基于机器学习的霍尔推力器光谱诊断方法研究

作     者：Maxime Bezanilla 

作者单位：哈尔滨工业大学 

学位级别：硕士

导师姓名：朱悉铭

授予年度：2020年

学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 080703[工学-动力机械及工程] 08[工学] 082502[工学-航空宇航推进理论与工程] 081104[工学-模式识别与智能系统] 0807[工学-动力工程及工程热物理] 0835[工学-软件工程] 0825[工学-航空宇航科学与技术] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

主      题：发射光谱 机器学习 等离子体诊断 深度学习 霍尔推力器 

摘      要：近年来,随着计算机技术的飞速发展和GPU计算、人工智能芯片、分布式计算等新型计算技术的涌现,智能计算和“人工智能算法对计算资源的需求渐渐地得以满足,使得人工智能算法进入了新的研究高潮,应用领域也在不断扩大。本文对人工智能技术在等离子体诊断领域内的应用进行了探索,研究了基于深度神经网络（一种机器学习算法）的等离子发射光谱诊断方法在霍尔推力器诊断中的应用。传统的等离子光谱诊断方法与诊断对象的特性紧密相关,方法本身复杂、诊断过程耗时较长等问题限制了这种方法在实际工业生产中的应用。针对这些问题,本文拟开发一种基于机器学习来取代基于标准模型的算法的计算过程的原因。本文开发的算法经过分析处理,可将输入的等离子体发射光谱转化为对应的一组等离子体参数。具体而言,本文旨在提高等离子体光谱诊断算法执行效率,减少光谱诊断消耗的时间。使用本文开发的基于机器学习的诊断算法,能够大幅缩减诊断工作消耗的时间,更快的给出光谱诊断结果,这在开发实时在线光谱诊断方法上具有重要的意义。将光谱数据标准化是本文工作的关键。基于本文开发的自适应机器学习算法训练获得的等离子体光谱诊断模型可以适用于参数范围相近的大多数等离子体源的诊断工作。本文提出了一种基于深度学习的算法。该算法能够利用氙工质霍尔推力器放电时发射的部分谱线,有效地对霍尔推进器产生的等离子体状态进行诊断。该算法对实验测量数据的误差不敏感,具备估计缺失谱线的能力,并基于实测光谱给出等离子体参数的值。算法融合了多种形式的深度学习算法,包括:线性前馈神经网络,受限玻尔兹曼机,深度信念网络等。本文的主要目的在于探索建立深度学习诊断方法的途径,以支持下一步的等离子体参数发射光谱诊断方法的发展,并不以建立工程可用的诊断方法为首要目标。为此,从简化问题的角度,本文开发的算法仅支持对电子温度Te和电子密度ne的诊断。文中将说明如何将功能扩展到更多的等离子体参数。与目前应用广泛的面部识别软件相比,本文开发的算法不是尝试从图像识别的角度出发,直接利用光谱图像计算等离子体参数。而是从预先建立的光谱数据库中检索特征最相似的光谱。通过对检索得到k个最接近的匹配项插值,得到诊断结果。这种算法使得本方法可以独立于任何等离子体模型运行,避免了求解光谱与等离子体参数联立方程的非线性问题。本文所开发诊断方法的核心是对光谱数据库进行的k近邻（k-NN）搜索。该过程与与传统的光谱诊断算法相比,省去了迭代求解非线性方程组的过程,可以实现更快速高效的得到诊断结果。另一方面,本文的方法不需要通过多次迭代拟合秋节具有高度非线性的对象,从而保证了更广阔的应用范围。不过与此同时,数据库生成时的误差将会被传递到诊断结果中。具体而言,本文就两种不同的诊断算法进行了研究,下面我们将依次对两种算法进行简要介绍。第一种是直接特征提取法,将输入光谱转化为向量,使用预建数据库表征光谱向量与等离子体参数空间之间的映射关系,通过在等离子体参数空间中执行邻近搜索实现对等离子体参数的确定。第二种方法使用基于向量的多探针局部敏感散列法寻找输入光谱对应的等离子体参数。一个控制回路被引入这种算法以提高处理效率,控制回路以碰撞辐射模型作为反馈回路。由于深度学习算法训练模型需要使用巨量的数据量,通过实验获取足够数据的难度较大。因此,除了算法中的调整因子生成器外,算法中所有模块均使用由碰撞辐射模型生产的模拟数据进行训练;调整因子生成器使用实验数据和模拟数据共同进行训练。此处的模拟数据是指使用等离子体模型生成的数据集。生成模拟数据集的物理模型经过了实验测量结果和文献报道数据的验证。此外,还使用实验测量数据对所训练的深度学习模型进行了验证,保证了所训练模型的正确性。本文所介绍的第一个算法是为解决传统光谱诊断方法运行耗时较长的问题所做的努力。面对在高维度的大型数据库（至少有上万个元素,可高达一百万个元素）中检索与输入量特征最接近的元素的问题,该算法更注重于提高检索效率。数据库的数据量主要由其维度和每个维度上基数的数量的决定。所考虑等离子体参数的数量越多,则数据库的维度也越高,通常介于2到12维之间。每一维度上基数的数量则由参数的范围和参数分割的精度决定。为提高诊断效率,通常的做法是将数据库的元素投影到具有特定属性（例如全局凸度）的低维空间中,同时保留数据的局部性。实现这一点后,元素的快速检索可以使用梯度下降法实现,这样无论数据库分割精细度如何,诊断速度都会非常快。而一旦检索到达所设定的不精确邻域,则应当使用更精确的检索方法来查找与实际最接近的匹配项。使用此算法能够较为高效地处理实验中测得的光谱数据,从中获得等离子体参数。不过诊断所获得等离子体参数的准确性较为有限。这是由于等离子体辐射光谱与等离子体参数间函数关系的性质决定的。由于等离子体参数与等离子体辐射光谱间的函数关系存在高度的非线性特征,给神经