A Two-Stage Machine Learning-Aided Approach for Quench Identification at the European XFEL

本文介绍了一种机器学习辅助的故障检测和隔离方法，应用于欧洲自由电子激光器中的淬火识别案例研究。该工厂利用800个超导射频腔来将电子束加速到高达17.5 GeV的能量。各种故障事件可能会破坏加速器的正常运行，包括淬火，可能导致腔体失去超导性并中断其运行。在这种情况下，我们的解决方案包括通过两个阶段的方法分析反映腔体动态的信号。第一阶段是故障检测，利用分析冗余处理数据并生成残差。通过广义似然比对残差进行评估，可以检测出故障行为。第二阶段是故障隔离，涉及将淬火与其他故障区分开来。为此，我们采用了基于数据的k-medoids算法模型，探索了不同的相似度度量，即欧几里得距离和动态时间规整。最后，我们评估了新方法并将其与当前部署的淬火检测系统进行了比较，结果显示我们的方法实现了性能的提升。

本文旨在引入机器学习辅助的故障检测和隔离方法，应用于欧洲X射线自由电子激光器中的淬火识别案例。如何检测和隔离各种故障事件，包括淬火事件，以确保加速器的正常运行是本文试图解决的问题。

本文提出了一个两阶段的方法，通过分析反映空腔动态的信号来进行故障检测和隔离。第一阶段是故障检测，利用分析冗余处理数据并生成残差，通过广义似然比的评估来检测故障行为。第二阶段是故障隔离，涉及区分淬火和其他故障的方法。为此，我们采用了基于数据驱动的k-medoids算法模型，探索了不同的相似度度量，即欧几里得距离和动态时间扭曲。相比当前领域的研究，本文提出的方法具有较大的创新性。

本文的亮点在于提出了一个新的、可靠的方法来检测和隔离淬火事件，并在实验中证明了该方法的有效性。本文使用了欧洲X射线自由电子激光器的数据集进行实验，并与当前已部署的淬火检测系统进行了比较。此外，本文还探索了不同的相似度度量方法，并提供了开源代码，为后续的研究提供了便利。

近期在这个领域中，还有一些相关的研究，例如“基于深度学习的加速器故障诊断方法”、“故障检测中的机器学习方法比较研究”等。