[发明专利]一种基于自编码器的束流位置监测器异常检测方法及装置

说明书

本发明公开了一种基于自编码器的束流位置监测器异常检测方法及装置，该方法包括：获取束流位置监测器的逐圈束流位置数据；将所述逐圈束流位置数据进行预处理后作为原始输入数据输入到预先训练得到的自编码器模型，通过所述自编码器模型处理输出重构输入数据；计算所述原始输入数据与重构输入数据之间的重构误差；通过将所述重构误差与异常阈值之间进行比较，判别对应的束流位置监测器是否异常，所述重构误差超过所述阈值的束流位置监测器判定为处于异常或故障状态。本发明解决了储存环束流位置监测器异常及故障自动识别的问题，提高效率，减小研发成本，且该方法准确率及可靠性高，实用性强。

技术领域

本发明涉及储存环束流诊断与控制技术领域，尤其涉及一种基于自编码器的束流位置监测器异常检测方法及装置。

背景技术

储存环为一种环形加速器，广泛应用于同步辐射光源及环形对撞机中。束流位置监测器是储存环重要的束流诊断元件，在储存环中，通过分布在不同位置处的束流位置监测器对整个储存环的束流轨道进行监测。由束流位置监测器故障引起的异常数据会严重影响储存环中的束流轨道控制及束流的稳定性，并且会影响储存环模型校正的结果。因此，识别与检测故障BPM并剔除故障BPM产生的异常“坏”数据，现已成为束流轨道控制及储存环模型标定中不可或缺的环节。

当前，故障束流位置监测器的检测方法大多采用主成分分析(PCA)的方法，该法利用奇异值分解(SVD)对储存环历史逐圈束流位置数据进行清洗处理，从中提取出故障束流位置监测器数据的特征，在进一步的分析中以此特征为依据对束流位置监测器的逐圈束流位置数据进行二分类处理，从分类结果中识别故障束流位置监测器。由于该法基于浅层机器学习的机理将束流位置监测器的故障识别看成是一个二分类的问题，因此存在如下问题：需要做大量费时的人工故障信号特征提取工作，在束流位置监测器个数较多的储存环上应用的效率不高：且一些潜在的具有隐藏性的故障特征通过奇异值分解(SVD)的方法难以分离提取，导致束流位置监测器故障识别的准确率低。由于在储存环中工作正常的束流位置监测器占大多数，因此可以将故障束流位置监测器的信号看成是逐圈束流位置数据中异常情况，可以通过异常检测的手段对故障束流位置监测器进行识别。

发明内容

本发明的目的是提供一种束流位置监测器异常检测方法及装置，可以利用逐圈束流位置数据自动识别出异常束流位置监测器，无需人工特征提取，能识别隐藏性的故障特征，对束流位置监测器故障异常的识别准确率高。

本发明的目的是通过以下技术方案实现的：

一种基于自编码器的束流位置监测器异常检测方法，所述方法包括：

步骤S101、获取束流位置监测器的逐圈束流位置数据；

步骤S102、将所述逐圈束流位置数据进行预处理后作为原始输入数据输入到预先训练的自编码器模型中，通过所述自编码器模型处理输出重构输入数据；

步骤S103、计算所述原始输入数据与重构输入数据之间的重构误差；

步骤S104、通过将所述重构误差与异常阈值之间进行比较，判别所述的束流位置监测器是否异常。

所述将所述逐圈束流位置数据进行预处理，为将获取的束流位置监测器的逐圈束流位置数据进行归一化处理。

所述的预先训练的自编码器模型通过下述步骤构建：

步骤(A1)获取n组正常束流位置监测器的逐圈束流位置数据，建立训练数据集及验证数据集；

步骤(A2)获取p组异常束流位置监测器的逐圈束流位置数据，将所述n组正常数据与所述p组异常数据进行组合作为验证数据集；

步骤(A3)构建自编码器模型，所述自编码器模型为包含输入层、至少一个隐藏层以及输出层的深度神经网络模型，所述隐藏层由卷积层加池化层构成；