Predikce signálu hmotnostního spektrometru při měření stopového množství značkovacího plynu

Abstract

Tato diplomová práce se zabývá komplexním přístupem k testování těsnosti pomocí hmotnostního spektrometru a značkovacího plynu (helium). Po úvodu do základních pojmů a přehledu metod detekce netěsnosti (bez značení i se značením plynu) je detailně popsán vakuový systém, princip a kalibrace hmotnostního spektrometru. Následuje kapitola o návrhu a sestavení měřicí stanice, dále samotné měření a analýza signálu během čerpání, včetně získávání dat a zpracování čerpacích a signálových křivek. Hlavní část práce tvoří regresní analýza: lineární regrese (metoda nejmenších čtverců s posuvným oknem a rekurzivní MNČ s exponenciálním zapomínáním) a nelineární regrese pomocí transformací (logaritmická, exponenciální, mocninná). Výsledkem je návrh a implementace modulární knihovny RegressionModel pro predikci signálu ze spektrometru, ověřené na reálných datech. Praktické testy prokázaly do jisté míry efektivitu obou přístupů při předpovědi úniků, což přináší značnou úsporu času v testovacím cyklu.This master’s thesis presents a comprehensive approach to leak testing using a mass spectrometer and a tracer gas (helium). After an introduction to the fundamental concepts and an overview of leakdetection methods (with and without tracer gas), the vacuum system is described in detail, along with the operating principle and calibration of the mass spectrometer. The next chapter covers the design and assembly of the measurement station, followed by the measurement procedure and signal analysis during pumping, including data acquisition and processing of pumpdown curves. The core of the work is devoted to regression analysis: linear regression (least squares method with a sliding window and recursive least squares with exponential forgetting) and nonlinear regression via transformations (logarithmic, exponential, and power). The outcome is the design and implementation of a modular library, RegressionModel, for predicting spectrometer signals, which was validated on realworld data. Practical tests demonstrated the efficacy of both approaches in forecasting leaks, yielding significant time savings in the testing cycle.