基于长短期记忆网络的粒子加速器磁力源异常检测
加速器物理
2024-05-29 v1
摘要
本研究引入一种新颖的异常检测方法，以增强粒子加速器的运行可靠性——这些是将基本粒子加速至高速以进行各种科学应用的复杂机器。我们的方法利用长短期记忆(LSTM)神经网络预测粒子加速器磁力源(PS)中关键组件（如散热器、电容和电阻器）的温度，这些组件是基于PS通过的电流预测其温度。当LSTM预测温度与实际观测值之间存在显著差异时，即宣布检测到异常。我们利用定制的测试台进行了与较不精确方法的全面性能比较，同时对两种方法的超参数进行了微调。这一过程不仅优化了LSTM模型，也明确证明了该新方法的优越效果。专用的测试台还促进了使用红外相机监控PS内部温度的更高级策略的探索工作。提供了示例。
引用
@article{arxiv.2405.18321,
title = {Long Short-Term Memory Networks for Anomaly Detection in Magnet Power Supplies of Particle Accelerators},
author = {Ihar Lobach and Michael Borland},
journal= {arXiv preprint arXiv:2405.18321},
year = {2024}
}