Anomaly detection and beam stability evaluation in synchrotron radiation centre based on deep neural networks

Abstract

Synchrotrony, a szerzej mówiąc, akceleratory, to duże i złożone urządzenia badawcze, które umożliwiają przeprowadzanie eksperymentów, które wcześniej nie były możliwe. Dlatego kluczowe jest, aby zapewniały one użytkownikom wiązkę elektronów najwyższej jakości, umożliwiając im prowadzenie wysoce specjalistycznych badań. Wykrywanie anomalii w dużych zbiorach danych jest tematem wielu badań, jednak w dziedzinie akceleratorów nie znalazło jeszcze szerokiego zastosowania. Niniejsza rozprawa przedstawia kompleksowe studium problemu wykrywania anomalii i niestabilności wiązki elektronów w synchrotronie. W ramach pracy wybrano podsystemy kluczowe dla prawidłowego działania urządzenia, zbudowano od podstaw obszerną bazę danych sygnałów diagnostycznych oraz zaproponowano kompleksową architekturę opartą na metodach głębokiego uczenia (deep learning) do wykrywania anomalii w akceleratorach. Wykorzystując podejście ekstrakcji cech, składa się ona z gałęzi opartych na Inception V3 i konwolucji ID do analizy obrazów i sygnałów skalarnych. Proponowana metoda charakteryzuje się wysoką dokładnością i precyzją i może być wykorzystywana jako cenne źródło informacji zwrotnej dla operatorów dużych infrastruktur badawczych. Ponadto proponowana metoda oceny jakości wiązki oparta bezpośrednio na obrazie poprzecznych profili wiązki z wykorzystaniem architektury głębokiego uczenia stanowi alternatywę dla istniejących metod analitycznych. Synchrotrons and, more broadly speaking, accelerators are large and complex research devices that allow to perform experiments that were not possible before. Therefore, it is crucial for them to provide their users with the highest quality electron beam that allows them to perform highly specialized research. The detection of anomalies in large datasets is a topic covered in many studies, however, in the accelerator field, it has not been widely used yet. This dissertation presents a comprehensive study of the problem of detecting anomalies and instabilities of the electron beam in a synchrotron. As part of the work, subsystems that are key to the correct operation of the device were selected, an extensive database of diagnostic signals was built from scratch, and a comprehensive architecture based on deep learning methods was proposed for detecting anomalies in accelerators. Using a feature extraction approach, it consists of InceptionV3-based and ID convolution-based branches for image and scalar signal analysis, respectively. The proposed method achieved high accuracy and precision and can be used as valuable feedback for operators of large research infrastructures. Additionally, the proposed method for assessing beam quality based directly on the image of transverse beam profiles using deep learning architectures is an alternative to existing analytical methods.