粒子加速器在高能物理、材料科学和生物医学等领域具有重要作用。其产生的高能粒子束被广泛应用于物质的基本性质、材料的损伤机理和辐照修复、肿瘤治疗等领域的研究。然而,粒子加速器受外界环境、运行设备自身故障以及人为误判等多种因素的影响,会出现束流异常中断、束流位置偏移及发散等情况,影响束流稳定性及实验数据的准确性。因此,研究如何减少设备故障修复时间、束流意外中断次数及提高束流位置的自校准水平,是当前加速器技术领域的研究热点。为解决上述问题,需要引入高吞吐量流技术、数据分析及可视化技术、移动化技术及系统标准化封装技术,赋予加速器报警系统高效的报警信息流处理机制,提高报警系统的可用性,为设备维护提供准确的报警依据。采用机器学习算法实现对异常故障数据的过滤处理,降低误联锁发生频率。同时,与传统基于数学表达式的加速器调束方式相比,深度学习算法能够自动建立网络模型表达高度非线性的函数关系,实现预测或识别。论文基于超导质子直线加速器样机(Chinese ADS Front-end Demo Linac,CAFe)及高能电子成像(High Energy Electron Radiography,HEER)两个平台开展粒子加速器束流稳定性的研究,通过软件层面提高系统的响应能力及可维护性,并通过系统层面减少误联锁及束流偏移,最终达到提高束流稳定运行的目的。本文具体的贡献及成果概括如下:1.研究了提高加速器报警系统可用性的方法,解决传统报警系统存在的吞吐量低、日志可视化程度低、移动化及标准化差的问题。首先,基于Kafka优化原有报警系统流平台,在大量报警信息并发时报警数据不会阻塞和丢失,保证加速器报警数据分析、故障诊断的实时性。其次,研究报警数据端到端的迁移及多维度报警日志可视化技术,使得报警系统具备更为有效的数据分析手段。然后,研究报警系统移动化的改良方法,实现了报警系统移动访问的目的,增强了加速器的异地运维能力。最后,对报警服务进行标准化封装,提高了报警系统跨平台的兼容、运行和维护能力。上述研究从整体架构优化了加速器报警系统的可用性,优化后的报警系统已在CAFe加速器平台上运行,并取得了较好的运行效果,为故障维护提供准确依据,优化了设备的可维护性,从而提高了束流的运行稳定性。2.提出了一种基于孤立森林(Isolation forest,i Forest)的加速器状态异常检测方法,对减少加速器机器保护系统的误联锁进行研究。针对最易引起误联锁的束流位置监测(Beam Position Monitor,BPM)温度为研究对象。该方法通过划分温度数据空间得到不同数据的路径长度,以此来刻画BPM温度的异常程度,从而构建BPM温度异常检测模型。实现了异常BPM温度数据的检测,过滤掉特征不同的异常数据,在满足工程时间需求下取得了很好的异常分类效果,提高了束流运行的稳定性,并为报警阈值设置提供参考。3.提出一种基于代理模型辅助优化(Surrogate Model Assisted Optimization,SMAO)的束流自动调束方法。该方法基于神经网络研究加速器束流预测模型,并以数据驱动的方式训练该模型,在具有较快计算速度的情况下建立机器参数与束流参数之间的映射关系。并以此为蓝本,继续研究了通过贝叶斯优化器实现机器参数寻优的目的,对神经网络所生成的黑箱模型进行机器参数的自动搜索,实现束流自动校准,提高束流稳定性及调束效率。为今后的加速器建设奠定了重要的技术储备。
暂无评论