将机器学习应用于超导射频腔的低电平射频与谐振控制的研究
加速器物理
2019-11-14 v2
摘要
在连续波 (CW) 模式下运行且具有低束流负载的超导射频 (SRF) 腔，是一种以高有载品质因数（约 10^7）和窄带宽（约 10 Hz）为特征的器件。SRF 腔的低电平射频 (LLRF) 和谐振控制系统成为整个系统运行的基本组成部分，并且通常对腔的幅度、相位和谐振频率有非常严格的稳定性要求。微音效应对腔的失谐起着重要作用，这导致需要更多功率才能达到所需的梯度。使用压电执行器来减少 SRF 腔失谐的主动控制方法已显示出有希望的结果。此外，机器学习 (ML) 技术也已展现出改进现有 PID 控制器的重要能力。具体而言，神经网络 (NN) 可用于寻找最优 PID 增益并提高传统控制系统的性能。在本研究中，我们开发了新的方法，以 ML 作为寻找最优增益的工具来改进现有的 LLRF 和谐振控制系统。我们利用为 LCLS-II 设计的 LLRF 控制系统对这些方法进行了研究。
引用
@article{arxiv.1910.07648,
title = {Studies in Applying Machine Learning to LLRF and Resonance Control in Superconducting RF Cavities},
author = {Jorge Alberto Diaz Cruz and Sandra Biedron and Manel Martinez-Ramon and Salvador Sosa and Reza Pirayesh},
journal= {arXiv preprint arXiv:1910.07648},
year = {2019}
}
备注
Talk and Poster presented at LLRF Workshop 2019 (LLRF2019, arXiv:1909.06754)