强激光与粒子束

作者：曾童科, 戴建枰,

关键词：超导腔故障, 诊断方法, 图片识别, 机器学习, 故障分类,

超导腔故障的传统分析方法依赖先验知识，人工和时间成本较高，准确性和一致性较差，并且在处理复杂设备和大量数据时效率较低。机器学习技术能够提高故障分类的准确性和效率，减少主观判断造成的人为误差。研究了基于机器学习算法的超导腔故障分类方法，即，基于BEPCII运行过程中产生的超导腔故障图片数据，通过图片信息提取、特征选择与优化、机器学习算法训练、利用K折交叉验证分析模型准确率与一致性等，实现了对超导腔故障的分类。研究结果表明，随机森林算法、支持向量机与Bagging分类算法在处理故障图片时有更好的分类效果，有监督学习方法的准确性和一致性明显高于无监督学习。研究中实现的故障分类达到了较高的准确率和一致性，有助于快速高效地区分BEPCII超导腔上发生的故障，同时为其他加速器中超导腔故障的诊断提供参考。

来源：2025年第7期

《强激光与粒子束》期刊编辑部

查看强激光与粒子束杂志2025年第7期