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
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
我们介绍了一个新的公开可用的数据集，其中包含欧洲核子研究中心大型强子对撞机即将安装的新型量热计的模拟数据。通过使用最新的机器学习技术，我们已经构建了一个拥有12,000个通道的大型原型，并通过高能电子束的照射对其进行测试。通过释放这些数据，我们希望鼓励机器学习应用专家开发出高效准确的电子能量重建和图像重建方法。
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
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
本研究探讨了金属回收优化，重点关注铜和铝合金的实时区分。通过脉冲中子活化分析（PGNAA）获得的光谱数据用于分类。研究比较了两种探测器（铈溴化物和高纯锗）的数据，考虑了其能量分辨率和灵敏度。我们测试了各种数据生成、预处理和分类方法，最大似然分类器（MLC）和条件变分自编码器（CVAE）取得了最佳结果。研究还强调了不同探测器类型对分类准确性的影响，铈溴化物在短测量时间上表现出色，高纯锗在较长持续时间上表现更佳。研究结果表明根据具体应用要求选择合适的探测器和方法的重要性。
Apr, 2024
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。
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。
May, 2024
本研究解决了在处理不完美衍射数据时深度学习应用不足的问题，提出了一种新型的深度学习相位恢复方法。这一方法在弱信号单脉冲衍射数据上表现优异，同时显著缩短了数据处理时间，实现了实时图像重建，有望在多个研究领域广泛应用。
Sep, 2024