欧洲 XFEL 基于机器学习的两阶段淬火识别方法
仪器与探测器
2024-07-12 v1 人工智能
摘要
本文介绍了一种应用于欧洲 X 射线自由电子射线 (XFEL) 淬火识别的机器学习辅助故障检测与隔离方法。该设施利用 800 个超导射频腔体加速电子束至最高可达 17.5 GeV 的能量。各种故障事件可中断加速器的正常运行，包括淬火事件，可能导致腔体失去超导性并中断其运行。在此背景下，我们的解决方案包括对反映腔体动力学的信号进行两阶段分析。 (I) 故障检测使用分析冗余处理数据并生成残差。通过广义似然比对残差进行评估，以检测故障行为。 (II) 故障隔离涉及将淬火与其他故障区分开来。为此，我们采用数据驱动的 k 中心算法模型，探索不同的相似性度量，包括欧几里得距离和动态时间变形。最后，我们评估了新方法并将其与当前部署的淬火检测系统进行比较，结果表明本方法实现了 improved performance。
关键词
引用
@article{arxiv.2407.08408,
title = {A Two-Stage Machine Learning-Aided Approach for Quench Identification at the European XFEL},
author = {Lynda Boukela and Annika Eichler and Julien Branlard and Nur Zulaiha Jomhari},
journal= {arXiv preprint arXiv:2407.08408},
year = {2024}
}