Der Hintergrund
Teilchenbeschleuniger gehören zu den komplexesten wissenschaftlichen Instrumenten, die jemals entwickelt wurden. Mit Millionen Sensoren und tausenden Untersystemen, die versagen können, müssen die menschlichen Operatoren dieser Beschleuniger ständig die Leistung überwachen und zahllose Sensoren sichten, um Probleme aufzudecken. Das ist die Situation an der Linac Coherent Light Source, einer Einrichtung des US-Energieministeriums am SLAC National Accelerator Laboratory.
Forscher haben jetzt einen Algorithmus mit künstlicher Intelligenz entwickelt, der nachbildet, wie menschliche Operatoren diese Herausforderung angehen. Das automatisierte System überwacht den Beschleuniger. Es alarmiert die Operatoren, wenn die Leistung abfällt und identifiziert das dafür verantwortliche Untersystem. Das kann den Betrieb des Beschleunigers vereinfachen, die Ausfallzeiten reduzieren und die von diesen Instrumenten gesammelten wissenschaftlichen Daten verbessern.
Die Auswirkungen
Die automatisierte KI-Kösung zeigt den Operatoren, welche Komponenten ausgeschaltet und ersetzt werden sollten, um den Beschleuniger rund um die Uhr in Betrieb zu halten. Die verbesserte Zuverlässigkeit hält außerdem mehr Untersysteme online. Das erlaubt dem Beschleuniger, seine volle Betriebsleistung zu erreichen. Dieser KI-Ansatz könnte vielen komplexen Systemen nutzen. Beispielsweise könnte er die Zuverlässigkeit in anderen experimentellen Einrichtungen, modernen Fabrikanlagen, dem Stromnetz und Kernkraftwerken verbessern.
Zusammenfassung
Moderne Beschleuniger zeichnen Millionen Datenströme auf. Das sind viel zu viele Signale für ein kleines Operatorenteam, um sie in Echtzeit zu überwachen und das Versagen von Untersystemen zuverlässig zu verhindern, was zu kostenintensiven Ausfallzeiten führt. Im Fall der Linac Coherent Light Source, einem der weltweit ersten Röntgenlaser, sind Fehler in den Radiofrequenzstationen, welche die Elektronen beschleunigen, eine Hauptursache für Ausfallzeiten und Leistungseinbußen. Ein existierender automatisierter Algorithmus versucht Probleme mit den Radiofrequenzstationen zu identifizieren, aber fast 70 Prozent der Vorhersagen des Algorithmus sind falsche Alarme. Die Operatoren inspizieren die Anomalien der Radiofrequenzstationen dann manuell.
Von den Operatoren inspiriert, lässt die KI-Methode verschiedene Anomalieerkennungsalgorithmen gleichzeitig laufen, sowohl für die Diagnostik der Radiofrequenzstationen als auch für die Messungen der Strahlqualität. Ein Fehler wird nur vorhergesagt, wenn beide Algorithmen gleichzeitig Anomalien identifizieren. Dieser Ansatz wird jetzt im Kontrollraum implementiert und kann vollständig automatisiert werden und identifiziert mehr Ereignisse mit weniger falschen Alarmen als die Diagnostik der Radiofrequenzstationen allein. Eine kürzlich zum Patent angemeldete Arbeit hat das Übereinstimmungskonzept auf Deep-Learning-Algorithmen wie neuronale Netze ausgeweitet, die ohne Hilfe von Experten Fehler in unbezeichneten Rohdaten identifizieren können. Die Forscher gehen davon aus, dass diese Algorithmen des maschinellen Lernens breite Anwendungsmöglichkeiten in komplexen Systemen in Wissenschaft und Industrie haben werden.
(THK)
Antworten