【技术实现步骤摘要】
本专利技术属于束流强度监测领域，具体涉及一种基于机器学习优化的束流强度监测系统。
技术介绍
1、如图1所示，现有加速器束流管道监测系统基于四分板束流位置，三束同时辐照装置的三条加速器束流管道需要实现上下左右四个方向的从pa到ua不等束流强度同时监测，以此来实现束流位置的实时监测，从而为加速器束流参数调整提供数据支撑。通常情况下束流强度的大小在pa到ua范围内，所以就涉及到微弱电流的测量技术。
2、微弱电流信号一般指幅度小于10-6安培的电流，即μa以下的电流。微弱电流信号一般指被噪声淹没的电流信号，因此微弱电流信号是相对噪声而言，在这种情况下电流信号的信噪比(signal-noise ratio，snr)比较低，甚至出现负信噪比。微弱电流检测是一种利用物理电子学、信息科学和计算机科学等相关技术，分析被测电流信号的特性及噪声的统计特征，在噪声中检测出有用的微弱电流信号的技术。
3、pa量级微弱电流信号不仅本身信号微弱，而且在传输和调理过程中容易耦合电场和磁场等噪声，使得电流信号信噪比低，对其高精度调理和检测需要注意如下问题：(1)微弱电流与器件的漏电流和偏置电流等参数在同一数量级甚至更加微弱，信噪比较低；(2)电流和pcb电路板漏电流在同一数量级，同时在传输和调理过程中容易受到外界的电场和磁场的干扰。
4、对于微弱电流信号测量，目前主要的方法有两种，一种是i-f变换，即将微弱电流信号转化成频率信号，i-f变换根据电流电压转换方式的不同，可以分为两种形式：一种是反馈型i-f变换法，另一种是积分型i
5、反馈电流积分型i-f变换法的稳定性优于电流放大型i-f变换法，同时因为积分器体现的是在特定时间内对电流的积分，因为对噪声及环境条件的抵抗力较强。尽管如此，其缺点不容忽视，那就是电路构成繁琐，调试环节多，同时因为积分电路独有的时间延迟性，使得在信号变换速度较快时，无法胜任测量及变换处理的高要求。
6、反馈电阻法由于高值电阻的存在，导致测量误差和放大器线性度的下降，同时等效输入噪声电压也会被放大，导致整个测量系统的信噪比较差。
7、目前市面上常用的微弱电流测试装置成本过高，不适合在束流管道大规模部署。
技术实现思路
1、针对现有技术中存在的缺陷，本专利技术的目的在于提供一种基于机器学习优化的束流强度监测系统，引入低噪声低失调电压运算放大器，同时引入机器学习优化算法，实现高效率、高稳定性、高准确度、低成本微弱电流监测。
2、为达到以上目的，本专利技术采用的技术方案是：一种基于机器学习优化的束流强度监测系统，所述系统包括硬件电路以及终端上位机，通过can转以太网接口实现所述终端上位机和所述硬件电路的主控电路之间的通讯，在所述终端上位机上通过机器学习算法优化所述硬件电路输出的电流信号，所述机器学习算法经过训练。
3、进一步，所述硬件电路包括电流电压转换电路、射极跟随器、电压反相器、adc采集电路、主控电路以及电源电路，所述电流电压转换电路用于实现电流电压转换，所述电流电压转换电路的输出与所述射极跟随器连接，所述射极跟随器的输出与所述电压反相器连接，所述电压反相器的输出连接所述adc采集电路，所述adc采集电路利用spi接口与所述主控电路进行数据交互，主控电路传输的数据通过tja1057芯片实现can协议的稳定通信。
4、进一步，所述电流电压转换电路包括fa级输入偏置电流跨阻放大器，同时集成保护环缓冲器。
5、进一步，所述电流电压转换电路采用ada4530-1芯片作为跨阻放大器，所述跨阻放大器的grd管脚的电位由ada4530-1芯片内部跟随+in输入为虚地；所述跨阻放大器的+in引脚接地，电容c16并联在-5v电源端，对-5v电源向vee引脚提供的5v负电压进行滤波，所述跨阻放大器的ic引脚与-5v电源连接，电容c12并联在5v电源端，为从input端口输入向跨阻放大器的vcc引脚提供的5v电压进行滤波，输入信号从input端口输入，与电阻r11的一端连接，电阻r11的另一端首先与电容c12的一端连接，另一端与跨阻放大器ada4530的vout端口连接，同时输出信号tia_input从vout端口引出；电阻r11的另一端与电阻r12和电阻r15的另一端连接，电阻r12与r15并联，r12与r15的另一端分别与控制信号na和pa连接，通过量程切换电路实现不同量程切换。
6、进一步，所述跨阻放大器的grd引脚相互连接，在电路板布线时，用所述跨阻放大器的grd管脚包围电阻r12及输入信号线，用作等电位屏蔽保护，防止输入微弱电流泄漏到器件其它相邻引脚或其它器件。
7、进一步，在所述量程切换电路中，采用mos管q1驱动继电器relay，所述主控电路mcu端输出控制信号连接电阻r19，电阻r19另一端连接电阻r23，电阻r23另一端接地；电阻r19的另一端连接mos管q1的1脚，mos管q1的2脚接地，mos管q1的3脚连接电阻r15，电阻r15另一端与5v电源相连接，控制信号control从mos管q1的3脚输出，接到继电器relay的3脚control端口，电阻r16与发光二极管ledg串联后并联在继电器relay的1脚和3脚之间，二极管d13与relay的1脚和3脚并联，继电器relay的1脚同时与5v电源连接，4脚与tia_input控制信号连接，2脚和5脚分别与na和pa控制信号引脚连接，当mcu端口输入高电平时，mos管q1饱和导通，继电器relay线圈通电，触点吸合，tia_input引脚接到pa引脚，跨阻放大器电路切换至pa量程；当输入低电平时，mos管q1截止，继电器线圈断电，触点断开，跨阻放大器电路切换至na量程。
8、进一步，所述系统的电源输入为9v/1a的线性电源，所述电源电路通过tps5450稳压芯片将电源输入转为正负5v电压，为跨阻放大器、射极跟随器以及电压反相器供电；所述电源电路通过线性稳压芯片ams1117将5v电压转为3.3v，所述adc采集芯片ads1256采用3.3v的模拟电源进行供电，所述主控电路采用3.3v的数字电源进行供电。
9、进一步，所述机器学习算法包含机器学习模型，所述机器学习算法将所述所述硬件电路输出的电流信号作为输入层，将keithley皮安表测试得到的电流作为输出层，并且在1pa到200ua的电流范围内，以预设电流值为步进，建立输入输出的数据集，进而通过建立的输入输出的数据集对所述机器学习模型进行训练。
10、进一步，所述机器学习算法对建立的输入输出的数据集进行划分，划分为第一数据集和第二数据集，其中第一数据集作为训练集，以对所述所述机器学习模型进行训练；第二数据集作为测试集，以验证经过训练的机器学习模型本文档来自技高网...
【技术保护点】
1.一种基于机器学习优化的束流强度监测系统，其特征在于：所述系统包括硬件电路以及终端上位机，通过CAN转以太网接口实现所述终端上位机和所述硬件电路的主控电路之间的通讯，在所述终端上位机上通过机器学习算法优化所述硬件电路输出的电流信号，所述机器学习算法经过训练。
2.如权利要求1所述的一种基于机器学习优化的束流强度监测系统，其特征在于：所述硬件电路包括电流电压转换电路、射极跟随器、电压反相器、ADC采集电路、主控电路以及电源电路，所述电流电压转换电路用于实现电流电压转换，所述电流电压转换电路的输出与所述射极跟随器连接，所述射极跟随器的输出与所述电压反相器连接，所述电压反相器的输出连接所述ADC采集电路，所述ADC采集电路利用SPI接口与所述主控电路进行数据交互，主控电路传输的数据通过TJA1057芯片实现CAN协议的稳定通信。
3.如权利要求2所述的一种基于机器学习优化的束流强度监测系统，其特征在于：所述电流电压转换电路包括fA级输入偏置电流跨阻放大器，同时集成保护环缓冲器。
4.如权利要求3所述的一种基于机器学习优化的束流强度监测系统，其特征在
5.如权利要求4所述的一种基于机器学习优化的束流强度监测系统，其特征在于：所述跨阻放大器的GRD引脚相互连接，在电路板布线时，用所述跨阻放大器的GRD管脚包围电阻R12及输入信号线，用作等电位屏蔽保护，防止输入微弱电流泄漏到器件其它相邻引脚或其它器件。
6.如权利要求5所述的一种基于机器学习优化的束流强度监测系统，其特征在于：在所述量程切换电路中，采用MOS管Q1驱动继电器Relay，所述主控电路MCU端输出控制信号连接电阻R19，电阻R19另一端连接电阻R23，电阻R23另一端接地；电阻R19的另一端连接MOS管Q1的1脚，MOS管Q1的2脚接地，MOS管Q1的3脚连接电阻R15，电阻R15另一端与5V电源相连接，控制信号Control从MOS管Q1的3脚输出，接到继电器Relay的3脚Control端口，电阻R16与发光二极管LEDG串联后并联在继电器Relay的1脚和3脚之间，二极管D13与Relay的1脚和3脚并联，继电器Relay的1脚同时与5V电源连接，4脚与TIA_Input控制信号连接，2脚和5脚分别与nA和pA控制信号引脚连接，当MCU端口输入高电平时，MOS管Q1饱和导通，继电器Relay线圈通电，触点吸合，TIA_Input引脚接到pA引脚，跨阻放大器电路切换至pA量程；当输入低电平时，MOS管Q1截止，继电器线圈断电，触点断开，跨阻放大器电路切换至nA量程。
7.如权利要求6所述的一种基于机器学习优化的束流强度监测系统，其特征在于：所述系统的电源输入为9V/1A的线性电源，所述电源电路通过TPS5450稳压芯片将电源输入转为正负5V电压，为跨阻放大器、射极跟随器以及电压反相器供电；所述电源电路通过线性稳压芯片AMS1117将5V电压转为3.3V，所述ADC采集芯片ADS1256采用3.3V的模拟电源进行供电，所述主控电路采用3.3V的数字电源进行供电。
8.如权利要求1所述的一种基于机器学习优化的束流强度监测系统，其特征在于：所述机器学习算法包含机器学习模型，所述机器学习算法将所述所述硬件电路输出的电流信号作为输入层，将Keithley皮安表测试得到的电流作为输出层，并且在预设电流范围内，以预设电流值为步进，建立输入输出的数据集，进而通过建立的输入输出的数据集对所述机器学习模型进行训练。
9.如权利要求8所述的一种基于机器学习优化的束流强度监测系统，其特征在于：所述机器学习算法对建立的输入输出的数据集进行划分，划分为第一数据集和第二数据集，其中第一数据集作为训练集，以对所述所述机器学习模型进行训练；第二数据集...
【技术特征摘要】
1.一种基于机器学习优化的束流强度监测系统，其特征在于：所述系统包括硬件电路以及终端上位机，通过can转以太网接口实现所述终端上位机和所述硬件电路的主控电路之间的通讯，在所述终端上位机上通过机器学习算法优化所述硬件电路输出的电流信号，所述机器学习算法经过训练。
2.如权利要求1所述的一种基于机器学习优化的束流强度监测系统，其特征在于：所述硬件电路包括电流电压转换电路、射极跟随器、电压反相器、adc采集电路、主控电路以及电源电路，所述电流电压转换电路用于实现电流电压转换，所述电流电压转换电路的输出与所述射极跟随器连接，所述射极跟随器的输出与所述电压反相器连接，所述电压反相器的输出连接所述adc采集电路，所述adc采集电路利用spi接口与所述主控电路进行数据交互，主控电路传输的数据通过tja1057芯片实现can协议的稳定通信。
3.如权利要求2所述的一种基于机器学习优化的束流强度监测系统，其特征在于：所述电流电压转换电路包括fa级输入偏置电流跨阻放大器，同时集成保护环缓冲器。
4.如权利要求3所述的一种基于机器学习优化的束流强度监测系统，其特征在于：所述电流电压转换电路采用ada4530-1芯片作为跨阻放大器，所述跨阻放大器的grd管脚的电位由ada4530-1芯片内部跟随+in输入为虚地；所述跨阻放大器的+in引脚接地，电容c16并联在-5v电源端，对-5v电源向vee引脚提供的5v负电压进行滤波，所述跨阻放大器的ic引脚与-5v电源连接，电容c12并联在5v电源端，为从input端口输入向跨阻放大器的vcc引脚提供的5v电压进行滤波，输入信号从input端口输入，与电阻r11的一端连接，电阻r11的另一端首先与电容c12的一端连接，另一端与跨阻放大器ada4530的vout端口连接，同时输出信号tia_input从vout端口引出；电阻r11的另一端与电阻r12和电阻r15的另一端连接，电阻r12与r15并联，r12与r15的另一端分别与控制信号na和pa连接，通过量程切换电路实现不同量程切换。
5.如权利要求4所述的一种基于机器学习优化的束流强度监测系统，其特征在于：所述跨阻放大器的grd引脚相互连接，在电路板布线时，用所述跨阻放大器的grd管脚包围电阻r12及输入信号线，用作等电位屏蔽保护，防止输入微弱电流泄漏到器件其它相邻引脚或其它器件。
6.如权利要求5所述的一种基于机器学习优化的束流强度监...
【专利技术属性】
技术研发人员：李健，范平，李可，袁大庆，马海亮，
申请(专利权)人：中国原子能科学研究院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。