本發(fā)明是關(guān)于一種基于機器學習的射頻超導腔熱失超模式在線分類方法、裝置、設(shè)備及介質(zhì)，涉及粒子加速器領(lǐng)域。

背景技術(shù)：

1、射頻超導腔（以下簡稱超導腔）因其低損耗和高梯度特性，非常適合在連續(xù)波或長脈沖模式下加速高平均流強束流。近年來，國內(nèi)外多個重大加速器項目將超導技術(shù)作為首選方案。然而，超導腔的工作帶寬通常有限在幾十到幾百赫茲，極窄帶寬使其在受到干擾時容易失諧，導致故障，因此需要實時監(jiān)測數(shù)字化低電平反饋控制系統(tǒng)以維持穩(wěn)定性。

2、熱失超是超導腔的一種嚴重故障，是指腔體表面產(chǎn)生的熱量無法及時散發(fā)，導致溫度超出臨界點。單個腔體的熱失超故障可迅速擴散，造成群體性故障，嚴重影響束流運行。熱失超會增加能耗，使腔體的無載品質(zhì)因素（ q0）和有載品質(zhì)因數(shù)（ ql）迅速下降，最終觸發(fā)機器故障。

3、近年來，以歐洲同步輻射實驗室（desy）為代表的先進加速器實驗室通過判斷 ql的變化，成功實現(xiàn)了熱失超事件的準確識別。然而，熱失超常表現(xiàn)為不同的行為模式，對應(yīng)不同的物理機制。根據(jù)近代物理研究所的超導直線加速器cafe2裝置上運行經(jīng)驗，熱失超事件可以分為三種不同的模式。常規(guī)熱失超通常具備偶發(fā)性，熱失超發(fā)生前（即 ql顯著變化前），腔壓及腔體入射、反射信號、動態(tài)腔體失諧及動態(tài) ql信號通常不會出現(xiàn)前兆。另一類熱失超事件又被稱為電失超致熱失超，主要特征是熱失超發(fā)生之前通常伴隨著電失超現(xiàn)象。電失超本身不同于熱失超，它是由場致發(fā)射（fe）引起的一類獨立的超導腔故障。一小部分電失超事件中的fe電子會轟擊腔壁，造成局部過熱并最終演化為熱失超。第三類熱失超事件發(fā)生前，超導腔的 ql會有一段時間的規(guī)律性被動。由于 ql的下降幅度遠小于常規(guī)熱失超，這類失超又被稱為軟失超?？傊?，不同的熱失超事件可能對應(yīng)不同的物理機制，需要現(xiàn)場人員采取不同的處理措施。

4、綜上所述，盡管現(xiàn)有技術(shù)能夠識別熱失超事件，但是鑒于不同熱失超模式需采取不同的處理策略，亟需發(fā)展一種能夠在線區(qū)分熱失超模式的方法。

技術(shù)實現(xiàn)思路

1、本發(fā)明旨在至少解決現(xiàn)有技術(shù)中存在的技術(shù)問題之一。為此，針對上述問題，本發(fā)明的目的是提供一種基于機器學習的射頻超導腔熱失超模式在線分類方法、裝置、設(shè)備及介質(zhì)，能夠?qū)崿F(xiàn)熱失超模式自動化在線分類，為加速器運行人員提供秒量級的高準確度故障信息反饋。

2、為了實現(xiàn)上述發(fā)明目的，本發(fā)明采用的技術(shù)方案為：

3、第一方面，本發(fā)明提供的基于機器學習的射頻超導腔熱失超模式在線分類方法，該方法包括：

4、獲取射頻超導腔的腔壓 vc和前向電壓 vf；

5、根據(jù)腔壓 vc和前向電壓 vf，計算腔壓幅度的預測值 rc，比較預測值 rc與實測腔壓幅度值 r的偏差 e；

6、基于實測腔壓幅度值 r和偏差 e分別提取特征 qid、 eid和 nsoft；

7、將提取的特征 qid、 eid和 nsoft輸入故障診斷模型，實現(xiàn)故障分類，故障包括非熱失超故障和熱失超故障，熱失超故障包括常規(guī)熱失超、電失超致熱失超和軟失超。

8、進一步地， qid用于區(qū)分熱失超事件與非熱失超事件，計算公式為：

9、

10、式中， e=| rc─ r|， tq為積分時間。

11、進一步地， eid用于區(qū)分電失超事件， eid的計算公式為：

12、

13、式中，δ r[n]為腔壓幅度的差分信號，。

14、進一步地， nsoft用于區(qū)分軟失超事件， nsoft特征統(tǒng)計偏差信號 e進入下邊界和上邊界之間的次數(shù)。

15、進一步地，故障診斷模型的訓練利用隨機森林算法構(gòu)建故障診斷模型，使用網(wǎng)格搜索方法對模型超參數(shù)進行優(yōu)化。

16、進一步地，故障診斷模型的訓練之前，還包括對熱失超事件進行人工標注的過程，包括：

17、基于動態(tài)有載品質(zhì)因數(shù) ql對熱失超與非熱失超事件通過區(qū)分，并進行人工標注；

18、當發(fā)生熱失超事件，對熱失超模式進行人工標注：常規(guī)熱失超在發(fā)生熱失超之前沒有前兆，動態(tài)有載品質(zhì)因數(shù) ql曲線在熱失超之前沒有明顯異常；電失超致熱失超事件在熱失超之前，觀測到有電失超引起的腔壓幅度陡降；軟失超事件會引起動態(tài)有載品質(zhì)因數(shù) ql曲線呈現(xiàn)規(guī)律性的波動。

19、進一步地，動態(tài)有載品質(zhì)因數(shù) ql的計算公式為：

20、

21、式中， ω0為腔體諧振頻率， ωh為腔體半帶寬。

22、第二方面，本發(fā)明還提供一種基于機器學習的射頻超導腔熱失超模式在線分類裝置，包括：

23、電壓信號模塊，被配置為獲取射頻超導腔的腔壓 vc和前向電壓 vf；

24、信號計算模塊，被配置為根據(jù)腔壓 vc和前向電壓 vf，計算腔壓幅度的預測值 rc，比較預測值 rc與實測腔壓幅度值 r的偏差 e；

25、基于實測腔壓幅度值 r和偏差 e分別提取特征 qid、 eid和 nsoft；

26、將提取的特征 qid、 eid和 nsoft輸入故障診斷模型，實現(xiàn)故障分類，故障包括非熱失超故障和熱失超故障，熱失超故障包括常規(guī)熱失超、電失超致熱失超和軟失超。

27、第三方面，本發(fā)明提供一種電子設(shè)備，包括：至少一個處理器；以及與所述處理器通信連接的存儲器；其中，所述存儲器存儲有可被所述處理器執(zhí)行的指令，所述指令被所述處理器執(zhí)行，以使所述處理器能夠執(zhí)行任一項所述的方法。

28、第四方面，本發(fā)明提供一種存儲一個或多個程序的計算機可讀存儲介質(zhì)，所述一個或多個程序包括計算機指令，所述計算機指令用于使計算機執(zhí)行任一項所述的方法。

29、本發(fā)明由于采取以上技術(shù)方案，其具有以下特點：

30、1、本發(fā)明可以實現(xiàn)熱失超模式自動化在線分類，為加速器運行人員提供秒量級的高準確度故障信息反饋。

31、2、本發(fā)明使用的數(shù)據(jù)全部基于加速器運行的故障數(shù)據(jù)，無需專門的測量實驗，機器學習模型的在線部署與調(diào)試均可以與束流并行運行，無需要占用額外的機器運行時間。

32、3、本發(fā)明通過讀取射頻故障信號，完成特征提取及機器學習分類。其中，射頻信號的采集、下變頻及基帶信號解調(diào)均可由通用的數(shù)字化低電平系統(tǒng)完成，數(shù)據(jù)預處理、特征提取算法和機器學習模型則可以部署在通用的上位機上，以上應(yīng)用均無需增加額外的硬件設(shè)備。

33、綜上，本發(fā)明可以廣泛應(yīng)用于粒子加速器中。