在具有机器学习的粒子加速器中预测故障的操作数据
Majdi I Radaideh1,2, Chris Pappas1, Mark Wezensky1
1Spallation Neutron Source, Oak Ridge National Laboratory, Oak Ridge, TN 37830, United States.
Data in brief
|November 6, 2023
概括
这项研究收集了来自Spallation中子源的电力系统数据,创建了一个有价值的数据集,用于训练机器学习模型,以预测和防止粒子加速器的故障.
科学领域:
- 电气工程 电气工程
- 数据科学数据科学数据科学
- 加速器物理学的物理学
背景情况:
- 分裂中子源 (SNS) 运行着世界上最强烈的中子束.
- 可靠的电力系统对于像SNS这样的大型科学设施的运行至关重要.
- 预测性维护对于防止昂贵的停机时间和确保运营连续性至关重要.
研究的目的:
- 从SNS收集和呈现一个数据集的真实运行电力系统数据.
- 开发和测试用于电力系统故障检测和预测的机器学习模型.
- 为了能够预测和预防粒子加速器即将发生的故障.
主要方法:
- 在正常运行和模拟故障条件下从射频测试设施 (RFTF) 收集的波形信号.
- 通过受控调整 (磁流补偿,启动脉冲宽度) 诱导RFTF系统的逐渐故障.
- 利用了21个测试实验来生成模拟故障场景的各种数据集.
主要成果:
- 获取了正常和故障电力系统信号的全面数据集.
- 证明了机器学习模型基于波形恶化检测和预测故障的潜力.
- 验证了数据集的实用性,用于训练动力系统和粒子加速器的预测模型.
结论:
- 收集的数据集对于推进电力系统故障预测具有价值.
- 这些发现支持开发人工智能驱动的粒子加速器预测性维护策略.
- 这项工作有助于提高复杂的科学基础设施的可靠性和效率.
更多相关视频
07:15Machine Learning Algorithms for Early Detection of Bone Metastases in an Experimental Rat Model
Published on: August 16, 2020
6.8K
06:45Design and Application of a Fault Detection Method Based on Adaptive Filters and Rotational Speed Estimation for an Electro-Hydrostatic Actuator
Published on: October 28, 2022
1.7K
