Jan, 2024

利用 LSTM 深度学习技术实现加速器粒子轨道异常检测

PDF
TL;DR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%。
发现论文，激发创造
  • 粒子加速器条件建模下的健壮性错误光束预测

    利用有监督机器学习方法，特别是孪生神经网络模型，来预测粒子加速器的异常行为，提高其可用性。

    Nov, 2023

  • 使用 LSTM 和非参数动态阈值检测航天器异常

    使用 LSTM 网络对遥测数据进行异常检测，结合一种无监督检测方法并提供假阳性减缓策略，以降低操作风险和减轻工程师的监测负担。

    Feb, 2018

  • 粒子物理学中的异常检测机器学习

    粒子物理学中使用机器学习进行异常检测的最新技术进行综述，讨论了在大型复杂数据集中进行异常检测的挑战，并强调了在粒子物理实验中异常检测的成功应用。

    Dec, 2023

  • 粒子加速器中时间序列分类和预测的新方法

    利用时间序列分类方法对高强度质子加速器的中断事件进行预测，通过二元分类多元时间序列的窗口来减少光束时间损失。通过将时间序列转换为复现图并使用卷积神经网络进行分类，使得分类器的性能得到了提高。最佳分类器的 ROC 曲线下面积值为 0.71，相对于随机森林模型的 0.65，可以潜在地减少每次中断 0.5 秒的光束时间损失。

    Feb, 2021

  • 利用深度学习加快杰斐逊实验室加速腔故障预测

    利用深度学习模型预测加速腔的潜在故障，以提高工作效率。

    Apr, 2024

  • 工业物联网中基于通信效率高的设备联邦学习方法的时间序列深度异常检测

    本文提出了一种基于联邦学习的通信高效设备协作深度异常检测框架，使用注意力机制的 CNN-LSTM 模型对工业物联网的时间序列数据进行准确探测，并使用基于 Top-k 选择的梯度压缩机制来提高通信效率。该框架可通过实验研究发现，准确及时检测异常并比未使用梯度压缩方案的联邦学习框架减少 50％通信开销。

    Jul, 2020

  • 粒子加速器中束流动力学的条件潜变自回归模型的生成和预测

    使用两步无监督深度学习框架，名为 CLARM，来学习加速器中带电粒子的时空动态

    Mar, 2024

  • 机器学习驱动的无线电天文光谱图中异常探测之路

    本文提出一种基于自监督学习的异常检测框架，应用于广泛的射电望远镜系统，能够在实时处理中，有效地分类常见异常及检测未知异常。通过为 Low Frequency Array（LOFAR）望远镜提供的数据集验证，该方法取得了高效且有效的结果，表现优于其他相关作品。

    Jul, 2023

  • 基于自编码器的 CMS 电磁量能器的在线数据质量监测异常检测系统

    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

  • 基于 LSTM 的编码器 - 解码器多传感器异常检测

    使用长短时记忆网络的编码器 - 解码器方案构建正常时间序列的重建，使用重构误差检测异常，实现了在可预测、不可预测、周期、非周期和准周期时间序列中检测异常。

    Jul, 2016