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,给神经网络的训练带来了一定的难度。文中对这种非线性特征进行了分析和阐述,并就如何改进诊断方法进行了讨论。同时,由于第二种算法中的使用预处理模块让高维度和高基数的数据库不再必要,从而使我们使用更传统的搜索引擎,例如基于向量的多探针局部敏感散列法。本文介绍的第二种算法具有较高的准确性和可靠性。使用这种方法诊断得到的等离子体参数的误差在百分之一左右,并且诊断方法在整个训练范围都具备较小的诊断误差。这主要归功于附加的控制回路和预处理步骤,因为这些附加的回路和步骤几乎可以理想地调节输入值。本文第四章将使用深度学习算法对一个等离子体源所产生等离子体的参数进行诊断研究,以说明本文所开发算法在实际光谱诊断中的使用流程,并与使用朗缪尔探针获得的结果进行对比。所使用的等离子体源可产生与霍尔推力器参数相近的等离子体。实验中同时使用朗缪尔探针和本文开发的基于深度学习的诊断方法对等离子体源五个不同的工况下等离子体的参数进行了诊断研究。每个工况中,沿等离子体源轴线方向选取了11个不同位置的测点,形成对该型等离子体源特性更加全面的表征。文中对两种诊断方法所获得结果进行了对比,发现两种诊断方法所获结果相近。在最后的预处理步骤和结果输出间加入光谱生成器形成控制回路,是提高算法性能的关键。由于对算法施加了闭环控制,可以最大称度的降低谱线生成器的误差,确保所生成的光谱最大称度的接近真实的残缺光谱。此外,经过分析发现,该算法查找到的最佳结果确实对应于输入的残缺光谱,而不是位于数据库边缘的发散值。这对诊断方法的实际应用具有积极的意义。然而,使用碰撞辐射模型作为诊断算法控制回路中的反馈回路并不容易,碰撞辐射模型本身需要求解非线性方程组,求解过程耗时较长,会降低诊断方法的诊断速度。要使作为光谱生成器的生成模型接受反馈作为输入并不是一件容易的事。为此,本文提出了一种较为特殊的的神经网络结构来解决这一问题。预处理模块不仅是诊断算法的一部分,同时也可作为一个单独的工具用于实验室研究。模块中用于消除噪声和补全残缺光谱的子模块可悲用于其他类型的发射光谱诊断。这些子模块基于使用模拟数据或实验数据进行训练得到的神经网络模型。除噪子模块能够估计输入的每条谱线的调整因子,这对于发射光谱诊断技术具有重要的价值,之后应当对这一子模块进行专门的研究,以进一步提高可靠性和准确性。本文提出的第二种算法具有高效率,低错误率的优势,使其成为霍尔推力器等离子体发射光谱诊断中极具竞争力的算法之一。在后续的工作中还将继续对其性能进行完善,使之能够适用于具有不同放电特征的等离子体源,并扩大其适用的等离子体参数范围。总的来说,本文所做工作的主要目的是验证机器学习方法在等离子体参数诊断中的有效性,同时开发基于机器学习的光谱诊断工具用于等离子体参数的发射光谱诊断。作者希望激发读者对类似的基于深度学习的解决方案的兴趣,以解决一些使用传统方法难以解决的等离子体源开发中遇到的问题。作者所在课题组还将在本文研究工作的基础上对等离子体光谱诊断进行更加深入的研究,进一步提高诊断方法的准确度和可靠性,并尝试对诊断进行应用化的开发,尽可能的提高数据处理自动化程度,简化处理流程,力争实现等离子体参数发射光谱诊断方法的推广。本文主要分为四个部分。第一部分对研究背景和动机进行介绍。在详细介绍本文主题后,将对等离子体诊断和机器学习方法进行简要介绍,以便于读者的理解。第二部分将就第一类算法进行介绍。按照作者设计的章节顺序进行阅读将有助于读者更清楚地了解该算法的关键问题。此外,本章还将就第一类算法进行分析,以引出下一章中的第二类算法。在前一部分的基础上,第三部分将为读者介绍本文研究的最终结果,即第二种算法。在这一章中,我们将详细介绍每个子模块的功能原理以及整个算法的原理。第四部分主要对诊断结果进行分析,并对发现的问题进行讨论。