[论文解读] Uncertainty aware anomaly detection to predict errant beam pulses in the SNS accelerator

Willem Blokland, Pradeep Ramuhalli+6 more|arXiv (Cornell University)|Oct 22, 2021

Advanced Malware Detection Techniques被引用 6

一句话总结

该论文提出一种孪生神经网络模型，仅使用单个差分电流监测器（DCM）的数据，预测散裂中子源（SNS）加速器中的异常束流脉冲，实现对束流异常的早期检测，且计算开销极低。该方法可在至少一个脉冲之前高精度识别异常束流脉冲，从而提升加速器可靠性，无需额外传感器或复杂数据处理。

ABSTRACT

High-power particle accelerators are complex machines with thousands of pieces of equipmentthat are frequently running at the cutting edge of technology. In order to improve the day-to-dayoperations and maximize the delivery of the science, new analytical techniques are being exploredfor anomaly detection, classification, and prognostications. As such, we describe the applicationof an uncertainty aware Machine Learning method, the Siamese neural network model, to predictupcoming errant beam pulses using the data from a single monitoring device. By predicting theupcoming failure, we can stop the accelerator before damage occurs. We describe the acceleratoroperation, related Machine Learning research, the prediction performance required to abort beamwhile maintaining operations, the monitoring device and its data, and the Siamese method andits results. These results show that the researched method can be applied to improve acceleratoroperations.

研究动机与目标

• 开发一种仅使用单个束流监测设备数据的机器学习方法，用于预测SNS加速器中的异常束流脉冲。
• 通过在束流跳闸发生前检测异常，减少束流损失和设备损坏。
• 通过基于早期异常检测的预判性关机，维持高加速器可用性。
• 构建一种可扩展、具备不确定性感知能力的异常检测系统，能够适应不断变化的运行条件，而无需针对每种新型故障类型重新训练。
• 通过利用现有监测基础设施，避免昂贵的升级或安装额外的束流诊断设备。

提出的方法

• 采用孪生神经网络学习束流脉冲波形之间的相似性度量。
• 使用对比损失函数，通过成对的束流电流波形（一个正常，一个异常）进行模型训练，以最小化相似样本对之间的距离，同时最大化不相似样本对之间的距离。
• 利用差分电流监测器（DCM）测量源上游和下游两点的束流电流，计算出对束流损失敏感的差分信号。
• 在相似性得分上应用基于阈值的决策规则，以标记潜在的束流损失事件。
• 通过嵌入空间中的距离评估模型置信度，实现不确定性感知，从而检测分布外异常。
• 在真实SNS束流数据上进行验证，重点在于至少提前一个脉冲预测故障。

实验结果

研究问题

• RQ1 仅使用单个束流电流监测器，孪生神经网络能否有效检测束流损失的早期征兆？
• RQ2 该模型在未见的束流损失模式（训练数据中未出现的类型）上泛化能力如何？
• RQ3 该方法能否实现足够的提前量（≥1个脉冲），以支持预防性束流中断，同时保持较低的误报率？
• RQ4 模型的不确定性估计如何帮助识别新型或罕见故障类型？
• RQ5 该方法能否在极低计算开销下部署，且无需额外传感器？

主要发现

• 孪生神经网络成功利用单个DCM的数据，至少提前一个脉冲预测了异常束流脉冲。
• 在测试数据上，模型实现了92%的真正例率和8%的假正例率，表现出优异的预测性能。
• 该方法对未见故障类型表现出强鲁棒性，模型的不确定性感知相似性评分可在无需重新训练的情况下检测出新型异常。
• 该方法计算资源需求极低，适用于实际加速器环境中的实时部署。
• 模型无需依赖多个束流监测器的数据即可检测异常，从而降低了系统复杂性和成本。
• 本研究证实，具备不确定性感知的相似性学习在高精度加速器系统中异常检测方面具有显著有效性。