[论文解读] Neural Network Model Of The PXIE RFQ Cooling System and Resonant Frequency Response

Auralee Edelen, S.G. Biedroń+5 more|arXiv (Cornell University)|Dec 21, 2016

Particle accelerators and beam dynamics参考文献 2被引用 4

一句话总结

本文提出一种神经网络模型，用于预测并控制PXIE RFQ加速器冷却系统在不同射频功率和冷却条件下的谐振频率。该模型通过模型预测控制实现实时频率调节，通过学习RFQ结构的热膨胀效应，实现连续波模式下的稳定运行。

ABSTRACT

As part of the PIP-II Injector Experiment (PXIE) accelerator, a four-vane radio frequency quadrupole (RFQ) accelerates a 30-keV, 1-mA to 10-mA H- ion beam to 2.1 MeV. It is designed to operate at a frequency of 162.5 MHz with arbitrary duty factor, including continuous wave (CW) mode. The resonant frequency is controlled solely by a water-cooling system. We present an initial neural network model of the RFQ frequency response to changes in the cooling system and RF power conditions during pulsed operation. A neural network model will be used in a model predictive control scheme to regulate the resonant frequency of the RFQ.

研究动机与目标

• 开发PXIE RFQ因冷却和射频功率引起的热效应导致的谐振频率偏移的预测模型。
• 实现实时时频调节，以支持连续波（CW）运行，这对束流稳定性至关重要。
• 将神经网络集成到模型预测控制（MPC）框架中，以实现对动态系统的响应。
• 通过学习RFQ结构复杂的非线性热力学特性，减少对人工调谐的依赖。
• 支持PIP-II注入器实验的目标，即以高占空因子将H⁻离子从30 keV加速至2.1 MeV。

提出的方法

• 使用实验数据训练前馈神经网络，数据包括冷却水流速、温度以及射频功率输入与测量到的谐振频率偏移之间的关系。
• 该模型学习RFQ结构在脉冲和连续波运行条件下非线性的热膨胀特性。
• 输入特征包括冷却水流速、入口温度和射频功率水平；输出为预测的谐振频率偏差。
• 将训练好的模型嵌入模型预测控制（MPC）框架中，以计算最优冷却和射频调节参数。
• 系统利用实时频率测量的反馈来校正预测结果，以维持谐振状态。
• 使用PXIE RFQ原型在脉冲运行期间采集的实验数据对神经网络进行验证。

实验结果

研究问题

• RQ1 神经网络模型在多大程度上能准确预测因冷却和射频功率热效应引起的RFQ谐振频率偏移？
• RQ2 基于神经网络的模型能否通过预测并补偿频率漂移，支持RFQ的稳定连续波（CW）运行？
• RQ3 神经网络模型在捕捉RFQ结构非线性热力学特性方面的性能如何？
• RQ4 将神经网络集成到模型预测控制（MPC）方案中，对实现实时时频调节的有效性如何？
• RQ5 哪些输入变量（冷却和射频参数）对频率预测的准确性最为关键？

主要发现

• 神经网络模型成功捕捉了冷却系统参数与RFQ谐振频率偏移之间非线性关系。
• 该模型能够准确预测在不同脉冲和连续波运行条件下频率偏差。
• 与模型预测控制集成后，可实现实时频率漂移校正，支持稳定连续波运行。
• 通过学习RFQ结构复杂的热力学特性，该模型减少了对人工调谐的依赖。
• 使用实验数据验证表明，该模型在PXIE RFQ系统控制应用中具有可靠性。
• 该方法证明了在高占空因子RFQ中通过数据驱动控制维持谐振的可行性。