基于神经网络的EAST-NBI实验数据分析系统研究.pdf

June2023NuclearHlasmaPhysics2023年6 月Vol.43,No.2第43卷第2 期核聚变与等离子体物理文章编号：0 2 54-6 0 8 6(2 0 2 3)0 2-0 191-0 8D0I:10.16568/j.0254-6086.202302012基于神经网络的EAST-NBI实验数据分析系统研究刘智民12，汪金新12，赵远哲，谢亚红1 2，谢远来1.2（1.中国科学院等离子体物理研究所，合肥2 30 0 31；2.中国科学技术大学，合肥2 30 0 2 6)摘要：NBI离子源的运行参数不匹配会导致离子源中的等离子体不稳定，并可能导致离子源打火，从而限制了NBI长脉冲和高功率的运行。为了稳定NBI离子源中的等离子体，使用来自多轮实验的数据以及从预测性等离子体模型获得的先验信息，针对现有的实验数据值提取算法精度不高的问题，采用OPTICS聚类算法提高了实验数据提取的准确性，为实验操作过程中的故障分析提供参考。同时采用了一种基于自组织特征映射图(SOM)和逆向传播(BP)神经网络的方法，通过训练历史数据，在给定参数下估算NBI离子源束引出过程中的脉冲宽度，以调整运行参数。关键词：NBI；离子源；OPTICS；S O M；BP 神经网络中图分类号：TL62+9.1文献标志码：A1引言中性束注入(NBI)作为托卡马克核聚变装置辅助加热手段中加热效率最高、物理机制最清楚的加热方式，在国际和国内的磁约束核聚变装置上得到广泛应用1-3。为避免受到磁约束核聚变装置中强磁场的干扰，NBI离子源加速形成的高能粒子束必须经过中性化处理后才能注入到聚变装置的芯部等离子体中，达到加热等离子体的目的4-7。兆瓦级离子源是高功率中性束注入系统实现高参数、长脉冲稳定运行的关键核心部件。其在长脉冲运行过程中由于高能量反向电子流的产生、实验进气与真空抽气特性的改变、密度反馈系统关键电气元器件工作特性发生变化等诸多不确定因素，导致离子源等离子体稳定性发生改变，使得离子源在束引出过程中出现打火现象，破坏稳定的束流离子光学引出平台，引起电极或者其它部件的损坏，制约中性束注入系统的长脉冲运行8-12。针对传统控制模型无法跟随放电环境变化而动态优化的缺陷，利用新一代的信息技术，例如数据挖掘和机器学习等，对中性束注入实验数据进行深入研究，确定离子源关键参数内在关联及相关因素的影响，并以此为基础构建放电后数据分析和预警系统，是中性束注入系统安全运行所关注的关键问题。本文拟借助于兆瓦级离子源工程实验数据，在离子源放电前，通过聚类算法对实验数据特征值进行提取，采用BP+SOM神经网络算法预测当前实验参数下的打火概率，并提示运行人员调整实验参数，以降低打火概率，保障兆瓦级离子源高功率、收稿日期：2 0 2 1-0 5-18；修订日期：2 0 2 2-10-2 2基金项目：国家重点研发计划(2 0 17 YFE0300503)作者简介：刘智民(196 2-)，男，安徽合肥人，博士，研究员，博士生导师，从事核聚变实验装置中性束注入系统长脉冲高功率电源技术研究和实验运行。*通讯作者：赵远哲(198 7-)，女，河北承德人，博士，副研究员，从事中性束控制相关研究。192第43卷核聚变与等离子体物理长脉冲下的安全运行。2实验数据特征值提取在EAST-NBI实验中，可通过多种测量方法对兆瓦级离子源束引出实验的安全稳定运行进行探索研究。不同实验数据测量的对象不同，侧重点也不同。一般可以采用聚类算法对关键参数特征值进行提取。常见的聚类算法有：基于划分的方法，如K-MEANS算法；基于层次方法，如BIRCH算法；基于密度的方法，如DBSCAN算法和OPTICS算法。其中，基于密度的聚类算法在实验数据中应用较为广泛。用DBSCAN算法对EAST-NBI实验数据处理过程中，尤其是在束引出发生故障时，会出现数据的聚类间距相差较大，不能很好地反映运行参数的变化，对后续的束引出实验参考价值低。而OPTICS的聚类方法是对DBSCAN的改进，它解决了DBSCAN的主要弱点，即检测密度不同数据中的簇的问题。采用OPTICS算法对灯丝电流的特征值进行了提取，其效果如图1所示。原始数据聚类后的数据4.04.063.23.22.42.41.61.60.80.8000100020003000100020003000聚类数据的点数聚类数据的点数eps3002001000050010001500200025003000聚类数据的点数图1OPTICS的可达性图示从提取结果看，该聚类算法可准确实现EAST-NBI关键参数特征值，能较好地反映EAST-NBI运行参数的变化，为离子源关键参数内在关联及相关因素影响研究提供可靠的分析数据。在EAST-NBI束引出实验中，有必要记录每次放电的实验数据和特征值。实验运行参数的调整可以反映在实验数据的特征值中，这对于调整运行参数以获得预期结果非常重要。在EAST-NBI数据库上使用OPTICS算法处理后，一些典型数据如图2 所示。图2 a给出了离子源内部灯丝电流的波形EAST-NBI使用热阴极桶离子源。在发射限制电流状态下工作的灯丝可以提高灯丝发射的电子的利用率和质子比。它的稳定性和大小在很大程度上决定了离子源产生的等离子体的质量。图2 b给出了弧电压的输出波形。弧电压对离子源的放电效率，质子比和灯丝的工作状态有重要影响。如果弧电压太高，则弧功率效率将降低，这不仅增加了放电室的热负荷，而且还增加了弧电源的功率需求。如果弧电压太低，则初始电子的能量变低，这降低了电离效率和等离子体密度，并提高193第2 期刘智民等：基于神经网络的EAST-NBI实验数据分析系统研究了初始电子的热化率，这很可能引起放电模式的转换。a43200100020003000聚类数据的点数1501005000100020003000聚类数据的点数600V/审I40020000100020003000聚类数据的点数-0.5-1-1.50100020003000聚类数据的点数图2基于OPTICS算法的数据处理波形图图2 c给出了弧电流的输出波形，它是离子源内等离子体密度的表征。灯丝发出热电子而产生等离子体，并且所产生的电子(包括初始电子)从离子损失区域消失。为了维持等离子体放电，电子的产生和损失趋于相等。弧电流的大小可用于评估电子的损失，并且利用探针测量的饱和离子电流采样信号可用于反馈调节灯丝电流和弧电流，使得放电过程更稳定。图2 d给出了抑制极电压的波形。进入放电室的反向电子电流的功率约为所引出束功率的1%2%。随着束能量、束脉冲宽度和束功率的增加，这部分功率增加了放电室背板上的热负荷。同时，反向电子流也会影响等离子体阻抗，导致弧电流和束流发生变化，使离子源工作参数不匹配，无法稳定工作。稳定且适当地抑制负极电压有利于减小反向电子流的影响。当NBI束引出实验遇到离子源故障或设备运行异常时，将出现不同的波形。通过使用OPTICS算法来处理这些数据，还将获得不同的特征值，部分异常数据如图3所示。50a40302010050010001500200025003000聚类数据的点数600b500V/审IF400300200100050010001500 200025003000聚类数据的点数图3基于OPTICS算法的数据处理异常波形图图3给出了EAST-NBI束引出过程中存在一些异常波形。从EAST-NBI的操作经验可以得出一些基本判断。图3a显示了高压电源的异常波形。194第43卷核聚变与等离子体物理EAST-NBI高压电源基于PSM技术，由10 0 个PSM模块构建，每个PSM模块提供10 0 0 V电压。在EAST-NBI束引出实验期间，最多允许较少次数切换1 2 个PSM模块。如果PSM模块频繁切换或有多个PSM模块切换，则意味着高压电源输出不稳定。图3b显示了弧电流的异常波形。在EAST-NBI束引出实验期间，弧电流应保持稳定。如果电弧电流继续增加或减少并且等离子体密度发生变化，则运行参数将不再匹配，并且很可能导致离子源打火，应及时进行调整。这些异常波形可能是由某些设备的操作过程中的问题引起的，也可能是由某些参数的不匹配引起的。尽管当前的计算结果不能直接确定导致异常实验数据的原因，但可以将其与EAST-NBI连锁保护系统结合以做出进一步的判断。3基于神经网络的参数分类与预测EAST-NBI离子源采用四电极桶形离子源的结构，加速电压和等离子体参数之间存在一定的对应关系。根据以前的实验经验，在设定的高压条件下，可以调整的参数有灯丝电压、弧电压、反馈系数或方法、进气量、抑制极电压和梯度电压等。这些参数(列于表1中)很难准确地表达它们与数学公式的关系，因此只有通过大量实验才能找到相对较好的工作范围。表1与EAST-NBI束引出实验有关的参数说明信号名称描述信号的正常范围PFIL-I灯丝电流/A28003200PARC-V弧电源输出弧压V80120PARC-I弧电源输出弧流/A300750PARC-OUT-V离子源弧压V80110PARC-OUT-I离子源弧流/A300750PsUP-OUT-V抑制极电压V-600-2000PsUP-OUT-I抑制极电流/A-1-5PACC-V加速极高压/kV3080Pib束流/A2050Tset设置脉宽/0100在预定的加速电极电压下，如果束引出电流在正常范围内并达到预定的脉冲宽度，则认为EAST-NBI工作正常。实际束引出脉冲宽度Trun与设置的脉冲宽度Tset之比R可用于评估当前EAST-NBI发射的运行结果。在使用SOM神经网络进行分类之前，需要对数据集进行重新处理。以EAST-NBI2R为例，其脉冲宽度主要为1 3s，运行较多的脉冲宽度为2 s。在处理数据集时，进行如下操作：(1）如果脉冲宽度设置为t=2s，且输出脉冲宽度 t=02s,则 R=t/2s;(2）如果设定的脉冲宽度为t2s，且输出脉冲宽度为t2s，则R=t/2s。其它数据不包括在数据集中，例如设置的脉冲宽度为t=0.2s，输出脉冲宽度t=0.2s，尽管这样没有发生故障，但这并不意味着它可以在设置的2 s脉冲宽度下正常运行。不同的加速电压对应于不同的参数且跨度较大，因此建议使用同一组加速电压实验数据来训练神经网络。SOM将输入通道分为六组：a.运行参数正常且运行正常(即=ts)；b.运行参数不合适，运行异常(t0.5ts)；f.运行参数不匹配并发生故障(即0.1ttts)。已经使用hextop拓扑结构提出了一个8 9SOM网络，如图4所示。76543210-102468神经元序号图4用颜色表示神经元之间的距离195第2 期刘智民等：基于神经网络的EAST-NBI实验数据分析系统研究通过SOM分类方法，将上述四种类型的数据(a、b、e 和f)保留下来，用于BP神经网络的训练和预测下一阶段，主要目的是避免由于离子源打火而导致的错误预测。图5为图4的子图。对于每个输入，图5所示的子图代表权重。第i个图表示第i个输入到神经元层的权重。正极连接显示为红色，黑色为0，黄色为负。每个图都说明了输入到神经元层的第i个权重之一。正的强连接显示为红色，0 的连接显示为黑色，可能的负连接显示为黄色。图5中的权重表示的信号是表1中的PFILI、P A R C_V、P A R C_I、PARC_OUT_V、P A R C_O U T _I、P s U P _O U T _V、P s U P _O U T _和 R。输入1的权重输入2 的权重输入3的权重输入4的权重666644442222000002468024680246802468输入5的权重输入6 的权重输入7 的权重输入8 的权重666644442222000002468024680246802468神经元序号图5SOM中输入权重的演示所选的BP神经网络是根据错误反向传播训练的多层前馈神经网络。它由输入层隐藏层和输出层组成，包括信号前向传播和错误向后传播两个过程。那么，构造BP神经网络的输入矩阵P和输出矩阵T为：PFFIL-IPFARC-VPARCIPARC-OUT-VP=PT=R(1)ARC-OUT-IPI SUP-OUT-VPsFSUP-OUT-IPAcNP输入矩阵P是上一节中基于SOM分类后获得的矩阵。对这些主要区域(即1，2，5和6)的数据采用BP神经网络训练。BP神经网络训练在以下条件下停止：（1）达到设定的训练次数；(2）达到目标均方误差(MSE)；(3）达到目标梯度值；（4）达到最大连续次数。使用归一化来重新排列数据以获得多组数据，并构造BP神经网络的输入矩阵P。实际上，为了防止过度拟合，MATLAB使用的方法是将训练的数据自动划分为训练集、验证集和测试集3个部分。多次调整参数并训练BP神经网络后，在训练过程中获得的训练集、交叉验证集和测试集数据的MSE如图6 所示。采用EAST-NBI2R的数据库分析，在2 0 19年的实验中，符合条件的有效放电次数为158 3次，196第43 卷核聚变与等离子体物理其中符合条件并经过SOM分类后的放电次数为774次，将7 7 4次放电的数据按照8:1的比例划分为训练数据集(6 8 8 次放电)和测试数据集(8 6 次放电)。预测测试数据集中的8 6 次放电的脉冲宽度和设定的脉冲宽度比R，并将预测结果与实际结果进行比较，如图7 所示，训练的BP神经网络能够较为准确地预测在参数不匹配时的打火概率。但在参数匹配的情况下，无法预测系统受到外界干扰或其它原因导致的打火，而这部分需要对束引出期间的数据进行分析，才能够实现参数匹配情况下的打火预测。最佳验证性能为迭代6 90 次时的8.8 2 2 410-8100训练验证测试10-2最佳目标10-410-610-80100 200300400500600 700送代次数图6训练数据过程的MSE曲线对测试集的预测输出时间比0.8预测输出时间比R间实际输出时间比R0.60.40.200102030405060708090放电次数图7参数不匹配下离子源打火概率分析图7 显示了8 6 个测试集数据的预测和实际脉冲宽度结果可以分为4类：(1）预测R0.2，实际R0.2，发生故障，共9次放电；(2）预测R0.8，实际R0.2，发生故障，共12次放电；(3）预测R0.8，但以调制方式运行，输出为R=0.5，共5次放电；(4）预测R0.8，实际R0.8，总共57 次放电。对于预测的R0.8，运行参数是适当的，无需调整。对于预测的R0.2，需要及时调整操作参数，这是实验运行需要关注的重点。由于SOM和BP神经网络对于运行参数而言是正常的，但仍然无法识别故障数据，并且这种情况是由于在NBI束引出时其它因素的干扰，因此测试集中8 6 次放电的预测准确率为7 1/8 6=8 2.6%。根据以上结果，在束引出实验期间，可以通过评估当前放电的实验数据，调整下一次放电的运行参数。如果检测到R0.8，无需调整参数。通过BP神经网络仿真计算实现参数的调整，并给出了合适的参数调整策略。从大量历史数据的参数分布可以知道，只要运行参数合适，离子源打火的可能性就会非常低。因此，在新的实验中，只要调整操作参数以使在BP神经网络中计算出的输出参数R0.8，就可以减少离子源打火的可能性。在2 0 2 1年的实验中，EAST-NBI2R符合条件的有效放电次数为954次，使用前述训练的BP神经网络对该放电数据进行验证性的预测，预测结果列于表2 中。表2 又对2 0 2 1年EAST-NBI2R实验数据的验证性预测结果R预测放电次数实际放电次数准确率0,0.2 13615488.31%0.2,0.8 14116287.04%0.8,160863895.3%表2 统计方式为：如果对同一次放电的预测成功，则在对应的R范围下的预测放电次数加1。尽197第2 期刘智民等：基于神经网络的EAST-NBI实验数据分析系统研究管从表2 中可以看出，在离线数据库上已经获得了良好的验证结果，但尚未在线运行，这将在后续的EAST-NBI实验中验证与进一步优化。4总结本文所依托的EAST-NBI，已经开展了多次物理实验，积累了大量实验数据，为兆瓦级离子源长脉冲打火预测模型的搭建提供可靠的测量数据。在EAST-NBI实验数据的分析方面，完成了OPTICS算法提取特征值功能的实现，使之能够较为准确地获取特征值，以便于准确评估每次束引出的性能。在参数优化方面，设计了基于SOM和BP神经网络对实验数据的特征值进行分类与训练，可以准确预测参数不匹配情况下打火的概率。为运行参数匹配前提下，针对长脉冲运行过程中由于高能量反向电子流的产生、实验进气与抽气特性的改变、密度反馈系统关键电气元器件工作特性发生变化等诸多不确定因素所引起的打火事件预测工作的开展奠定了良好基础。虽然目前的方法只是解决由于参数不匹配而引起的离子源打火的问题，对于束引出过程中由于不确定因素的干扰而导致的打火，暂时无法解决。在运行参数正常的前提下，下一步将使用机器学习方法来分析在发生故障的数万次放电的数据中出现的一些现象。参考文献：1 Mondino P L,Bayette P,Pietro E Di,et al.ITER neutralbeam system JJ.Nucl.Fusion,2000,40(3):501.2 胡纯栋，许永建.EAST中性束注入器研制进展.核技术,2 0 15,38(11):91-94.3 Hu C D,Xu Y J,Xie Y L,et al.The recent developmentof the EAST neutral beam injector J.Chinese PhysicsLetters,2015,32(5):39-42.4Xie Y H,Hu C D,Liu S,et al.Upgrade of acceleratorof high current ion source for EAST neutral beaminjector J.Fusion Eng.Des.,2015,100(11):265-268.5 Hu C D,NBI Team.Conceptual design of neutral beaminjection system for EAST J.Plasma Sci.Technol.,2012,14(6):567-572.6Kupschus P H,Fricke K G,Reimer H,et al.A proposedalternative for protecting ion sources of neutral injectorsagainst damage from high voltage sparking R.Juelich:Fusion technology,1982.7Bigi M,Toigo V,Zanotto L.Protections against gridbreakdowns in the ITER neutral beam injector powersupplies J.Fusion Eng.Des.,2007,82(5-14):905-911.8 DeEsch H P L,Hemsworth R S,Massmann P.Updatedphysics design ITER-SINGAP accelerator J.FusionEng.Des.,2005,73(2-4):329-341.9Hong R,Kellman D,Santamaria G,et al.Beam currentregulation of DIII-D neutral beam long pulse ion sourceR.USA:13th IEEE symposium on fusion engineering,1989.987-990.10 Chitarin G,Marconato N,Agostinetti P,et al.Flexiblemagnetic design of the MITICA plasma source andaccelerator C.3rd International Symposium on NegativeIons,Beams and Sources,Jyvaskyla,Finland,2012.11 Ian G Brown.The physics and technology of ion sources,2nd MJ.USA:John Wiley&Sons,2004.61-86.12 Toigo V,et al.Progress in the realization of the PRIMAneutral beam test facility J.Nucl.Fusion,2015,55(8):083025.198第43卷核聚变与等离子体物理Research on EAST-NBI experimental data analysis systembased on neural networksLIU Zhi-min l.2,WANG Jin-xin l,2,ZHAO Yuan-zhe,XIE Ya-hongl,XIE Yuan-lail.,2(1.Institute of Plasma Physics,Chinese Academy of Sciences,Hefei 230031;2.University of Science and Technology of China,Hefei 230026)Abstract:The mismatch of the operation parameters of the NBI(neutral beam injection)ion source of thenuclear fusion experimental device will lead to the instability of the plasma in the ion source,and maybe causebreakdown in the ion source,which will limit the long pulse and high power operation of the NBI.To stabilize theplasma in the ion source,data from multiple campaigns of experiments along with a prior information obtainedfrom a predictive plasma model are used.For the problem of poor accuracy of the existing key-values extractionalgorithms for experimental data,the OPTICS(Ordering Point To Identify the Cluster Structure)algorithm is usedto improve the accuracy of the experimental data extraction,and provide a reference for the failure analysis duringthe experimental operation.A method based on Self-Organizing feature Map(SOM)and Back Propagation(BP)neural network is adopted.By training historical data,the pulse width of the NBI ion source beam extractionprocess is estimated under given parameters to adjust the operating parameters.Key words:NBI;Ion Source;OPTICS;SOM;BP Neural network