論文の概要: Anomaly Detection of Particle Orbit in Accelerator using LSTM Deep Learning Technology

• arxiv url: http://arxiv.org/abs/2401.15543v1
• Date: Sun, 28 Jan 2024 02:09:26 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-30 17:52:38.953600
• Title: Anomaly Detection of Particle Orbit in Accelerator using LSTM Deep Learning Technology
• Title（参考訳）: lstm深層学習技術を用いた加速器内の粒子軌道異常検出
• Authors: Zhiyuan Chen, Wei Lu, Radhika Bhong, Yimin Hu, Brian Freeman, Adam Carpenter
• Abstract要約: 安定で信頼性があり、制御可能な軌道ロック系は、電子(またはイオン)加速器にとって不可欠である。 本稿では,軌道ロック異常を識別する機械学習に基づく故障検出手法を提案する。
• 参考スコア（独自算出の注目度）: 5.952657276382205
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: A stable, reliable, and controllable orbit lock system is crucial to an electron (or ion) accelerator because the beam orbit and beam energy instability strongly affect the quality of the beam delivered to experimental halls. Currently, when the orbit lock system fails operators must manually intervene. This paper develops a Machine Learning based fault detection methodology to identify orbit lock anomalies and notify accelerator operations staff of the off-normal behavior. Our method is unsupervised, so it does not require labeled data. It uses Long-Short Memory Networks (LSTM) Auto Encoder to capture normal patterns and predict future values of monitoring sensors in the orbit lock system. Anomalies are detected when the prediction error exceeds a threshold. We conducted experiments using monitoring data from Jefferson Lab's Continuous Electron Beam Accelerator Facility (CEBAF). The results are promising: the percentage of real anomalies identified by our solution is 68.6%-89.3% using monitoring data of a single component in the orbit lock control system. The accuracy can be as high as 82%.
• Abstract（参考訳）: 安定で信頼性があり制御可能な軌道ロックシステムは、ビーム軌道とビームエネルギー不安定性が実験ホールに供給されるビームの品質に強く影響するため、電子加速器(またはイオン加速器)にとって重要である。 現在、軌道ロックシステムが故障した場合、オペレーターは手動で介入しなければならない。 本稿では,軌道ロック異常を識別し,アクセル操作スタッフに異常動作を通知する機械学習に基づく故障検出手法を開発した。 我々の手法は教師なしなのでラベル付きデータを必要としない。 LSTM(Long-Short Memory Networks)オートエンコーダを使用して、通常のパターンをキャプチャし、軌道ロックシステムにおける監視センサーの将来の値を予測する。 予測誤差が閾値を超えると異常が検出される。 ジェファーソン研究所の連続電子ビーム加速器(cebaf)の観測データを用いて実験を行った。 私たちのソリューションで特定された実際の異常の割合は、軌道ロック制御システム内の1つのコンポーネントの監視データを使用して68.6%-89.3%である。 精度は82%と高い。

関連論文リスト

• 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)
• Robust Errant Beam Prognostics with Conditional Modeling for Particle Accelerators [36.157808223320465]
  粒子加速器は様々な理由で故障や停止の可能性がある。 これらの欠陥は、スケジュールされた実行中の粒子加速器の可用性に影響を与え、効率と全体の科学出力を妨げている。 異常検出技術を用いて異常な振る舞いを予測し、プリエンプティブ動作を行い、粒子加速器の総可利用性を向上させる。
  論文  参考訳（メタデータ） (2023-11-22T07:36:16Z)
• Forecasting Particle Accelerator Interruptions Using Logistic LASSO Regression [62.997667081978825]
  インターロックと呼ばれる予期せぬ粒子加速器の割り込みは、必要な安全対策にもかかわらず、突然の運用変更を引き起こす。 このような中断を予測することを目的とした,単純かつ強力なバイナリ分類モデルを提案する。 このモデルは、少なくとも絶対収縮と選択演算子によって罰せられるロジスティック回帰として定式化される。
  論文  参考訳（メタデータ） (2023-03-15T23:11:30Z)
• A Robust and Explainable Data-Driven Anomaly Detection Approach For Power Electronics [56.86150790999639]
  本稿では,2つの異常検出・分類手法,すなわち行列プロファイルアルゴリズムと異常変換器を提案する。 行列プロファイルアルゴリズムは、ストリーミング時系列データにおけるリアルタイム異常を検出するための一般化可能なアプローチとして適している。 検知器の感度、リコール、検出精度を調整するために、一連のカスタムフィルタが作成され、追加される。
  論文  参考訳（メタデータ） (2022-09-23T06:09:35Z)
• Smart Metering System Capable of Anomaly Detection by Bi-directional LSTM Autoencoder [0.6649973446180738]
  異常検出は、障害検出、システム監視、イベント検出といった幅広い応用に関係している。 本稿では,スマート計測システムで観測された異常な異常検出手法を提案する。 BiLSTMベースのオートエンコーダが使われ、異常なデータポイントが見つかる。
  論文  参考訳（メタデータ） (2021-12-06T12:34:59Z)
• Uncertainty aware anomaly detection to predict errant beam pulses in the SNS accelerator [47.187609203210705]
  本稿では、不確実性を考慮した機械学習手法、シームズニューラルネットワークモデルの適用について述べる。 接近する故障を予測することで、損傷が起こる前に加速器を止めることができる。
  論文  参考訳（メタデータ） (2021-10-22T18:37:22Z)
• DAE : Discriminatory Auto-Encoder for multivariate time-series anomaly detection in air transportation [68.8204255655161]
  識別オートエンコーダ(DAE)と呼ばれる新しい異常検出モデルを提案する。 通常のLSTMベースのオートエンコーダのベースラインを使用するが、いくつかのデコーダがあり、それぞれ特定の飛行フェーズのデータを取得する。 その結果,DAEは精度と検出速度の両方で良好な結果が得られることがわかった。
  論文  参考訳（メタデータ） (2021-09-08T14:07:55Z)
• Fault-tolerant parity readout on a shuttling-based trapped-ion quantum computer [64.47265213752996]
  耐故障性ウェイト4パリティチェック測定方式を実験的に実証した。 フラグ条件パリティ測定の単発忠実度は93.2(2)%である。 このスキームは、安定化器量子誤り訂正プロトコルの幅広いクラスにおいて必須な構成要素である。
  論文  参考訳（メタデータ） (2021-07-13T20:08:04Z)
• Zero-bias Deep Learning Enabled Quick and Reliable Abnormality Detection in IoT [18.474662677341012]
  本稿では,ゼロバイアスDNNとQuickest Event Detectionアルゴリズムを統合する。 異常と時間依存異常の両方を迅速かつ確実に検出するための総合的な枠組みを提供する。 実世界の航空通信システムからの膨大な信号記録とシミュレーションデータの両方を用いて,本フレームワークの有効性を実証する。
  論文  参考訳（メタデータ） (2021-04-08T03:31:50Z)
• SUOD: Accelerating Large-Scale Unsupervised Heterogeneous Outlier Detection [63.253850875265115]
  外乱検出(OD)は、一般的なサンプルから異常物体を識別するための機械学習(ML)タスクである。 そこで我々は,SUODと呼ばれるモジュール型加速度システムを提案する。
  論文  参考訳（メタデータ） (2020-03-11T00:22:50Z)

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。