，当对透镜组进行角度调整完成后，对发射光谱采集***中的透镜组进行距离调整，使得发射光谱采集***采集到的原子特征谱线的谱线强度最大；包括：
对透镜组中的前端透镜进行距离调整，使得透镜组中的第一焦点聚焦在待诊断的等离子体上；
其中，对透镜组中的前端透镜进行距离调整，使得透镜组中的第一焦点聚焦在待诊断的等离子体上；包括：
当对透镜组进行角度调整完成后，采集等离子体的谱线强度，得到第四谱线强度；
基于移动透镜组中的前端透镜的初始位置，将透镜组的前端透镜朝着待诊断的等离子体正向移动设定的距离l1,采集等离子体的谱线强度，得到第五谱线强度；
基于移动透镜组中的前端透镜的初始位置，将透镜组的前端透镜朝着待诊断的等离子体反向移动设定的距离l1,采集等离子体的谱线强度，得到第六谱线强度；
比较第四谱线强度、第五谱线强度和第六谱线强度的大小，对透镜组中的前端透镜进行距离调整，使得发射光谱采集***采集到的原子特征谱线的谱线强度最大；
其中，比较第四谱线强度、第五谱线强度和第六谱线强度的大小，对透镜组中的前端透镜进行距离调整，使得发射光谱采集***采集到的原子特征谱线的谱线强度最大；包括：
若第四谱线强度大于第五谱线强度以及第六谱线强度，且第五谱线强度不等于第六谱线强度，则基于移动透镜组中的前端透镜的初始位置，将透镜组的前端透镜向第五谱线强度以及第六谱线强度两者中较大的一侧移动小于设定角度l1；
若第五谱线强度大于第四谱线强度以及第六谱线强度，则基于移动透镜组中的前端透镜的初始位置，将透镜组的前端透镜朝着待诊断的等离子体移动距离大于设定距离l1；
若第六谱线强度大于第四谱线强度以及第五谱线强度，则基于移动透镜组中的前端透镜的初始位置，将透镜组的前端透镜朝着待诊断的等离子体反向移动距离大于设定距离l1；
当第四谱线强度大于第五谱线强度以及第六谱线强度，且第五谱线强度等于第六谱线强度，则将透镜组的前端透镜恢复到采集第四谱线强度的位置，使得发射光谱采集***采集到的原子特征谱线的谱线强度最大；
当调整完透镜组中的前端透镜后，对透镜组的后端透镜进行距离调整，使得透镜组的第二焦点聚焦在光纤耦合器接口或光谱仪耦合狭缝入口上。
9.一种等离子体电子密度发射光谱诊断***，其特征在于，包括：
数据集构建模块，用于基于原子特征谱线的展宽函数，仿真计算出不同电子密度和温度参数对应的原子特征谱线数据集，并按照设定的比例分为训练集和验证集；
诊断模型构建模块，用于基于随机森林算法构建等离子体发射光谱诊断模型，利用训练集对等离子体发射光谱诊断模型进行训练，得到训练完成的等离子体电子密度发射光谱诊断模型；
超参数调优模块，用于利用验证集对训练完成的等离子体发射光谱诊断模型进行超参数调优，得到最优的等离子体发射光谱诊断模型；
待诊断采集模块，用于利用发射光谱采集***获取待诊断的等离子体的原子特征谱线；
待诊断结果输出模块，用于利用最优的等离子体发射光谱诊断模型，对待诊断的等离子体的原子特征谱线进行诊断，得到待诊断的等离子体的电子密度预测值；
数据集构建模块基于原子特征谱线的展宽函数，仿真计算出不同电子密度和温度参数对应的原子特征谱线数据集，并按照设定的比例分为训练集和验证集；包括：
利用发射光谱采集***采集等离子体的光谱，并通过温度诊断法得到等离子体的温度参数；
利用发射光谱采集***采集窄线宽激光光源或者低气压气体放电灯的原子特征谱线，确定仪器展宽函数；
基于原子特征谱线的展宽函数，在等离子体的温度参数的基础上引入设定的温度偏差，计算出不同电子密度对应的原子特征谱线；
其中，原子特征谱线是气体放电或等离子体中激发态原子自发辐射的特征光谱，是以波长为自变量的谱线强度分布函数，是原子特征谱线的展宽函数的离散卷积，原子特征谱线的特征值包括中心波长、半高全宽或半高半宽以及谱线强度最大值；
其中，原子特征谱线的展宽函数，用于描述原子特征谱线的轮廓形状，包括：
仪器展宽函数、多普勒展宽函数、范德瓦尔斯展宽函数、斯塔克展宽函数、共振展宽函数和自然展宽函数；
其中，温度偏差的范围为-10％到10％；
将计算出的不同电子密度对应的原子特征谱线按照谱线强度进行归一化处理，构成原子特征谱线的仿真数据集，并按照设定的比例分为训练集和验证集。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310811424.5A CN117030683B (zh) | 2023-07-03 | 2023-07-03 | 一种等离子体电子密度发射光谱诊断方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310811424.5A CN117030683B (zh) | 2023-07-03 | 2023-07-03 | 一种等离子体电子密度发射光谱诊断方法及*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117030683A CN117030683A (zh) | 2023-11-10 |
| CN117030683B true CN117030683B (zh) | 2024-01-23 |
Family
ID=88627019
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310811424.5A Active CN117030683B (zh) | 2023-07-03 | 2023-07-03 | 一种等离子体电子密度发射光谱诊断方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117030683B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101566501A (zh) * | 2009-05-14 | 2009-10-28 | 大连海事大学 | 一种光纤光谱协同放电电流测量等离子体电子密度的方法 |
| CN113657593A (zh) * | 2021-07-30 | 2021-11-16 | 西安理工大学 | 一种基于bp神经网络的等离子体参数诊断方法 |
| KR20220001603A (ko) * | 2020-06-30 | 2022-01-06 | 주식회사 프라임솔루션 | 다채널 광스펙트럼 분석을 위한 머신러닝 모델을 이용한 플라즈마 식각공정 진단장치 및 이를 이용한 플라즈마 식각공정 진단방법 |
| CN114222414A (zh) * | 2021-11-09 | 2022-03-22 | 中国人民解放军军事科学院国防工程研究院工程防护研究所 | 一种用于诊断等离子体参数的***及方法 |
| CN115393504A (zh) * | 2022-08-02 | 2022-11-25 | 西安电子科技大学 | 基于发射光谱法的等离子体电子密度三维联合诊断方法 |
| CN115988724A (zh) * | 2022-11-30 | 2023-04-18 | 西安交通大学 | 一种等离子体光谱数据参数优化方法、装置及设备 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9287097B2 (en) * | 2011-11-30 | 2016-03-15 | Sony Corporation | Predicting ultraviolet ray damage with visible wavelength spectroscopy during a semiconductor manufacturing process |
-
2023
- 2023-07-03 CN CN202310811424.5A patent/CN117030683B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101566501A (zh) * | 2009-05-14 | 2009-10-28 | 大连海事大学 | 一种光纤光谱协同放电电流测量等离子体电子密度的方法 |
| KR20220001603A (ko) * | 2020-06-30 | 2022-01-06 | 주식회사 프라임솔루션 | 다채널 광스펙트럼 분석을 위한 머신러닝 모델을 이용한 플라즈마 식각공정 진단장치 및 이를 이용한 플라즈마 식각공정 진단방법 |
| CN113657593A (zh) * | 2021-07-30 | 2021-11-16 | 西安理工大学 | 一种基于bp神经网络的等离子体参数诊断方法 |
| CN114222414A (zh) * | 2021-11-09 | 2022-03-22 | 中国人民解放军军事科学院国防工程研究院工程防护研究所 | 一种用于诊断等离子体参数的***及方法 |
| CN115393504A (zh) * | 2022-08-02 | 2022-11-25 | 西安电子科技大学 | 基于发射光谱法的等离子体电子密度三维联合诊断方法 |
| CN115988724A (zh) * | 2022-11-30 | 2023-04-18 | 西安交通大学 | 一种等离子体光谱数据参数优化方法、装置及设备 |
Non-Patent Citations (1)
| Title |
|---|
| Measuring the electron temperature and identifying plasma detachment using machine learning and spectroscopy;C. M. Samuell et al.;《RESEARCH ARTICLE》;第92卷;043520-1至043520-15 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117030683A (zh) | 2023-11-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US7698080B2 (en) | Methods and systems for determining sample identity information are disclosed | |
| US20090001262A1 (en) | System and Method for Spectral Analysis | |
| US7557915B2 (en) | Automated acquisition of spectral data and image data | |
| CN114813709B (zh) | 土壤成分检测方法、设备及*** | |
| CN108956583A (zh) | 用于激光诱导击穿光谱分析的特征谱线自动选择方法 | |
| Liang et al. | Determination and visualization of different levels of deoxynivalenol in bulk wheat kernels by hyperspectral imaging | |
| Barton et al. | Chemometrics for Raman spectroscopy harmonization | |
| JP2015172570A (ja) | 測定装置、および測定方法 | |
| Schulze et al. | Developing fully automated quality control methods for preprocessing Raman spectra of biomedical and biological samples | |
| Chen et al. | A novel variable selection method based on stability and variable permutation for multivariate calibration | |
| GB2561879A (en) | Spectroscopic analysis | |
| CN117030683B (zh) | 一种等离子体电子密度发射光谱诊断方法及*** | |
| Di Frischia et al. | Enhanced data augmentation using gans for Raman spectra classification | |
| Tan et al. | Incorporating plasmonic featurization with machine learning to achieve accurate and bidirectional prediction of nanoparticle size and size distribution | |
| CN113281323A (zh) | 一种复杂体系中有机污染物特征信息提取方法及其快速检测方法、*** | |
| Moores et al. | Bayesian modelling and quantification of Raman spectroscopy | |
| CN116026808A (zh) | 一种拉曼光谱判别方法和*** | |
| Matthews et al. | Relative vibrational overtone intensity of cis–cis and trans–perp peroxynitrous acid | |
| CN114486160B (zh) | 一种高焓流场热化学非平衡辨识分析方法 | |
| CN114062306B (zh) | 一种近红外光谱数据分段预处理方法 | |
| WO2006080939A2 (en) | Spectrum searching method that uses non-chemical qualities of the measurement | |
| Zhao et al. | Adaptive noise removal for biological Raman spectra with low SNR | |
| CN112326574B (zh) | 一种基于贝叶斯分类的光谱波长选择方法 | |
| CN113138181B (zh) | 一种对清香型原酒品质分级的方法 | |
| CN116399836A (zh) | 基于交替梯度下降算法的串扰荧光光谱分解方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |