基于回归模型的超高真空系统真空计故障下压力预测研究

本文提出了一种结合蒙特卡洛压力模拟与线性回归模型的方法，用于预测超高真空（UHV）系统在真空计故障时的压力分布。该AI模型可依据正常仪表数据预测管道最大压力及故障点压力值，为粒子加速器等大型设施提供不间断运行决策支持，具有重要工程应用价值。

　　

亮点

设施描述与计算设置

如上所述，本文以粒子加速器某区段为研究对象。该区段简化布局如图1a所示，配备两台超高真空泵：泵P1为抽速600 L/s的低温泵（cryopump），泵P2为抽速100 L/s的涡轮分子泵（turbomolecular pump）。同时布置有三个真空计（gauges），分别标记为A、B、C。仪表与泵的位置分布如图1a所示。

在运行过程中，振动、周期性热负荷等机械应力可能导致焊缝处出现疲劳裂纹，从而形成微小漏孔（leakage）。为模拟这一现象，我们在计算模型中设置了五个潜在泄漏点（L1至L5），具体位置见图1a。

计算数据处理与压力预测

由于XML文件数据处理效率较低，在正式分析前，我们将结果XML文件中的关键数值提取并整合至XLSX表格中。MolFlow软件在其结果文件中存储了气体分子与壁面碰撞过程中的动量变化总和（Σ_v，单位m/s）。该数值需通过以下公式转换为平均壁面压力：

p = (A_gas ? m_proton ? Σ_v / A_f) ? K_real/virt

其中A_gas表示氮气原子质量数，m_proton为质子质量，A_f为壁面面积，K_real/virt为实虚转换系数。

结论

本文阐述了压力预测AI系统的基本原理。通过MolFlow软件生成的蒙特卡洛压力分布模拟与Scikit-learn包提供的AI训练工具相结合，可获得高性能的AI估算模型。在开始蒙特卡洛模拟前，需明确可能发生泄漏的位置（本研究重点关注疲劳导致的焊缝处）。通过系统训练后的线性回归模型，能够根据正常工作的真空计读数准确预测故障真空计位置的壓力值。