一种RF腔体多参量故障前兆监测方法及系统与流程

摘要: 本技术涉及超导加速器领域,尤其涉及一种rf腔体多参量故障前兆监测方法及系统。背景技术:1、目前,在超导直线加速器领域中,超导射频腔的稳定运行直接决定加速器的可用...
一种RF腔体多参量故障前兆监测方法及系统与流程

本技术涉及超导加速器领域,尤其涉及一种rf腔体多参量故障前兆监测方法及系统。

背景技术:

1、目前,在超导直线加速器领域中,超导射频腔的稳定运行直接决定加速器的可用率。现有故障监测技术通常采用基于低电平射频系统的时序数据分析、虚拟腔体探针脉冲噪声识别以及统计过程控制等手段,均是通过提取腔压幅度、前向功率、反射系数等单一物理域信号的特征参数,并结合固定阈值或简单趋势判别规则来实现故障的离线判别与报警。

2、然而,在实际长期运行过程中,超导腔体在束流加载、功率馈入及低温维持等复合工况下,其故障演化并非单一电参量的渐变过程。如:机械振动会通过洛伦兹力失谐效应周期性地改变腔体谐振频率,而热负载波动则通过热传导与热膨胀机制引起腔壁形变和关键点温度场重分布,同时腔体形变又反过来调制射频场的边界条件,导致场幅和相位等电参量产生非平稳波动,此外真空度劣化亦会改变腔体等效阻抗和暗电子发射概率。

3、综上,多物理场之间的强耦合关系在故障发生前往往已呈现出跨物理域的异常演化模式,但现有监测手段却将射频电参量、温度、振动及真空度等视为相互独立的监测通道分别处理,缺乏对物理场间动态耦合关系的有机量化分析。这种割裂式的处理方式,本质上是将复杂的多物理场耦合故障问题降维简化为单一电域的信号分类或阈值比对问题,不仅忽略了振动、热场及真空度等非电域参量在故障孕育期所提供的关键前兆信息,且纯数据驱动的浅层模型缺乏腔体固有物理规律的约束,使得决策过程不可解释,在面对快速瞬态前兆信号时因缺乏物理先验而难以准确捕捉,更无法利用已知的电磁场方程、热传导方程及固体力学方程等物理规律,来补偿传感器数据不足或推断未见运行工况下的腔体状态。

技术实现思路

1、针对现有技术存在的缺乏将多物理场监测数据与腔体固有物理规律深度融合的端到端可微动力学模型,导致故障前兆监测依赖单一物理域信号且缺乏物理一致性约束的问题,本技术通过一种rf腔体多参量故障前兆监测方法及系统,实现从多传感器输入到腔体完整状态的高精度、可解释及自适应实时映射与故障前兆预警。

2、为实现上述目的,本技术采用如下技术方案:

3、获取多源传感器数据,多源传感器数据包括反映目标对象不同物理场状态的物理场参量;通过可微网络模型对多源传感器数据进行处理,得到目标对象的状态预测结果,可微网络模型中嵌入有多物理场耦合方程,用于描述物理场参量之间的耦合关系;基于可微网络模型的可微性,提取物理场参量之间的动态耦合关联度,动态耦合关联度用于表征物理场参量之间的耦合强度;基于状态预测结果和动态耦合关联度的变化,确定故障前兆并进行预警。

4、上述方案通过将多物理场耦合方程嵌入可微网络模型,使模型在处理多源传感器数据时受到物理规律的显式约束,并利用模型的可微性提取动态耦合关联度,从而实现了多物理场信息的深度有机融合与故障前兆的物理一致性监测。

5、结合上述第一方面,在一种可能的实现方式中,可微网络模型包括:编码器网络,用于将多源传感器数据编码为隐状态向量;物理约束动力学层,嵌入有多物理场耦合方程,物理约束动力学层以隐状态向量为输入,利用多物理场耦合方程进行状态推演,输出下一时刻的状态推演值;解码器网络,用于将隐状态向量映射为完整状态参量,并记为状态预测结果;其中,可微网络模型的训练过程包括:以总损失函数最小化为目标,通过反向传播算法对编码器网络、物理约束动力学层和解码器网络的参数进行联合优化,总损失函数包括数据拟合损失项和物理方程残差损失项,物理方程残差损失项用于度量多物理场耦合方程在状态推演值处的残差;在线运行时,将实时采集的多源传感器数据输入训练后的可微网络模型,通过前向传播,输出当前时刻的完整状态参量。

6、结合上述第一方面,在一种可能的实现方式中,多物理场耦合方程以软约束或硬约束的形式嵌入可微网络模型;软约束为将多物理场耦合方程的残差,记为总损失函数中的惩罚项,硬约束为通过可微网络模型的架构,使多物理场耦合方程自动满足;多物理场耦合方程包括电磁场方程、洛伦兹力失谐方程、热传导方程、固体力学方程和束腔相互作用模型中的至少一种;其中,电磁场方程描述射频电参量之间的动态关系,洛伦兹力失谐方程描述腔体电磁场产生的辐射压力与腔壁机械变形之间的耦合关系,热传导方程描述腔壁温度分布的瞬态热扩散过程,固体力学方程描述腔体机械变形的热弹性力学行为,束腔相互作用模型描述束流与腔体之间的等效电路关系。

7、结合上述第一方面,在一种可能的实现方式中,提取物理场参量之间的动态耦合关联度的过程,包括:获取可微网络模型在预设历史时间窗口输出的目标对象的完整状态参量,完整状态参量包括场幅、相位、失谐角频率、关键点温度分布和机械变形量;基于可微网络模型的可微性,计算各物理场参量之间的偏导数,得到偏导数矩阵;偏导数矩阵中的每个偏导数元素用于表征对应两个物理场参量之间的局部耦合强度;将偏导数矩阵按时间顺序排列,构建动态耦合矩阵序列,并基于动态耦合矩阵序列,计算各物理场参量之间的动态耦合关联度,动态耦合关联度为各偏导数元素在预设历史时间窗口内的统计特征值。

8、结合上述第一方面,在一种可能的实现方式中,在提取物理场参量之间的动态耦合关联度之后,还包括:以预设历史时间窗口内的各时刻为横轴,以动态耦合关联度为纵轴,以物理场参量之间的耦合路径为分类维度,将耦合路径对应的动态耦合关联度按时间顺序绘制为变化曲线,并汇总所有变化曲线,得到耦合强度时序图谱,耦合强度时序图谱用于在时间维度和耦合路径维度上,显示各物理场参量之间耦合强度的演化过程;对耦合强度时序图谱中各耦合路径的变化曲线进行滑动窗口趋势分析,计算耦合路径在当前滑动窗口内的耦合强度变化率;将耦合强度变化率与预设的耦合关联基线进行比对,当任一耦合路径的耦合强度变化率持续背离耦合关联基线且背离持续时间超过预设时间阈值时,判定该耦合路径出现异常耦合演化趋势;输出故障前兆指示信号,故障前兆指示信号包含异常耦合路径标识和对应的耦合强度变化率数值。

9、结合上述第一方面,在一种可能的实现方式中,在通过可微网络模型对多源传感器数据进行处理之前,还包括:获取多源传感器数据的原始采样率,以原始采样率中的最高采样率为目标采样率,构建统一时序网格,多源传感器数据包括低电平射频系统采集的射频电参量、低温控制系统采集的热参量、真空系统采集的真空度参量以及振动传感器采集的机械振动参量;对于采样率低于目标采样率的慢变参量数据,采用动态时间规整算法结合线性插值或样条插值方法,将慢变参量数据映射到统一时序网格上,得到慢变参量时序对齐数据;对于采样率等于或高于目标采样率的快变参量数据,通过降采样或截取与统一时序网格的时间戳对齐的数据段,得到快变参量时序对齐数据;对快变参量时序对齐数据提取时频特征,并对慢变参量时序对齐数据提取趋势特征;按统一时序网格的时间戳对时频特征和趋势特征进行拼接,得到统一时序特征张量,并输入至可微网络模型。

10、结合上述第一方面,在一种可能的实现方式中,在线运行过程中,持续缓存多源传感器数据,当缓存的数据量达到预设批量大小时,触发在线增量更新;将多源传感器数据输入可微网络模型进行前向传播,计算在线损失函数,在线损失函数包括在线数据拟合损失项和在线物理方程残差损失项;基于在线损失函数,通过反向传播对可微网络模型中的解码器网络进行有限步梯度更新,可微网络模型中的编码器网络和物理约束动力学层保持冻结;在线推理时,对同一输入数据进行多次带有随机丢弃的前向传播,得到多个输出样本,计算多个输出样本的统计方差作为不确定性度量值;根据不确定性度量值动态调整报警阈值,并对可微网络模型输出的状态预测结果进行故障前兆判定,当状态预测结果中的物理场参量偏离程度和动态耦合关联度的异常变化程度中的至少一者超过报警阈值时,输出故障前兆预警信号。

11、结合上述第一方面,在一种可能的实现方式中,基于物理场参量的偏离程度或动态耦合关联度的变化,设置分层预警,分层预警至少包括关注级预警、警告级预警和紧急级预警;关注级预警,对应于单一物理场参量偏离正常范围但处于安全裕度内,或动态耦合关联度出现缓慢漂移;警告级预警,对应于两个以上物理场参量同时偏离正常范围,或动态耦合关联度出现快速变化;紧急级预警,对应于预测故障将在预设时间窗口内发生。

12、第二方面,提供一种rf腔体多参量故障前兆监测系统,包括:数据获取模块,用于获取多源传感器数据,多源传感器数据包括反映目标对象不同物理场状态的物理场参量;物理约束计算模块,用于通过可微网络模型对多源传感器数据进行处理,得到目标对象的状态预测结果,可微网络模型中嵌入有多物理场耦合方程,多物理场耦合方程用于描述物理场参量之间的耦合关系;耦合关联分析模块,用于基于可微网络模型的可微性,提取物理场参量之间的动态耦合关联度,动态耦合关联度用于表征物理场参量之间的耦合强度;故障前兆预警模块,用于基于状态预测结果和动态耦合关联度的变化,确定故障前兆并进行预警。

13、结合上述第二方面,在一种可能的实现方式中,系统还包括时空对齐模块;时空对齐模块用于对多源传感器数据进行时空对齐处理,将不同采样率的多源传感器数据映射到统一的时序网格上;其中,时空对齐处理包括采用动态时间规整或多分辨率特征提取,多分辨率特征提取包括对高频信号提取时频特征以及对低频信号提取趋势特征。

14、本技术提供一种rf腔体多参量故障前兆监测方法及系统,通过在可微网络模型中嵌入电磁场、热传导及固体力学等多物理场耦合方程,使模型在训练与推理过程中,始终受到物理规律的显式约束,相较于纯数据驱动方法,该设计不仅确保输出自动满足物理一致性,有效避免负温度、能量不守恒等物理荒谬结果,同时利用物理先验知识补偿故障样本数据的不足,提升小样本工况下的泛化能力及对波形相似但机理不同的故障模式的区分精度。同时也可利用可微网络模型的可微性,通过计算物理场参量间的偏导数,提取动态耦合关联度并构建耦合强度时序图谱,将黑箱模型的决策过程转化为可追溯的物理量变化与耦合系数异常分析,使操作人员能够明确故障前兆的物理成因,解决现有模型不可解释的问题。最后采用端到端可微架构,将编码器、物理约束动力学层与解码器在同一损失函数下联合优化,并通过反向传播直接校准热导率、失谐系数等物理参数,避免分步优化导致的局部最优问题,实现从多传感器输入到腔体完整状态的高精度直接映射,同时结合在线增量学习与不确定性量化机制,使模型能够自适应腔体个体差异及性能漂移,并根据置信度动态调整报警阈值,达成误报率与漏报率的动态最优平衡。

15、应当理解的是,本技术中对技术特征、技术方案、有益效果或类似语言的描述并不是暗示在任意的单个实施例中可以实现所有的特点和优点。相反,可以理解的是对于特征或有益效果的描述意味着在至少一个实施例中包括特定的技术特征、技术方案或有益效果。因此,本说明书中对于技术特征、技术方案或有益效果的描述并不一定是指相同的实施例。进而,还可以任何适当的方式组合本实施例中所描述的技术特征、技术方案和有益效果。本领域技术人员将会理解,无需特定实施例的一个或多个特定的技术特征、技术方案或有益效果即可实现实施例。在其他实施例中,还可在没有体现所有实施例的特定实施例中识别出额外的技术特征和有益效果。