粒子加速器条件建模下的健壮性错误光束预测
利用深度学习进行异常检测的方法取得了显著进展。本文介绍了 Resilient Variational Autoencoder (ResVAE),这是一个特别设计用于异常检测的深度生成模型。通过在 SLAC Linac Coherent Light Source (LCLS) 的加速器状态中应用我们的方法,我们展示了 ResVAE 在识别加速器中各种可见异常的杰出能力。
Sep, 2023
我们提出了一种基于粒子的变分自编码器(VAE)异常检测算法 Set-VAE,该算法在与传统基于子结构的喷注选择相比下,实现了 2 倍的信号效率提高。此外,为了未来部署到触发系统,我们提出了 CLIP-VAE,使用 KL 散度作为异常得分,从而减少推理时间成本,加快 2 倍的延迟速度,并减少缓存需求。
Nov, 2023
本篇论文提出了一种半监督方法,其中利用数据驱动方法的人工神经网络 (ANNs) 在未受损结构条件下训练以检测结构损伤,然后采用变分自动编码器 (VAE) 近似无损数据分布和单类支持向量机 (OC-SVM) 区分使用从 VAE 信号重建提取的损伤敏感特征的不同健康条件,该方法应用于 IASC-ASCE 结构健康监测任务组测试的一个规模钢结构中的九种损伤情况。
Oct, 2022
利用基于条件变分自编码器的多模块框架检测来自多个高压换流器调制器的电力信号中的异常。通过以特定的换流器类型为条件模型,可以捕获正常波形的不同表示,并在给定模块类型的样本有限时提高模型对特定故障的敏感性。研究了几种神经网络架构用于我们的 CVAE 模型,并通过观察其稳定性和泛化性能来评估模型性能。通过实验室实验数据表明,训练模型能够很好地推广到多个高压换流器模块类型的多个故障类型检测。这项研究的结果可以用于提高高压换流器调制器的可靠性和整体的 SNS 连续运行时间。
Apr, 2023
本文探讨了如何使用变分贝叶斯和变分自编码器(VAEs)进行异常检测(AD)任务,提出了一个新的方法来处理具有层次结构的数据。该方法在经典机器学习基准测试和监测 CERN 大型强子对撞机(LHC)实验的触发系统等应用中表现出卓越的性能。
Oct, 2020
发展了一种基于机器学习的故障检测方法,利用 LSTM 自编码器来捕捉正常模式并预测轨道锁定系统中监测传感器的未来值,当预测误差超过阈值时检测到异常。使用连续电子束加速器设施的监测数据进行实验,结果表明,使用单个轨道锁定控制系统组件的监测数据,我们的解决方案可以识别出 68.6%-89.3% 的实际异常,准确率可以高达 82%。
Jan, 2024
通过使用半监督机器学习的实时自编码器异常检测系统,可以快速识别、定位和诊断可能影响物理数据质量的 CMS 电磁量能器的各种问题,同时利用时间依赖性演化和探测器响应的空间变化,最大程度提高异常检测性能,该系统在 2018 年和 2022 年的 LHC 碰撞数据中进行了验证,并且在 LHC Run 3 开始阶段将自编码器系统部署在 CMS 在线数据质量监测工作流中的初步结果表明其可以检测到现有系统所错过的问题。
Sep, 2023
使用深度高斯过程逼近(DGPA)方法,我们对萨帕腾中子源(SNS)加速器的错误光束预测(分类)进行了研究,并为费米国家加速器实验室(FNAL)助推器加速器复合物(回归)提供了一个具有不确定性感知的代理模型。
Sep, 2023
基于数据驱动的框架,结合变分自编码器 (VAE)、循环神经网络 (RNN) 和深度神经网络 (DNN),用于检测、诊断和定位网络工业控制系统中的隐蔽攻击。通过在网络化的电力传输系统上进行仿真研究,我们评估了该方法的性能,并与传统基于模型的方法进行比较,以展示其适用性和效力。
Oct, 2023