专家引导的机器学习突破提升了运行中粒子加速器射频超导腔体系统的故障诊断能力

中国科学院近代物理研究所（CAS-IMP）的研究人员推出了一种创新型机器学习（ML）模型，用于识别粒子加速器运行过程中超导腔中发生的各类故障。该系统已部署于中国超重元素加速器设施（CAFE2），通过调用历史故障数据并融合专家经验，帮助操作人员更快速准确地识别故障根源，从而提升运行稳定性并优化维护策略。

应对运行中的故障挑战

超导腔是高功率超导直线加速器的核心组件，其运行时的故障是导致加速器意外停机的主要原因之一。传统上，这些故障的诊断依赖经验丰富的人员手工分析复杂的射频信号模式，流程缓慢，成为快速响应和故障恢复的瓶颈。

专家知识融入机器学习模型：

为突破这一限制，CAS-IMP团队开发了一个针对运行数据训练的ML模型，使用了CAFE2加速器中记录的1900余条真实的超导腔运行故障事件。涵盖了包括热失超、电失超（E-Quench）、机电耦合（Ponderomotive Instability）以及颤噪等八类典型故障模式。该系统的核心创新点在于将专家的诊断知识直接嵌入特征工程过程中，使模型能够自动从复杂的波形数据中提取关键的故障特征，在故障发生后数秒内完成精准分类。

高准确率与快速处理并重

这款专家引导的模型在测试中实现了95%的分类准确率，明显优于传统自回归（AR）方法，后者通常准确率约为90%。模型在识别如E-Quench和闪断（Flashover）等具有突变信号特征的复杂故障模式方面尤为出色。其特征提取过程比标准AR方法快约30%。系统评估结果还显示，该模型的诊断逻辑高度契合人类专家的推理过程。

“我们将在运行超导腔中的物理事件与信号模式之间的联系转化为工程化特征，从而构建了一个既能模拟资深工程师思维逻辑，又能以机器速度运行的诊断系统。”共同通讯作者邱丰博士表示。

从故障响应迈向主动运维

除了快速分类故障，该系统还能开展长期趋势分析，为主动维护策略提供支持。操作人员可直观了解哪些腔体在运行中更易出现某类故障，从而合理安排检查和预防措施。以CAFE2为例，模型识别出部分腔体在运行时易发生机电振荡失稳问题，研究人员便提前调整了控制参数。此外，模型还指导了反馈环增益优化、特定腔体梯度下调以及联锁系统重设等操作，有效防止故障在腔体之间传播。

项目负责人、共同通讯作者何源教授强调了该成果的意义：“这标志着我们从依赖人工解读的传统诊断方式迈向了AI辅助的加速器运行决策新时代。通过引入机器智能，我们不仅能更快应对故障，更为未来实现预测性维护铺平了道路。”

本研究为运行中超导腔的故障诊断和维护规划提供了新方案，对当前及未来高功率超导直线加速器具有重要应用价值。本研究中提出的专家引导方法也为全球加速器装置的智能诊断提供了有益参考。研究团队后续将进一步探索深度学习方法，实现更高程度的分类集成，并开发预测算法，从“诊断故障”逐步迈向“预防故障”，实现对运行中加速器系统的前瞻性保护。更多信息请访问原文：DOI: 10.1007/s41365-025-01685-5.