May, 2024

欧洲 XFEL 电子管自动异常检测

PDF
TL;DR为探索通过机器学习研究速调管的行为，我们完成了一系列实验，确定了各种操作模式，并进行了特征提取和降维，以提取有关正常运行的最有价值信息，使用先进的数据驱动学习技术分析记录的数据，识别可能有助于更好地理解速调管运行状态并及早发现故障或异常的最有前途的组件。
high-power multi-beam klystronsmachine learningoperational modesfeature extractiondata-driven learning techniques
发现论文，激发创造
  • 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

  • 利用 LSTM 深度学习技术实现加速器粒子轨道异常检测

    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

  • 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

  • 基于趋势的超导直线加速器零次注入束流控制方法

    该论文提出了一种基于趋势的软演员 - 评论家 (TBSAC) 束流控制方法，该方法在模拟环境下训练代理人，并直接应用于实际的超导线性加速器中，以实现优化束流效率的任务。通过两种不同的典型任务的实验验证，该方法显示出与熟练的人类专家相同的标准，从而表明其在未来应用于其他加速器调试领域是有潜力的。

    May, 2023

  • KSTAR ELM 螺旋线圈动态的机器学习分析

    本研究提出了一种基于深度卷积神经网络的机器学习模型，可自动识别位置、空间范围和振幅不同的 ECEI 电子回旋发射成像系统中的 ELM 暴露结构，该模型在 KSTAR 托卡马克上训练和优化，精度可达 93.7％，并用于表征 ELM 丝线动态行为，并发现在 ELM 前期和 ELM 崩溃阶段之间有明显区别。

    Jan, 2022

  • 闭环：基于机器学习的在线数据分析在同步辐射光束线环境中实现的自主实验

    应用机器学习技术对 X 射线散射实验进行自动解释和实时数据分析，并将机器学习与封闭式回路工作流程相结合，以生长有机薄膜为例，采用 X 射线反射测量进行自动控制。

    Jun, 2023

  • 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

  • 利用智能取样和双损失方法检测 CSP 电站中的损坏吸收管

    本文介绍了一种使用机器学习算法自动检测集中式太阳能发电厂的损坏和故障问题的自动化解决方案。该方案使用无人机提供数据，以及来自 7 个真实工厂传感器提供数据，同时考虑了分类不平衡问题，有效提高了检测准确率。同时，该研究提供了一个此类数据集，为后续研究提出了标准化的解决思路。

    Nov, 2022

  • 自动发现超导电路及其在 4 局域耦合器设计中的应用

    使用 SCILLA 自动发现超导电路的一个电路结构可以与现有提案相比，在耦合强度和抵御噪声方面表现更好，并表明自动发现可以促进设计复杂电路架构的量子信息处理。

    Dec, 2019

  • 基于机器学习算法的光束检测

    通过一系列机器学习模型，使用自建的基于 VGG16 模型的卷积神经网络进行传输训练，将中间层的输出作为特征传递给支持向量回归模型，从而精确确定自由电子激光束在屏幕上的位置，并在测试数据上达到 85.8％的正确预测。

    Aug, 2023