論文の概要: Automated Anomaly Detection on European XFEL Klystrons
- arxiv url: http://arxiv.org/abs/2405.12391v1
- Date: Mon, 20 May 2024 21:59:07 GMT
- ステータス: 処理完了
- システム内更新日: 2024-05-22 14:47:55.566032
- Title: Automated Anomaly Detection on European XFEL Klystrons
- Title(参考訳): 欧州XFELクライストロンの異常自動検出
- Authors: Antonin Sulc, Annika Eichler, Tim Wilksen,
- Abstract要約: 高出力マルチビームクライストロンは、欧州XFELでRFを増幅するための重要な構成要素である。
様々な操作モードを判定し,特徴抽出と次元還元を行う実験を行った。
私たちは、Klystronの運用状態の理解を深める上で最も有望なコンポーネントを認識し、可能性のある障害や異常を早期に特定しました。
- 参考スコア(独自算出の注目度): 1.9389881806157316
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: High-power multi-beam klystrons represent a key component to amplify RF to generate the accelerating field of the superconducting radio frequency (SRF) cavities at European XFEL. Exchanging these high-power components takes time and effort, thus it is necessary to minimize maintenance and downtime and at the same time maximize the device's operation. In an attempt to explore the behavior of klystrons using machine learning, we completed a series of experiments on our klystrons to determine various operational modes and conduct feature extraction and dimensionality reduction to extract the most valuable information about a normal operation. To analyze recorded data we used state-of-the-art data-driven learning techniques and recognized the most promising components that might help us better understand klystron operational states and identify early on possible faults or anomalies.
- Abstract(参考訳): 高出力マルチビームクライストロンは、欧州XFELにおける超伝導無線周波数(SRF)キャビティの加速場を生成するためにRFを増幅する重要な構成要素である。
これらの高出力コンポーネントの交換には時間と労力を要するため、メンテナンスとダウンタイムを最小限に抑えると同時に、デバイスの動作を最大化する必要がある。
機械学習を用いてクライストロンの挙動を探索するために,我々は,さまざまな操作モードを判定し,特徴抽出と次元還元を行い,通常の操作に関する情報を抽出する一連の実験を完了した。
記録されたデータを分析するために、私たちは最先端のデータ駆動学習技術を使用し、Klystronの運用状態をよりよく理解し、可能性のある障害や異常の早期発見に役立つ最も有望なコンポーネントを認識しました。
関連論文リスト
- A Two-Stage Machine Learning-Aided Approach for Quench Identification at the European XFEL [1.4642314911344287]
本稿では,欧州X線自由電子レーザーにおけるクエンチ識別のケーススタディに適用した機械学習支援型故障検出分離手法を提案する。
論文 参考訳(メタデータ) (2024-07-11T11:21:41Z) - Machine Learning for Pre/Post Flight UAV Rotor Defect Detection Using Vibration Analysis [54.550658461477106]
無人航空機(UAV)は将来のスマートシティにとって重要なインフラ要素となるだろう。
効率的な運用のためには、UAVの信頼性は障害や故障の常時監視によって保証されなければならない。
本稿では,信号処理と機械学習を利用して,包括的振動解析データを分析し,ローターブレードの欠陥の有無を判定する。
論文 参考訳(メタデータ) (2024-04-24T13:50:27Z) - Frequency-Aware Deepfake Detection: Improving Generalizability through
Frequency Space Learning [81.98675881423131]
この研究は、目に見えないディープフェイク画像を効果的に識別できるユニバーサルディープフェイク検出器を開発するという課題に対処する。
既存の周波数ベースのパラダイムは、偽造検出のためにGANパイプラインのアップサンプリング中に導入された周波数レベルのアーティファクトに依存している。
本稿では、周波数領域学習を中心にしたFreqNetと呼ばれる新しい周波数認識手法を導入し、ディープフェイク検出器の一般化性を高めることを目的とする。
論文 参考訳(メタデータ) (2024-03-12T01:28:00Z) - ARNN: Attentive Recurrent Neural Network for Multi-channel EEG Signals to Identify Epileptic Seizures [2.3907933297014927]
A Attention Recurrent Neural Network (ARNN) が提案され、大量のデータを効率的に正確に処理できる。
ARNN細胞は、配列に沿って注意層を繰り返し適用し、配列長と線形複雑である。
このフレームワークは、注意層と長い短期記憶(LSTM)細胞にインスパイアされているが、この典型的な細胞を複数の順序でスケールアップし、マルチチャネル脳波信号を並列化する。
論文 参考訳(メタデータ) (2024-03-05T19:15:17Z) - Transform Once: Efficient Operator Learning in Frequency Domain [69.74509540521397]
本研究では、周波数領域の構造を利用して、空間や時間における長距離相関を効率的に学習するために設計されたディープニューラルネットワークについて検討する。
この研究は、単一変換による周波数領域学習のための青写真を導入している。
論文 参考訳(メタデータ) (2022-11-26T01:56:05Z) - 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) - Adaptive Frequency Learning in Two-branch Face Forgery Detection [66.91715092251258]
本稿では、AFDと呼ばれる2分岐検出フレームワークにおいて、周波数情報を適応的に学習する手法を提案する。
我々は、固定周波数変換からネットワークを解放し、データおよびタスク依存の変換層でより良いパフォーマンスを達成する。
論文 参考訳(メタデータ) (2022-03-27T14:25:52Z) - 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) - 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) - Frequency-based Multi Task learning With Attention Mechanism for Fault
Detection In Power Systems [6.4332733596587115]
本稿では,障害検出のための新しいディープラーニングベースのアプローチを導入し,実際のデータセット,すなわち部分放電検出タスクのためのKaggleプラットフォーム上でテストする。
提案手法では,時系列の特徴を抽出するためのアテンション機構を備えたLong-Short Term Memoryアーキテクチャを採用し,信号の周波数情報を利用した1D-Convolutional Neural Network構造を用いて予測を行う。
論文 参考訳(メタデータ) (2020-09-15T02:01:47Z)
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。