針對真空度測量精度低的現狀，提出一種真空度測量精度改善方法。以熱偶規為研究對象，基于BP 神經網絡設計真空度測量系統。通過設計BP 網絡結構，采用三種不同的算法對網絡權值進行訓練，以獲得盡可能穩定、精度更高的BP神經網絡。對三種算法由測試樣本進行測試，三種算法訓練的網絡能較大程度地提高真空度測量精度，受熱絲電流、熱絲冷阻干擾影響大大減小；而且最速下降法對應的網絡輸出值波動較大，附加動量法次之，自適應學習速率調整法對應的輸出值波動最小，波動量小于0.01。

　　目前真空測量的精度很低，一般會導致20%的誤差。提高真空測量的精度和速度一直是真空測量關注的重要內容。提高真空測量的精度和速度可以通過改進規管結構和真空計信號轉換電路兩方面來實現。真空規管結構對真空測量的影響很大,不同的測量結構對應于不同的測量原理，導致不同的測量效果。在規管結構確定下，如何改進真空計信號轉換電路的硬件和軟件是關鍵。本文提出一種處理算法能夠提高真空測量的精度，使得規管在外界加熱電流波動或熱絲冷阻發生變化時仍能輸出較精確的真空度測量值。

1、真空測量系統原理及框圖設計

　　本系統以熱偶規ZJ-54D 為對象進行分析。熱偶規工作原理分析: 在熱偶規測量范圍內，真空度的變化僅與氣體熱傳導有關，因此在熱絲加熱電流不變時，熱電偶的輸出電動勢僅與真空度有關，根據熱電動勢與真空度之間對應關系構建特性曲線圖。假定規管的特性曲線準確可靠，且不考慮油蒸汽、炭、粉塵的沾污影響。

　　實際應用中，熱絲的輸入電流會產生波動，從而偏離標定電流，影響熱偶規的輸出電動勢。同時，由于環境溫度的變化，導致熱絲冷端電阻值發生相應變化，也會對電動勢大小產生相應影響。由于交叉干擾的存在，最終導致熱電動勢與壓強之間的關系偏離規管特性曲線，從而降低熱偶規的測量精度。本真空度測量系統以單個規管為對象，不涉及規管的零散性分析。

　　為了消除熱絲電流的波動及熱絲冷阻的變化對真空度測量的影響，將加熱電流、熱絲冷阻和熱電動勢信號接入信息處理網絡，網絡輸入為3 個信號，其中U3 為被測熱電動勢的電壓輸出信號，U1、U2 為2個非目標參量的檢測信號，網絡輸出的初始熱電動勢為Ec，根據熱電動勢和壓強之間的特性曲線求出被測壓強。輸出量Ec為被測熱電動勢的單值函數,這樣可以消除加熱電流和熱絲冷阻2 個非目標量的影響; 而且在加熱電流變化和熱絲冷阻波動的情況下，可使系統輸出Ec，以允許偏差逼近被測目標量E，從而實現系統目標量測量精度的提高。

圖1 真空度測量系統框圖

2、真空度測量系統BP網絡設計

　　2.1、BP網絡結構設計

　　利用神經網絡對被測信息進行分析處理，可以提高測量精度。從預測電動勢的角度出發，首先確定神經網絡的基本結構。本文采用3 層BP 神經網絡以建立在不同加熱電流和熱絲冷阻條件下的電動勢預測模型，以達到提高測量精度的效果。輸入層節點數由輸入信號的個數確定即加熱電流、熱絲冷阻、熱電動勢，則輸入層節點數n = 3，中間層為隱節點層，輸出層為預測輸出的電動勢，則輸出層節點數m= 1，其真空度測量系統BP 神經網絡基本結構如圖2 所示。

　　隱含層節點數的選擇是人工神經網絡最為關鍵的步驟，本文采用試湊法確定最佳隱節點數。試湊法是確定最佳隱節數常用的方法，在用試湊法時，通過如下經驗公式確定隱節點數

　　式中，k 為隱層節點數，n 為輸入層節點數，m 為輸出層節點數，A為1~ 10 之間的常數。根據經驗公式，先設置較少的隱節點訓練網絡,然后逐漸增加隱節點數，采用同一樣本集中進行訓練。由于網絡對應不同的樣本具有不同的誤差，以多對訓練樣本中最大者Emax代表網絡的總誤差E ,也可用其均誤差根

　　作為網絡的總誤差，從而確定網絡總誤差最小時對應的隱節點數。隱層、輸出層的神經元轉移函數采用Sigmoid 函數，可避免神經元的輸出進入飽和狀態。

圖2 BP 神經網絡基本結構圖

結論

　　針對真空度測量精度不高的問題，本文基于BP神經網絡設計了真空度測量數據的信息處理方法。通過設計BP 網絡結構，由實測樣本數據采用三種算法對網絡權值進行訓練，以獲得穩定、精度更高的真空度測量BP 網絡。由測試數據檢驗，三種算法訓練的網絡較原測量數據的精度大大提高，受加熱電流和熱絲冷阻值變化的影響大大減弱; 同時，自適應學習速率調整法、附加動量法對應的測量輸出數據波動量較最速下降法小，而其中自適應學習速率調整法對應的測量輸出數據波動量最小，小于0.01。這將為下一步高精度真空計開發提供有力的技術支撐。