Czasopismo | ELEKTRONIKA - KONSTRUKCJE, TECHNOLOGIE, ZASTOSOWANIA | Rocznik 2023 - zeszyt 4

SIECI NEURONOWE I METODY UCZENIA MASZYNOWEGO W MODELOWANIU I STEROWANIU AKCELERATORÓW CZĄSTEK. PRZYKŁAD WDROŻENIA KONTROLERA NN W SYSTEMIE CHŁODZENIA FOTOINŻEKTORA W INSTALACJI FAST WIELOPARAMETROWA OCENA WYDAJNOŚCI

Neural Networks and Machine Learning for Modeling and Control of Particle Accelerators. Implementation example on the cooling system of photoinjector at FAST installation multiparameter performance evaluation

10.15199/13.2023.4.3

Sylwester Bułka

nr katalogowy: 143003
10.15199/13.2023.4.3

Streszczenie

Głównym celem opisanych prac badawczych i wdrożeniowych, było opracowanie kontrolera opartego na sieciach neuronowych, dostosowującego ustawienia częstotliwości fali zasilającej wnękę działa elektronowego i mocy ogrzewacza HP tak, aby uzyskiwać żądaną częstotliwość rezonansową. Dodatkowo, jego zadaniem powinno być kontrolowanie szybkości, z jaką moc RF jest doprowadzana do wartości operacyjnej podczas włączania. Dla każdej kandydującej architektury modelu i zestawu danych wejściowych przeszkolono kilka indywidualnych sieci, a następnie przetestowano na zestawach wyselekcjonowanych danych. Ze względu na długie stałe czasowe przepływu wody powrotnej z działa i obecność dwóch zmiennych kontrolowanych, został wybrany schemat modelu sterowania predykcyjnego (Model Predictive Control – MPC), w którym model systemu i algorytmy optymalizacji są używane w celu określenia optymalnej sekwencji przyszłych działań kontrolera takich, że docelowy stan wyjścia zostanie osiągnięty w jakimś przyszłym horyzoncie czasowym, Taki schemat jest przydatny do kompensacji opóźnionego zachowania systemu. Ponadto, jeśli seria przyszłych nastaw jest znana z góry, sterownik może działać wyprzedzająco. Zaprezentowane zostały wyniki zarejestrowane w procesie regulacji. Rozważono możliwości modyfikacji i rozszerzeń sterownika tak, aby żądana operacyjna moc RF osiągana była bez znaczącego wzrostu mocy fali odbitej.

Abstract

The main goal of described research and implementation work was to develop a controller based on neural networks, adjusting frequency of RF power to the cavity of electron gun and the power of the heater to obtain the desired resonant frequency. In addition, its function should be to control the rate at which RF power is brought to operational value during power-up. For each candidate model architecture and input data set, several individual networks were trained and then tested on selected data sets. Due to the long time constants of the return water flow from the gun and the presence of two controlled variables, a Model Predictive Control (MPC) scheme was chosen, where the system model and optimization algorithms are used to determine the optimal sequence of future controller actions such as the target output state will be reached in determined time horizon. Such a scheme is useful for compensation of delayed systems performance. In addition, if a series of future settings are known in advance, the controller can act with prediction. The results recorded during regulation process were presented. Possibilities of modifications and extensions of the controller were considered so that the required operational RF power was achieved without a significant increase in the reflected wave power.

Słowa kluczowe

Keywords

Bibliografia

[1] Neural Networks for Modeling and Control of Particle Accelerators
[2] A. L. Edelen, Student Member, IEEE, S. G. Biedron, Senior Member, IEEE, B. E. Chase, Member, IEEE,
[3] D. Edstrom Jr., S. V. Milton, Senior Member, IEEE, and P. Stabile, Member, IEEE
[4] IEEE TRANSACTIONS ON NUCLEAR SCIENCE, VOL. 63, NO. 2, APRIL 2016
[5] M. Church, Eds. Design of the Advanced Superconducting Test Accelerator, Fermilab beams-doc-4212, 2012.
[6] D. Q. Mayne, “Model predictive control: Recent developments and future promise,” Automatica, vol. 50, no. 12, p. 2967, 2014.

Jeśli masz wykupiony/przyznany dostęp - zaloguj się. Skorzystaj z naszych propozycji zakupu!

Publikacja


ELEKTRONIKA - KONSTRUKCJE, TECHNOLOGIE, ZASTOSOWANIA- e-publikacja (pdf) z zeszytu 2023-4 , nr katalogowy 143003 licencja: Osobista Produkt cyfrowy Nowość	10.00 zł

Zeszyt


ELEKTRONIKA - KONSTRUKCJE, TECHNOLOGIE, ZASTOSOWANIA- e-zeszyt (pdf) 2023-4 licencja: Osobista Produkt cyfrowy Nowość	39.00 zł

Prenumerata

ELEKTRONIKA - KONSTRUKCJE, TECHNOLOGIE, ZASTOSOWANIA - prenumerata cyfrowa
licencja: Osobista

Produkt cyfrowy
Nowość

420.00 zł

ELEKTRONIKA - KONSTRUKCJE, TECHNOLOGIE, ZASTOSOWANIA - papierowa prenumerata roczna + wysyłka
licencja: Osobista

Szczegóły pakietu

Nazwa
ELEKTRONIKA - KONSTRUKCJE, TECHNOLOGIE, ZASTOSOWANIA - papierowa prenumerata roczna	528.00 zł brutto 488.89 zł netto 39.11 zł VAT (stawka VAT 8%)
ELEKTRONIKA - KONSTRUKCJE, TECHNOLOGIE, ZASTOSOWANIA - pakowanie i wysyłka	42.00 zł brutto 34.15 zł netto 7.85 zł VAT (stawka VAT 23%)

570.00 zł

ELEKTRONIKA - KONSTRUKCJE, TECHNOLOGIE, ZASTOSOWANIA - PAKIET prenumerata PLUS
licencja: Osobista

Szczegóły pakietu

Nazwa
ELEKTRONIKA - KONSTRUKCJE, TECHNOLOGIE, ZASTOSOWANIA - PAKIET prenumerata PLUS (Prenumerata papierowa + dostęp do portalu sigma-not.pl + e-prenumerata)	636.00 zł brutto 588.89 zł netto 47.11 zł VAT (stawka VAT 8%)

636.00 zł

Zeszyt

2023-4

Twój Koszyk

Publikacja

Zeszyt

Prenumerata

Zeszyt

Czasopisma