使用 LSTM 深度学习技术进行加速器中粒子轨道异常检测
机器学习
2024-01-30 v1 加速器物理
摘要
稳定、可靠且可控的轨道锁定系统对于电子（或离子）加速器至关重要，因为束流轨道和束流能量的不稳定性会极大地影响输送到实验大厅的束流质量。目前，当轨道锁定系统发生故障时，操作员必须进行人工干预。本文开发了一种基于机器学习的故障检测方法，用于识别轨道锁定异常并通知加速器操作人员其异常行为。我们的方法是无监督的，因此不需要标注数据。它使用长短期记忆网络（LSTM）自编码器来捕获正常模式并预测轨道锁定系统中监控传感器的未来值。当预测误差超过阈值时，即检测到异常。我们使用来自杰斐逊实验室连续电子束加速器设施（CEBAF）的监控数据进行了实验。结果令人充满希望：仅使用轨道锁定控制系统中单个组件的监控数据，我们的解决方案识别出的真实异常比例达到 68.6%-89.3%。准确率可高达 82%。
引用
@article{arxiv.2401.15543,
title = {Anomaly Detection of Particle Orbit in Accelerator using LSTM Deep Learning Technology},
author = {Zhiyuan Chen and Wei Lu and Radhika Bhong and Yimin Hu and Brian Freeman and Adam Carpenter},
journal= {arXiv preprint arXiv:2401.15543},
year = {2024}
}
备注
6 pages