論文の概要: Superconducting radio-frequency cavity fault classification using
machine learning at Jefferson Laboratory
- arxiv url: http://arxiv.org/abs/2006.06562v1
- Date: Thu, 11 Jun 2020 16:15:41 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-22 14:34:44.006297
- Title: Superconducting radio-frequency cavity fault classification using
machine learning at Jefferson Laboratory
- Title（参考訳）: ジェファーソン研究所における機械学習を用いた超電導電波空洞断層分類
- Authors: Chris Tennant, Adam Carpenter, Tom Powers, Anna Shabalina Solopova,
Lasitha Vidyaratne, Khan Iftekharuddin
- Abstract要約: 我々は,C100超伝導無線周波数(SRF)キャビティ断層の分類のための機械学習モデルの開発について報告する。
CEBAFは418個のSRFキャビティを用いて、12GeVから5パスまでの電子を加速する連続波循環リナックである。
- 参考スコア（独自算出の注目度）: 0.5872014229110213
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We report on the development of machine learning models for classifying C100
superconducting radio-frequency (SRF) cavity faults in the Continuous Electron
Beam Accelerator Facility (CEBAF) at Jefferson Lab. CEBAF is a continuous-wave
recirculating linac utilizing 418 SRF cavities to accelerate electrons up to 12
GeV through 5-passes. Of these, 96 cavities (12 cryomodules) are designed with
a digital low-level RF system configured such that a cavity fault triggers
waveform recordings of 17 RF signals for each of the 8 cavities in the
cryomodule. Subject matter experts (SME) are able to analyze the collected
time-series data and identify which of the eight cavities faulted first and
classify the type of fault. This information is used to find trends and
strategically deploy mitigations to problematic cryomodules. However manually
labeling the data is laborious and time-consuming. By leveraging machine
learning, near real-time (rather than post-mortem) identification of the
offending cavity and classification of the fault type has been implemented. We
discuss performance of the ML models during a recent physics run. Results show
the cavity identification and fault classification models have accuracies of
84.9% and 78.2%, respectively.
- Abstract（参考訳）: ジェファーソン研究所の連続電子ビーム加速器(cebaf)におけるc100超伝導高周波(srf)キャビティ障害の分類のための機械学習モデルの開発について報告する。
CEBAFは418個のSRFキャビティを用いて、12GeVから5パスまでの電子を加速する連続波循環リナックである。
これらのうち96個のキャビティ(12個のクライオモジュール)は、キャビティ障害が低温モジュール内の8つのキャビティそれぞれに対して17個のRF信号の波形記録をトリガーするように構成されたデジタル低レベルRFシステムで設計されている。
対象物の専門家(SME)は収集した時系列データを分析し、最初に故障した8つのキャビティのうちどれを識別し、障害の種類を分類することができる。
この情報はトレンドを見つけ出し、問題のあるCryomoduleへの戦略的デプロイに使用される。
しかし、手動でデータをラベル付けするのは手間と時間を要する。
機械学習の活用により,攻撃キャビティの(死後ではなく)ほぼリアルタイムな識別と,故障タイプの分類が実現されている。
近年の物理学におけるMLモデルの性能について論じる。
その結果, キャビティ同定モデルと断層分類モデルはそれぞれ84.9%, 78.2%であった。
関連論文リスト
- Intelligent Fault Diagnosis of Type and Severity in Low-Frequency, Low Bit-Depth Signals [0.6144680854063939]
この研究は、高パフォーマンスと低リソース消費のバランスをとることを目的として、不均衡なMaFaulDaデータセットの音声データを活用する。
精度は99.54%、F-Betaスコアは99.52%で、わずか6本の隆起木が8kHz、8ビット構成であった。
論文 参考訳（メタデータ） (2024-11-09T22:01:11Z) - Accelerating Cavity Fault Prediction Using Deep Learning at Jefferson Laboratory [0.4218593777811082]
加速キャビティはジェファーソン研究所の連続電子ビーム加速器施設(CEBAF)の不可欠な部分である。
本研究では,緩やかに発達する空洞断層を予測するための深層学習モデルを提案する。
論文 参考訳（メタデータ） (2024-04-24T12:05:20Z) - Causal Disentanglement Hidden Markov Model for Fault Diagnosis [55.90917958154425]
本研究では, 軸受破壊機構の因果性を学ぶために, 因果解離隠れマルコフモデル (CDHM) を提案する。
具体的には、時系列データをフル活用し、振動信号を断層関連要因と断層関連要因に段階的に分解する。
アプリケーションの範囲を広げるために、学習された非絡み合った表現を他の作業環境に転送するために、教師なしのドメイン適応を採用する。
論文 参考訳（メタデータ） (2023-08-06T05:58:45Z) - Explainable Machine Learning for Breakdown Prediction in High Gradient
RF Cavities [7.39531359499484]
分解は、粒子加速器のRFキャビティにおいて最も多い制限要因の1つである。
本稿では,CERN のコンパクト線形前駆体における分解衝突を発見するための機械学習戦略を提案する。
論文 参考訳（メタデータ） (2022-02-10T07:32:18Z) - On-board Fault Diagnosis of a Laboratory Mini SR-30 Gas Turbine Engine [54.650189434544146]
データ駆動型故障診断・隔離方式は, 燃料供給システムにおける故障とセンサ測定のために, 明確に開発されている。
モデルは機械学習の分類器を使用してトレーニングされ、トレーニングされた障害シナリオのセットをリアルタイムで検出する。
提案手法の利点, 性能, 性能を実証し, 実証するために, いくつかのシミュレーション実験を行った。
論文 参考訳（メタデータ） (2021-10-17T13:42:37Z) - Cloud Failure Prediction with Hierarchical Temporary Memory: An
Empirical Assessment [64.73243241568555]
Hierarchical Temporary Memory (HTM) は、新皮質の特徴にインスパイアされた教師なし学習アルゴリズムである。
本稿では,障害予測の文脈でHTMを評価する最初の体系的研究について述べる。
論文 参考訳（メタデータ） (2021-10-06T07:09:45Z) - Benchmarking of eight recurrent neural network variants for breath phase
and adventitious sound detection on a self-developed open-access lung sound
database-HF_Lung_V1 [0.35775620736088914]
頑健なコンピュータ化された呼吸音解析アルゴリズムは、まだ実用化には至っていない。
我々は,9,765個の肺音の音声ファイルからなる肺音データベース(HF_Lung_V1)を開発した。
その結果,これらのモデルは肺の音像解析において十分な性能を示した。
論文 参考訳（メタデータ） (2021-02-05T08:21:28Z) - A Spiking Neural Network (SNN) for detecting High Frequency Oscillations
(HFOs) in the intraoperative ECoG [1.8464222520424338]
てんかん原性組織によって生じる高周波発振(HFOs)は、切除マージンを調整するために用いられる。
本稿では,ニューロモルフィックハードウェア実装に適した自動HFO検出のためのスパイクニューラルネットワーク(SNN)を提案する。
論文 参考訳（メタデータ） (2020-11-17T17:24:46Z) - Multilabel 12-Lead Electrocardiogram Classification Using Gradient
Boosting Tree Ensemble [64.29529357862955]
我々は,心電図の診断を分類するために,形態や信号処理機能に適合した勾配強化木のアンサンブルを用いたアルゴリズムを構築した。
各リードについて、心拍変動、PQRSTテンプレート形状、全信号波形から特徴を導出する。
各クラスに属するECGインスタンスの確率を予測するため、全12項目の特徴と合わせて、勾配を増す決定ツリーの集合に適合する。
論文 参考訳（メタデータ） (2020-10-21T18:11:36Z) - Convolutional neural networks for automatic detection of Focal Cortical
Dysplasia [59.034649152318224]
葉性皮質異形成症(FCD)は,皮質発達異常に関連する最も一般的なてんかん性病変の1つである。
近年のディープラーニングを用いたFCD検出法は15名のラベル付きFCD患者のデータセットに適用されている。
その結果, 被験者15名中11名に対してFCDの検出に成功した。
論文 参考訳（メタデータ） (2020-10-20T15:30:37Z) - Machine-Learning-Based Multiple Abnormality Prediction with Large-Scale
Chest Computed Tomography Volumes [64.21642241351857]
19,993症例から36,316巻の胸部CTデータセットを収集,解析した。
自由テキストラジオグラフィーレポートから異常ラベルを自動的に抽出するルールベース手法を開発した。
胸部CTボリュームの多臓器・多臓器分類モデルも開発した。
論文 参考訳（メタデータ） (2020-02-12T00:59:23Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。