一种基于卷积神经网络的托卡马克第一镜沉积杂质监测方法

本发明属于核聚变光谱分析，具体涉及一种基于卷积神经网络的托卡马克第一镜沉积杂质监测方法。

背景技术：

1、在托卡马克装置运行期间光学诊断系统是实时获取和监控等离子体状态、保证装置安全的重要手段之一。由于装置尺寸增大，要求所有的光学诊断系统在装置内部设置大量反射镜形成光路的迷宫结构，装置前端的反射镜直接面对等离子体，被称为第一镜。

2、托卡马克运行期间，第一镜遭受高能离子和电荷交换中性原子等的轰击、各种射线的辐射，以及壁处理元素沉积与溅射材料再沉积等过程，其光学反射率急剧恶化，使用寿命迅速缩短。第一镜的光学性能直接影响到相关诊断系统运行的工作状态及整体性能，也决定了各种常规光学诊断系统能否应用于各大型托卡马克装置中。通过第一镜表面产生射频等离子体，可溅射沉积杂质，从而在射频等离子体中激发沉积杂质产生光谱信号，由于不同沉积成分和厚度的杂质沉积产生的光谱信号具备不同的波长和强度特征。识别光谱特征可辨别第一镜表面沉积成分和厚度，利用卷积神经网络良好的学习能力，可将获得的第一镜杂质沉积的光谱数据进行特征学习，构建起卷积神经网络，在此基础上监测射频等离子体托卡马克第一镜的表面材料成分和含量的变化状态。

3、为此，本发明提出了一种基于卷积神经网络的托卡马克第一镜沉积杂质监测方法，即先通过不同厚度、不同沉积层材料的光谱数据训练卷积神经网络模型，在利用射频等离子体溅射第一镜过程中，利用训练好的模型处理实时采集的第一镜清洗过程中溅射材料光谱，精确监测第一镜表面沉积层材料，以及准确评估第一镜光学性能。

技术实现思路

1、本发明针对第一镜在射频等离子体溅射第一镜过程中无法监测第一镜表面杂质沉积的状态，改变以往第一镜相关实验研究需要暂停实验再进行监测分析的局面，解决第一镜表面材料杂质沉积状态无法及时获知，时间、人力资源效率低等难题，给第一镜表面材料杂质沉积提供参考，加快第一镜表面沉积相关研究效率。

2、本发明的目的是提供一种基于卷积神经网络的托卡马克第一镜沉积杂质监测方法。利用射频等离子体溅射第一镜沉积层过程中不同沉积材料的光谱信号具有不同波长、强度的特点，以及卷积神经网络良好的学习能力，实现对第一镜表面材料的监测。该方法在不打开真空室，不改变第一镜空间位置的情况下，能实现第一镜的表面材料的监测以及光学性能的评估。

3、本发明的技术方案是，一种基于卷积神经网络的托卡马克第一镜沉积杂质监测方法，包括以下步骤：

4、步骤一：利用光谱仪采集已知沉积状态的第一镜表面产生的射频等离子体光谱，并通过滤波器预处理第一镜表面等离子体光谱数据，得到原始训练数据，达到训练卷积神经网络模型要求。

5、具体的等离子光谱采集的波长范围为300nm-400nm，在此范围包含第一镜材料等离子体光谱特征峰以及表面杂质沉积等离子体光谱特征峰。

6、步骤二：通过原始训练数据训练初始一维卷积神经网络，优化调整参数直至损失函数的损失值收敛，得到训练好的卷积神经网络模型，作为最终卷积神经网络模型。

7、具体的不同的第一镜表面材料杂质沉积产生的等离子体光谱特征峰的位置以及强度不同，可根据光谱特征峰的变化情况得知第一镜表面沉积膜的成分和含量。通过步骤一采集到的等离子光谱数据一维卷积神经网络进行训练。

8、步骤三：实时采集第一镜表面产生的射频等离子体光谱数据，并将数据输入训练好的卷积神经网络模型中，识别第一镜表面沉积成分与厚度并输出结果。

9、具体的在射频溅射第一镜时，利用光谱仪采集第一镜表面材料未知的等离子光谱，并通过步骤二中的一维卷积神经网络模型输出分类类别，监测第一镜表面材料的成分以及含量的状态。

10、所述的步骤一中的预处理采用的是savitzky-golay滤波器，对指定数量为2n+1个点的等离子体光谱数据进行重现拟合。

11、所述步骤二中，具体为：

12、一维卷积神经网络模型主要是由输入层、第一个特征提取层、第二个特征提取层、第三个特征提取层、全连接层和输出层组成；

13、输入层中输入的数据为经过步骤一处理过的光谱数据，并以每128个数据为批尺寸进行读取和运算。

14、每个特征提取层包含一个卷积模块和一个池化模块，第一个特征提取层卷积模块的卷积核尺寸为10×1，卷积核个数为64，第二个特征提取层卷积模块的卷积核尺寸为5×1，卷积核个数为64，第三个特征提取层卷积模块的卷积核尺寸为2×1，卷积核个数为128；在每个卷积运算层中，使用线性修正单元变体leakyrelu作为激活函数；每个池化模块采用最大池化对卷积运算生成的特征图进行采样。

15、全连接层使用relu激活函数，并将卷积层提取到的光谱局部特征通过权值矩阵整合从而进行第一镜表面材料的分类。

16、输出层使用的是softmax函数，将全连接层输出的特征进行归一化处理后再进行输出对应输入光谱数据的第一镜表面溅射材料成分和含量。

17、等离子体光谱一维数据的表达式为：

18、y＝(∑an*x+b)

19、式中，x和y分别为输入和输出特征图，an卷积运算所使用的卷积核，b为特征图的偏置。

20、卷积神经网络模型中采用adam优化器和交叉熵损失函数，输入第一镜表面产生的射频等离子体光谱数据以训练一维卷积神经网络。

21、通过对模型的输出可监测第一镜表面材料的成分以及含量的状态。

22、本发明采用卷积神经网络模型对光谱数据进行特征提取。相比于其他传统神经网络提高了模型的表达能力和收敛效果、针对不同材料的第一境表面等离子光谱识别具有更强的泛化能力。

23、本发明能够通过在装置内第一镜射频产生的等离子体光谱的实时采集，利用卷积神经网络模型实时监测装置内托卡马克第一境表面材料的变化，即第一镜表面成分和含量变化情况。

技术特征：

1.一种基于卷积神经网络的托卡马克第一镜沉积杂质监测方法，其特征在于：包括以下步骤：

2.根据权利要求1所述的一种基于卷积神经网络的托卡马克第一镜沉积杂质监测方法，其特征在于：所述的步骤一中的预处理采用的是savitzky-golay滤波器，对指定数量为2n+1个点的等离子体光谱数据进行重现拟合。

3.根据权利要求1所述的一种基于卷积神经网络的托卡马克第一镜沉积杂质监测方法，其特征在于：所述步骤二中，具体为：

4.根据权利要求1所述的一种基于卷积神经网络的托卡马克第一镜沉积杂质监测方法，其特征在于：等离子体光谱一维数据的表达式为：

5.根据权利要求1所述的一种基于卷积神经网络的托卡马克第一镜沉积杂质监测方法，其特征在于：卷积神经网络模型中采用adam优化器和交叉熵损失函数，输入第一镜表面产生的射频等离子体光谱数据以训练一维卷积神经网络。

6.根据权利要求1所述的一种基于卷积神经网络的托卡马克第一镜沉积杂质监测方法，其特征在于：通过对模型的输出可监测第一镜表面材料的成分以及含量的状态。

7.根据权利要求1所述的一种基于卷积神经网络的托卡马克第一镜沉积杂质监测方法，其特征在于：步骤一中，等离子光谱采集的波长范围为300nm-400nm，在此范围包含第一镜材料等离子体光谱特征峰以及表面杂质沉积等离子体光谱特征峰。

8.根据权利要求3所述的一种基于卷积神经网络的托卡马克第一镜沉积杂质监测方法，其特征在于：全连接层使用relu激活函数，并将三层卷积层提取到的光谱局部特征通过权值矩阵整合从而进行第一镜表面材料的分类。

9.根据权利要求3所述的一种基于卷积神经网络的托卡马克第一镜沉积杂质监测方法，其特征在于：输出层使用的是softmax函数，将全连接层输出的特征进行归一化处理后再进行输出对应输入光谱数据的第一镜表面溅射材料成分和含量。

技术总结
本发明涉及一种基于卷积神经网络的托卡马克第一镜沉积杂质监测方法，使用光谱仪实时采集聚变装置内低压射频条件下托卡马克第一镜表面材料溅射并电离的等离子体光谱数据，针对第一镜表面不同溅射材料对应的不同波长和强度的等离子体光谱数据特征，建立并训练卷积神经网络模型能够识别第一镜表面溅射材料成分和含量的光谱数据。通过等离子溅射得到的光谱数据输入成熟的网络模型中进行分析，判断溅射材料成分和含量，从而监测第一镜表面沉积杂质变化。本发明通过光谱仪获得第一镜表面产生的射频等离子体光谱信息，能够在无损、有效且不影响实验进行的情况下通过卷积神经网络模型识别第一镜表面溅射材料成分和含量。

技术研发人员：鄢容,徐苏,穆磊,刘玉明,陈俊凌
受保护的技术使用者：中国科学院合肥物质科学研究院
技术研发日：
技术公布日：2024/1/13