基于机器学习方法的CSNS加速器智能值班员样机系统

作     者：彭娜 张玉亮 程司农 何泳成 梅昊 王林 薛康佳 李明涛 吴煊 朱鹏 黄蔚玲 PENG Na;ZHANG Yuliang;CHENG Sinong;HE Yongcheng;MEI Hao;WANG Lin;XUE Kangjia;LI Mingtao;WU Xuan;ZHU Peng;HUANG Weiling

作者机构：中国科学院高能物理研究所北京100049 中国科学院大学北京100049 散裂中子源科学中心东莞523803 

出 版 物：《核技术》 (Nuclear Techniques)

年 卷 期：2025年第48卷第5期

页      面：11-21页

核心收录：

学科分类：082703[工学-核技术及应用] 08[工学] 0827[工学-核科学与技术] 

基　　金：国家自然科学基金面上项目(No.12275294)资助 

主　　题：机器学习 异常检测 无监督学习 聚类算法 粒子加速器 

摘      要：中国散裂中子源(China Spallation Neutron Source,CSNS)作为一个用户装置,其稳定运行对科学研究的顺利开展具有重要意义。然而,由于加速器系统的高度复杂性,传统的基于阈值的报警机制在应对复杂和多样化的异常时表现出明显的局限性,部分未能及时检测的异常可能引发束流联锁,降低运行效率和稳定性。为了解决这一问题,本文提出了一种基于机器学习的异常检测方法,并开发了CSNS加速器智能值班员样机系统。该系统通过特征工程和无监督学习算法,能够实时监测运行数据并精准识别复杂异常,尤其是对传统方法难以检测的波动形态异常表现出显著优势。样机系统已成功应用于CSNS加速器运行环境,能够准确捕获运行过程中的异常情况并报警,从而提升异常监测的准确性和故障排除效率。