基于机器学习的电子储存环注入品质评估及异常检测
Quality assessment and anomaly detection for electronic storage ring injection Based on Machine Learning
摘要: 电子储存环注入过程中束团参数变化剧烈，通过逐束团三维位置测量技术可实时捕捉并分析这个过程，获得横向Beta振荡和纵向同步振荡相关的多个束流动力学参数，如何利用这些测量结果来评价并指导优化加速器的运行，是同步辐射光源装置需要研究的重要问题。本文提出了一种基于机器学习的电子储存环注入品质评估及异常检测方法。选择上海光源多年累积的注入瞬态过程数据作为样本库，通过对补注束团动力学参数的聚类分析，可以找到装置运行状态的时间演化规律并标记出不属于主群的异常数据样本。训练 kNN模型对异常数据进行了预测及校验，实验结果表明预测模型精确率好于90%，可作为装置运行性能在线自动评价的有效方法。
版本历史
| [V2] |
2025-04-16 13:14:51 |
ChinaXiv:202504.00209V2
|
下载全文 |
相关信息
点击量
下载量
