基于神经网络的电容薄膜真空计非线性修正方法及装置

技术领域

本发明涉及真空测量技术领域，更为具体来说，本发明涉及一种基于神经网络的电容薄膜真空计非线性修正方法及装置。

背景技术

电容薄膜真空计是一种粗低真空测量仪器，真空计中通常含有一个测量腔和一个参考腔，测量腔与参考腔之间通过弹性膜片隔开。参考腔一般处于高真空状态，其压强远远低于测量端，真空环境通常通过吸气剂进行维持，当测量腔室的真空环境发生变化时，膜片发生弹性形变，引起膜片与固定电极之间电容的变化，进而实现真空度的测量。电容薄膜真空计具有测量准确度高、线性好、输出的重复性和长期稳定性好、能够测量气体和蒸汽的全压力，测量结果与气体成分和种类无关等诸多优点，在半导体、微电子工业、表面处理、航空航天、高能物理和可控热核聚变等领域得到广泛应用。

由于电容薄膜真空计的电容变化量与测量腔的压力变化是非线性的，对测量造成一定的困难，因此需要对其输出进行调整，以减小真空计的测量误差。传统的电容薄膜真空计通过电路对这种非线性关系进行修正，但是由于真空计非线性关系复杂，电路对真空计的修正能力有限，且在修正过程中需要配备大量的人力物力对电路进行手动调节，这造成了人力、物力等资源的浪费，提高了真空计的研制成本，降低了工作效率。

发明内容

本申请实施例提供了一种基于神经网络的电容薄膜真空计非线性修正方法及装置。为了对披露的实施例的一些方面有一个基本的理解，下面给出了简单的概括。该概括部分不是泛泛评述，也不是要确定关键/重要组成元素或描绘这些实施例的保护范围。其唯一目的是用简单的形式呈现一些概念，以此作为后面的详细说明的序言。

第一方面，本申请实施例提供了一种基于神经网络的电容薄膜真空计非线性修正方法，该方法包括：

同时采集非线性修正的标准真空计输出数据和待修正真空计输出数据；

根据所述标准真空计输出数据和所述待修正真空计输出数据训练神经网络，得到所述非线性修正的训练后神经网络；

将所述训练后神经网络部署到待修正真空计中，得到所述非线性修正的修正后真空计。

可选的，在所述采集非线性修正的标准真空计输出数据和待修正真空计输出数据之前，还包括：

将标准真空计和待修正真空计接入真空系统中，或者将待修正真空计接入真空计标准装置。

可选的，所述采集非线性修正的标准真空计输出数据和待修正真空计输出数据，包括：

采集非线性修正的标准真空计输出压力值和待修正真空计输出电压值；

将所述标准真空计输出压力值作为所述标准真空计输出数据、所述待修正真空计输出电压值作为所述待修正真空计输出数据。

可选的，所述根据所述标准真空计输出数据和所述待修正真空计输出数据训练神经网络，得到所述非线性修正的训练后神经网络，包括：

将所述标准真空计输出数据和所述待修正真空计输出数据进行归一化处理，得到所述非线性修正的归一化数据；

建立所述非线性修正的神经网络；

将所述归一化数据迭代训练所述神经网络，在所述神经网络的输出结果误差达到预设要求时，得到所述非线性修正的训练后神经网络。

第二方面，本申请实施例提供了一种基于神经网络的电容薄膜真空计非线性修正装置，该装置包括：

采集模块，用于同时采集非线性修正的标准真空计输出数据和待修正真空计输出数据；

训练模块，用于根据所述标准真空计输出数据和所述待修正真空计输出数据训练神经网络，得到所述非线性修正的训练后神经网络；

修正模块，用于将所述训练后神经网络部署到待修正真空计中，得到所述非线性修正的修正后真空计。

可选的，在所述采集模块之前，还包括：

接入模块，用于将标准真空计和待修正真空计接入真空系统中，或者将待修正真空计接入真空计标准装置。

可选的，所述采集模块，用于采集非线性修正的标准真空计输出压力值和待修正真空计输出电压值；将所述标准真空计输出压力值作为所述标准真空计输出数据、所述待修正真空计输出电压值作为所述待修正真空计输出数据。

可选的，所述训练模块，具体用于：

将所述标准真空计输出数据和所述待修正真空计输出数据进行归一化处理，得到所述非线性修正的归一化数据；

建立所述非线性修正的神经网络；

将所述归一化数据迭代训练所述神经网络，在所述神经网络的输出结果误差达到预设要求时，得到所述非线性修正的训练后神经网络。

第三方面，本申请实施例提供一种计算机存储介质，计算机存储介质存储有多条指令，指令适于由处理器加载并执行上述的方法步骤。

第四方面，本申请实施例提供一种终端，可包括：处理器和存储器；其中，存储器存储有计算机程序，计算机程序适于由处理器加载并执行上述的方法步骤。

本申请实施例提供的技术方案可以包括以下有益效果：

在本申请实施例中，所述基于神经网络的电容薄膜真空计非线性修正方法，首先采集非线性修正的标准真空计输出数据和待修正真空计输出数据；然后根据所述标准真空计输出数据和所述待修正真空计输出数据训练神经网络，得到所述非线性修正的训练后神经网络；最后将所述训练后神经网络部署到待修正真空计中，得到所述非线性修正的修正后真空计。传统的质谱计非线性修正方法采用电路实现，这在调试过程中需要耗费大量的人力成本和时间成本。而本申请利用神经网络对真空计的测量数据进行了处理，可以快速实现电容薄膜真空计(即待修正真空计)的非线性修正。在提高真空计测量精度的同时，减少了电容薄膜真空计的调试成本。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本发明。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。

图1是本申请实施例提供的一种基于神经网络的电容薄膜真空计非线性修正方法的流程示意图；

图2是本申请实施例提供的一种基于神经网络的电容薄膜真空计非线性修正方法的整体流程示意图；

图3是本申请实施例提供的一种基于神经网络的电容薄膜真空计非线性修正装置的装置示意图；

图4是本申请实施例提供的一种终端示意图。

具体实施方式

以下描述和附图充分地示出本发明的具体实施方案，以使本领域的技术人员能够实践它们。

应当明确，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是如所附权利要求书中所详述的、本发明的一些方面相一致的系统和方法的例子。

在本发明的描述中，需要理解的是，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。此外，在本发明的描述中，除非另有说明，“多个”是指两个或两个以上。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。

下面将结合附图1和附图2，对本申请实施例提供的一种基于神经网络的电容薄膜真空计非线性修正方法进行详细介绍。

请参见图1和2，为本申请实施例提供了一种基于神经网络的电容薄膜真空计非线性修正方法的流程示意图。如图1和2所示，本申请实施例的方法可以包括以下步骤：

本申请提出的一种基于神经网络的电容薄膜真空计非线性修正方法，克服了现有技术的不足，能够从软件层面实现电容薄膜真空计的修正，解决电容薄膜真空计非线性修正效果较差的问题。本申请利用神经网络对真空计输出信号进行了处理。将标准真空计和待修正真空计的输出数据进行了训练，实现了电容薄膜真空计的非线性修正，提高了电容薄膜真空计的测量精度，同时也提高了电容薄膜真空计的调试效率。具体如下：

本申请实施例需要提前利用标准真空计标定调试真空计在不同压力下的输出值。

在所述S100之前，包括：

将标准真空计和待修正真空计接入真空系统中的相近位置，或者将待修正真空计接入真空计标准装置；所述待修正真空计为调试真空计。

S100，同时采集非线性修正的标准真空计输出数据和待修正真空计输出数据，包括：

采集非线性修正的标准真空计输出压力值和待修正真空计输出电压值；将所述标准真空计输出压力值作为所述标准真空计输出数据、所述待修正真空计输出电压值作为所述待修正真空计输出数据。

在本申请实施例中，可反复改变真空系统中的真空度，记录标准真空计输出压力值p

真空计标准装置为静态膨胀法真空计标准装置，利用静态膨胀法产生一个标准压力值p

S200，根据所述标准真空计输出数据和所述待修正真空计输出数据训练神经网络，得到所述非线性修正的训练后神经网络，包括：

将所述标准真空计输出数据和所述待修正真空计输出数据进行归一化处理，得到所述非线性修正的归一化数据；建立所述非线性修正的神经网络；

将所述归一化数据迭代训练所述神经网络，在所述神经网络的输出结果误差达到预设要求时，得到所述非线性修正的训练后神经网络。

在本申请实施例中，将获得的标准真空计输出压力值p

其中，p

在本申请实施例中，在得到归一化数据后，需要建立神经网络，并设置相应的网络层数，每层神经元个数，激活函数的形式、优化器和学习率等参数：建立一个具有三个隐层的神经网络，三层的神经元个数分别为64、64、64，每一层后的激活函数采用RELU函数，采用SGD优化器进行优化，学习率为0.1。

在本申请实施例中，为了使得神经网络具有较小的读数误差，采用的损失函数(即代价函数)如下：

将V

在本申请实施例中，训练神经网络，将神经网络输出结果逆归一化，判断输出结果误差是否达到预设要求，所述达到预设要求可以为达到预设指标，即上述不超过0.5％，若是，则进行步骤S300的操作，否则继续进行逆归一化操作；

逆归一化与归一化计算过程互为逆函数，逆归一化过程如下：

为经过神经网络修正后，调试真空计显示的压力值。

S300，将所述训练后神经网络部署到待修正真空计中，得到所述非线性修正的修正后真空计。

在神经网络部署过程中，需要在调试的电容薄膜真空计上建立上述同样的神经网络，并使用相同的参数；部署过程可以在计算机上实现部署，亦可在嵌入式处理器上实现部署。在本申请实施例中，可将训练完成后的训练后神经网络参数进行保存，并将其保存到调试真空计的单片机中，完成了调试真空计的非线性修正。

将真空计输出信号即输出电压值V输入到所述修正后真空计中，修正后真空计通过公式(5)即可计算出当前测量的压力值，即修正后真空计输出压力值P：

p＝(f

其中，f

在本申请实施例中，所述基于神经网络的电容薄膜真空计非线性修正方法，首先采集非线性修正的标准真空计输出数据和待修正真空计输出数据；然后根据所述标准真空计输出数据和所述待修正真空计输出数据训练神经网络，得到所述非线性修正的训练后神经网络；最后将所述训练后神经网络部署到待修正真空计中，得到所述非线性修正的修正后真空计。传统的质谱计非线性修正方法采用电路实现，这在调试过程中需要耗费大量的人力成本和时间成本。而本申请利用神经网络对真空计的测量数据进行了处理，可以快速实现电容薄膜真空计(即待修正真空计)的非线性修正。在提高真空计测量精度的同时，减少了电容薄膜真空计的调试成本。

下述为本发明装置实施例，可以用于执行本发明方法实施例。对于本发明装置实施例中未披露的细节，请参照本发明方法实施例。

请参见图3，其示出了本发明一个示例性实施例提供的一种基于神经网络的电容薄膜真空计非线性修正装置的结构示意图。该装置包括：采集模块10、训练模块20和修正模块30。

采集模块10，用于同时采集非线性修正的标准真空计输出数据和待修正真空计输出数据；

训练模块20，用于根据所述标准真空计输出数据和所述待修正真空计输出数据训练神经网络，得到所述非线性修正的训练后神经网络；

修正模块30，用于将所述训练后神经网络部署到待修正真空计中，得到所述非线性修正的修正后真空计。

在一种可能的实施方式中，在所述采集模块10之前，还包括：

接入模块，用于将标准真空计和待修正真空计接入真空系统中，或者将待修正真空计接入真空计标准装置。

在一种可能的实施方式中，所述采集模块10，用于采集非线性修正的标准真空计输出压力值和待修正真空计输出电压值；将所述标准真空计输出压力值作为所述标准真空计输出数据、所述待修正真空计输出电压值作为所述待修正真空计输出数据。

在一种可能的实施方式中，所述训练模块20，具体用于：

将所述标准真空计输出数据和所述待修正真空计输出数据进行归一化处理，得到所述非线性修正的归一化数据；

建立所述非线性修正的神经网络；

将所述归一化数据迭代训练所述神经网络，在所述神经网络的输出结果误差达到预设要求时，得到所述非线性修正的训练后神经网络。

需要说明的是，上述实施例提供的基于神经网络的电容薄膜真空计非线性修正装置在执行基于神经网络的电容薄膜真空计非线性修正方法时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将设备的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的基于神经网络的电容薄膜真空计非线性修正装置与基于神经网络的电容薄膜真空计非线性修正方法实施例属于同一构思，其体现实现过程详见方法实施例，这里不再赘述。

上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。

所述基于神经网络的电容薄膜真空计非线性修正装置，首先采集非线性修正的标准真空计输出数据和待修正真空计输出数据；然后根据所述标准真空计输出数据和所述待修正真空计输出数据训练神经网络，得到所述非线性修正的训练后神经网络；最后将所述训练后神经网络部署到待修正真空计中，得到所述非线性修正的修正后真空计。传统的质谱计非线性修正方法采用电路实现，这在调试过程中需要耗费大量的人力成本和时间成本。而本申请利用神经网络对真空计的测量数据进行了处理，可以快速实现电容薄膜真空计(即待修正真空计)的非线性修正。在提高真空计测量精度的同时，减少了电容薄膜真空计的调试成本。

本发明还提供一种计算机可读介质，其上存储有程序指令，该程序指令被处理器执行时实现上述各个方法实施例提供的基于神经网络的电容薄膜真空计非线性修正方法。

本发明还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述各个方法实施例的基于神经网络的电容薄膜真空计非线性修正方法。

请参见图4，为本申请实施例提供了一种终端的结构示意图。如图4所示，终端1000可以包括：至少一个处理器1001，至少一个网络接口1004，用户接口1003，存储器1005，至少一个通信总线1002。

其中，通信总线1002用于实现这些组件之间的连接通信。

其中，用户接口1003可以包括显示屏(Di splay)，可选用户接口1003还可以包括标准的有线接口、无线接口。

其中，网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口、485接口、CAN总线)。

其中，处理器1001可以包括一个或者多个处理核心。处理器1001利用各种借口和线路连接整个电子设备1000内的各个部分，通过运行或执行存储在存储器1005内的指令、程序、代码集或指令集，以及调用存储在存储器1005内的数据，执行电子设备1000的各种功能和处理数据。可选的，处理器1001可以采用数字信号处理(Di gi tal Si gnalProcessing，DSP)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)、可编程逻辑阵列(Programmable Logic Array，PLA)中的至少一种硬件形式来实现。处理器1001可集成中央处理器(Central Processing Unit，CPU)、图像处理器(Graphics ProcessingUnit，GPU)和调制解调器等中的一种或几种的组合。其中，CPU主要处理操作系统、用户界面和应用程序等；GPU用于负责显示屏所需要显示的内容的渲染和绘制；调制解调器用于处理无线通信。可以理解的是，上述调制解调器也可以不集成到处理器1001中，单独通过一块芯片进行实现。

其中，存储器1005可以包括随机存储器(Random Access Memory，RAM)，也可以包括只读存储器(Read-Only Memory)。可选的，该存储器1005包括非瞬时性计算机可读介质(non-transitory computer-readable storage medium)。存储器1005可用于存储指令、程序、代码、代码集或指令集。存储器1005可包括存储程序区和存储数据区，其中，存储程序区可存储用于实现操作系统的指令、用于至少一个功能的指令(比如触控功能、声音播放功能、图像播放功能等)、用于实现上述各个方法实施例的指令等；存储数据区可存储上面各个方法实施例中涉及到的数据等。存储器1005可选的还可以是至少一个位于远离前述处理器1001的存储装置。如图4所示，作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及基于神经网络的电容薄膜真空计非线性修正应用程序。

在图4所示的终端1000中，用户接口1003主要用于为用户提供输入的接口，获取用户输入的数据；而处理器1001可以用于调用存储器1005中存储的基于神经网络的电容薄膜真空计非线性修正应用程序，并具体执行以下操作：

同时采集非线性修正的标准真空计输出数据和待修正真空计输出数据；

根据所述标准真空计输出数据和所述待修正真空计输出数据训练神经网络，得到所述非线性修正的训练后神经网络；

将所述训练后神经网络部署到待修正真空计中，得到所述非线性修正的修正后真空计。

在一个实施例中，处理器1001在执行在所述采集非线性修正的标准真空计输出数据和待修正真空计输出数据之前，具体执行以下操作：

将标准真空计和待修正真空计接入真空系统中，或者将待修正真空计接入真空计标准装置。

在一个实施例中，处理器1001在执行所述采集非线性修正的标准真空计输出数据和待修正真空计输出数据时，具体执行以下操作：

采集非线性修正的标准真空计输出压力值和待修正真空计输出电压值；

将所述标准真空计输出压力值作为所述标准真空计输出数据、所述待修正真空计输出电压值作为所述待修正真空计输出数据。

在一个实施例中，处理器1001在执行所述根据所述标准真空计输出数据和所述待修正真空计输出数据训练神经网络，得到所述非线性修正的训练后神经网络，具体执行以下操作：

将所述标准真空计输出数据和所述待修正真空计输出数据进行归一化处理，得到所述非线性修正的归一化数据；

建立所述非线性修正的神经网络；

将所述归一化数据迭代训练所述神经网络，在所述神经网络的输出结果误差达到预设要求时，得到所述非线性修正的训练后神经网络。

所述基于神经网络的电容薄膜真空计非线性修正方法，首先采集非线性修正的标准真空计输出数据和待修正真空计输出数据；然后根据所述标准真空计输出数据和所述待修正真空计输出数据训练神经网络，得到所述非线性修正的训练后神经网络；最后将所述训练后神经网络部署到待修正真空计中，得到所述非线性修正的修正后真空计。传统的真空计非线性修正方法采用电路实现，这在调试过程中需要耗费大量的人力成本和时间成本。而本申请利用神经网络对真空计的测量数据进行了处理，可以快速实现电容薄膜真空计(即待修正真空计)的非线性修正。在提高真空计测量精度的同时，减少了电容薄膜真空计的调试成本。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成的程序可存储于计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体或随机存储记忆体等。

以上所揭露的仅为本申请较佳实施例而已，当然不能以此来限定本申请之权利范围，因此依本申请权利要求所作的等同变化，仍属本申请所涵盖的范围。