CN107623979B - 超导腔失效补偿方法、装置、设备及存储介质 - Google Patents

Abstract

本申请公开了一种超导腔失效补偿方法、装置、设备及存储介质，该补偿方法包括：采集各超导腔的电信号，根据电信号确定参与补偿的加速器元件的控制信号，将各加速器元件的控制信号作为多维输入变量，构建线性回归模型；通过遗传算法对线性回归模型进行求解，获得各加速器元件控制信号的更新值；以及根据加速器元件控制信号的更新值设置加速器元件的配置，使得束流达到预设要求。根据本申请实施例提供的技术方案，通过构建具备多维输入变量的线性回归模型，能够解决采用现有查表法带来的计算耗时和维护困难的问题。

Description

超导腔失效补偿方法、装置、设备及存储介质

技术领域

本公开一般涉及加速器控制领域，尤其涉及一种超导腔失效补偿方法、装置、设备及存储介质。

背景技术

射频超导技术目前成为大型加速器的主流技术和发展方向，应用广泛。然而，由于技术复杂，在超导加速器中，射频超导腔失效是最主要和常见的故障类型，也是影响加速器可靠性的一个关键因素。相比于其它加速器，加速器驱动次临界核能系统(ADS：Accelerator Driven Sub-critical System)的强流质子超导加速器因其应用的特殊性——突发的束流中断会导致ADS长时间停机，甚至在散裂靶及反应堆内部引起严重的温度和应力变化从而导致设备的永久损害，对可靠性的要求最为苛刻。

现有的超导腔失效补偿技术，通常采用“查表法”，即事先设想超导腔失效的各种情况，通过束流动力学仿真软件计算确定相应的补偿办法及各补偿元件的调整参数，并将这些参数全部存入数据库中；探测到超导腔失效后，启动补偿方案，从数据库里查找到所对应的参数，并通过低电平系统将更新值置入相应元件中，以恢复束流参数。现有“查表法”的缺点在于：ADS加速器中超导腔的数目众多、情况复杂，参数表的数据量极其巨大，查表的时间也较长；通过仿真软件(如TRACEWIN)进行超导腔失效补偿计算所消耗的时间较长，工作量很大。另外，后期如果出现加速器结构(lattice)的变更，很多工作需要重新进行，参数表的维护与更新非常困难。

为了满足ADS高可靠性要求，除改进加速器硬件本身的性能和可靠性之外，还需针对各类硬件故障，特别是超导腔失效，建立快速、有效的补偿机制。

发明内容

鉴于现有技术中的上述缺陷或不足，期望提供能够快速补偿和易于维护和更新的一种ADS加速器的超导腔失效补偿方法、补偿装置、设备及存储介质。

第一方面，提供一种ADS加速器的超导腔失效补偿方法，包括：

采集各超导腔的电信号，根据电信号确定参与补偿的加速器元件的控制信号，将各加速器元件的控制信号作为多维输入变量，构建线性回归模型；

通过遗传算法对线性回归模型进行求解，获得各加速器元件控制信号的更新值；

根据加速器元件控制信号的更新值设置加速器元件的配置，使得束流达到预设要求。

第二方面，提供一种ADS加速器的超导腔失效补偿装置，包括：

模型构建单元：配置用于采集各超导腔的电信号，根据电信号确定参与补偿的加速器元件的控制信号，将各加速器元件的控制信号作为多维输入变量，构建线性回归模型；

求解单元：配置用于通过遗传算法对线性回归模型进行求解，获得各加速器元件控制信号的更新值；

配置单元：配置用于根据加速器元件控制信号的更新值设置加速器元件的配置，使得束流达到预设要求。

第三方面，提供一种设备，设备包括：

一个或多个现场可编程门阵列；

存储器，用于存储一个或多个程序，

当一个或多个程序被一个或多个现场可编程门阵列执行时，使得一个或多个现场可编程门阵列执行各实施例中提供的ADS加速器的超导腔失效补偿方法。

第四方面，提供一种存储有程序的计算机可读存储介质，该程序被现场可编程门阵列执行时实现各实施例中提供的ADS加速器的超导腔失效补偿方法。

根据本申请实施例提供的技术方案，通过构建具备多维输入变量的线性回归模型，能够解决现有查表法带来的计算耗时和维护困难的问题。进一步的，根据本申请的某些实施例，通过在遗传算法的个体选择中引入束流包络的约束，还能解决遗传算法计算量大的问题，获得减少计算量效果。根据本申请某些实施例，通过在适应度计算中设置束流指标的权重，还能解决适应度计算方法缺少灵活性问题，获得可根据不同束流要求改变适应度的效果。

附图说明

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：

图1示出了根据本申请实施例的ADS加速器的超导腔失效补偿方法的示例性流程图；

图2示出了根据本申请实施例的若干超导腔的示例性示意图；

图3示出了根据本申请实施例的步骤S12的求解方法的示例性流程图；

图4示出了根据本申请实施例的步骤S22的适应度计算方法的示例性流程图；

图5示出了根据本申请实施例的ADS加速器的超导腔失效补偿装置的示例性结构框图；

图6示出了根据本申请实施例的适应度计算单元122的示例性结构框图；

图7示出了根据本申请实施例的一种设备的示例性结构框图。

具体实施方式

下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与发明相关的部分。

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

请参考图1，示出了根据本申请实施例的ADS加速器的超导腔失效补偿方法的示例性流程图。如图1所示，该补偿方法包括如下步骤：

步骤S11：采集各超导腔的电信号，根据电信号确定参与补偿的加速器元件的控制信号，将各加速器元件的控制信号作为多维输入变量，构建线性回归模型；

步骤S12：通过遗传算法对线性回归模型进行求解，获得各加速器元件控制信号的更新值；

步骤S13：根据加速器元件控制信号的更新值设置加速器元件的配置，使得束流达到预设要求。

其中步骤S11，ADS加速器中通常包含若干个超导腔如图2所示，加速器启动时将设置加速器各元件控制信号，该加速器元件控制信号包括各超导腔的腔压、相位、螺线管磁场强度。当某一超导腔或者多个超导腔失效时，需要重新调整加速器元件控制信号的数量和大小，使得束流满足设定要求。具体地，采集各超导腔的电信号，监控各超导腔是否正常工作。当出现失效的超导腔时，确定哪些加速器元件的控制信号需要进行补偿，并将需要补偿的控制信号作为多维输入变量，构建线性回归模型。如图2示出了根据本申请实施例的若干超导腔的示例性示意图，图2中的ADS加速器中包含14个超导腔，若其中12号超导腔失效而不能工作时，需要调整余下的13个超导腔的腔压和相位等控制信号，使束流达到或接近之前的正常工作状态。

ADS加速器超导腔的控制特点在于，加速器元件控制信号有若干个且各加速器元件控制信号之间相互独立，但都对束流产生不同程度的影响。因此，考虑采用回归模型。将加速器元件控制信号作为模型的自变量，加速器元件控制信号的个数为模型的维数，束流指标作为模型的因变量。典型的线性回归模型如公式1所示：

其中，y为束流指标，x为加速器元件控制信号，ω为线性回归模型系数。

在此基础上，考虑到存在非线性关系的自变量，因此对公式1进行改进，引入了非线性基底函数，改进后的公式如下：

其中，y(x,ω)为束流指标，M为加速器元件控制信号的数量，ω为线性回归模型系数，为基底函数，x为加速器元件控制信号。该基底函数可为线性函数或非线性函数，因此改进后的线性回归模型通过基底函数引入了非线性关系，又保留了模型的线性形式，大大简化了对超导腔失效补偿模型的分析。当然，上述改进方法也可以应用于类似模型的分析上。将传统束流动力学模型的复杂运算转变为只包含加法和乘法的线性回归模型的计算，适于采用FPGA(Field Program mable Gate Array，现场可编程门阵列)来实现。因此，经过上述改进后，能够通过现场可编程门阵列可直接根据采集的电信号计算需要补偿的加速器元件控制信号的更新值，克服了传统查表法计算量大且维护和更新困难的问题。需要说明的是，此处的y(x,ω)表示一种束流指标，例如束流能量指标、束流相位指标或束流相空间。若需要考虑束流的综合指标时，需要分别构建对应的线性回归模型。

在步骤S12，当加速器的超导腔出现失效时，根据实际应用情况确定补偿后的束流指标，该束流指标包括束流的能量或六维相空间分布的要求，即确定该线性回归模型的输出值。并根据该输出值，通过遗传算法求多维输入变量的解，获得需要补偿的各加速器元件控制信号的更新值。

在步骤S13，根据步骤S12获得的需要补偿的各加速器元件控制信号的更新值，重新配置各加速器元件的控制信号，使得加速器能够正常工作。

接着，请参考图3，示出了根据本申请实施例的步骤S12的求解方法的示例性流程图。如图所示S12的求解方法包括如下步骤：

步骤21：初始化群体；

步骤22：计算群体中个体的适应度；

步骤23：判断适应度是否符合评价要求，若符合，则进入步骤S26的解码并结束计算，否则继续步骤24；

步骤24：根据适应度选择遗传个体，进行交叉、变异，生成新一代群体；

步骤25：计算新一代群体中各个体的束流指标，并淘汰超出束流包络有效域的个体，并继续步骤22。

其中，在步骤S21，对作为遗传算法中个体的各加速器元件的控制信号进行编码，如二进制编码。该加速器元件的控制信号包括腔压、相位、螺线管磁场强度等。需要说明的是，考虑束流的各项指标时，例如束流能量指标、束流相位指标或束流相空间，在初始化阶段，需要将各束流指标对应的各加速器元件的控制信号分别进行编码。

在步骤S21，计算每个个体的适应度。适应度将体现个体的束流指标，该束流指标包括束流相位、束流能量、束流六维相空间分布等。

在步骤S23，判断S22中的适应度是否符合评价要求，该评价要求可根据ADS加速器自身特点设定，通常要求束流指标如束流相位、束流能量、束流六维相空间分布能够恢复或者接近之前的正常工作状态。如有个体满足评价要求，则进行步骤S26的解码并结束计算，否则继续步骤S24的遗传算法的迭代。在步骤S26，解码后将获得各加速器元件更新值。

在步骤S24，根据适应度选择遗传个体，并对所选的个体进行交叉变异生成新一代群体。具体地，选择适应度较强的个体进行交叉、变异，替换适应度较低的个体，生成新一代群体。

在步骤S25，计算步骤24生成的新一代群体的各个体的束流指标，并判断该束流指标是否在束流包络的有效区域内。具体地，束流包络约束主要对束流的三个方向上的尺寸进行限定，该尺寸主要和真空管道的尺寸相关。以一ADS注入器为例，其真空管道尺寸为35mm，在求解过程中将三个方向的束流尺寸约束在3mm以内，即小于管道尺寸的十分之一。实际应用中，现场可编程门阵列计算过程中需要对每个参数设置对应长度的寄存器，对于束流包络在一定范围的束流指标能够准确确定其整数位数和小数位数，从而减少资源的浪费。又因淘汰了超出束流包络的个体减少了计算量。

图4示出了根据本申请实施例的步骤S22的适应度计算方法的示例性流程图。

从公式2中可见，一个线性回归模型对应一个束流指标，而实际应用中束流指标有若干个，如束流能量、束流相位和束流六维相空间分布等。因此为了综合衡量束流指标，考虑采用最小均方根的方法。具体地，通过对该束流指标进行差后平方，并设置权重后求和的形式建立目标函数，并进一步获得适应度函数。计算目标函数的公式如下：

其中，Z为目标函数，λ_n为权重系数，E_n为失效状态下的束流指标，E0_n为正常工作状态下的束流指标，n为束流指标的个数。具体地，当综合束流指标包含束流能量指标、束流相位指标或束流相空间等指标项时，可分别用E₁、E₂、E₃来表示，并通过公式3计算对应的目标函数Z。

优选地，针对目标函数的各束流指标项设定权重包括：

增加纵向束流能量指标和/或纵向束流相位指标的权重；和/或，

降低如下束流指标中的一项或多项束流指标的权重：束流相空间的分布指标、横向尺寸。

具体地，在配置目标函数的权重时，结合ADS直线加速器的特点，如纵向上能量和相位误差产生的滑相易超出纵向接受度的范围，从而导致束流丢失，相对而言横向接收度范围相对较大，即便补偿量有些偏差也不会导致束流丢失。因此，采用增加纵向束流能量差和相位差的比重，而适当降低束流相位空间分布、横向尺寸方法。

接着请参考图5，示出了根据本申请实施例的ADS加速器的超导腔失效补偿装置100的示例性结构框图，该补偿装置包括：

模型构建单元110：配置用于采集各超导腔的电信号，根据电信号确定参与补偿的加速器元件的控制信号，将各加速器元件的控制信号作为多维输入变量，构建线性回归模型；

求解单元120：配置用于通过遗传算法对线性回归模型进行求解，获得各加速器元件控制信号的更新值；

配置单元130：配置用于根据加速器元件控制信号的更新值设置加速器元件的配置，使得束流达到预设要求。

图5所示的补偿原理参见图1所示的补偿方法，此处不再赘述。

优选地，具有多维输入变量的线性回归模型采用如下公式：

其中，y(x,ω)为束流指标，M为加速器元件控制信号的数量，ω为线性回归模型系数，为基底函数，x为加速器元件控制信号。

在一些优选实施例中，求解单元120包括：

初始化单元121：配置用于初始化群体；

适应度计算单元122：配置用于计算群体中个体的适应度，以及，计算由淘汰单元淘汰个体后的群体中个体的适应度；

比较单元123：配置用于判断适应度是否符合评价要求，若符合，则解码并结束计算；

新一代群体生成单元124：配置用于比较单元的判断结果为不符合，则根据适应度选择遗传个体，进行交叉、变异，生成新一代群体；

淘汰单元125：配置用于计算新一代群体中各个体的束流指标，并淘汰超出束流包络有效域的个体。

图5所示的求解原理参见图3所示的求解方法，此处不再赘述。

请参考图6，示出了根据本申请实施例的适应度计算单元的示例性结构框图。如图所示适应度计算单元122包括：

目标函数计算单元150：配置用于在计算各个体的适应度时，针对参与适应度计算的目标函数的各束流指标项设定权重，目标函数为束流各指标在失效状态和正常工作状态下的均方根差，计算目标函数的公式如下：

其中，Z为目标函数，λ_n为权重系数，E_n为失效状态下的束流指标，E0_n为正常工作状态下的束流指标，n为束流指标的个数。

图6所示的适应度计算原理参见图4所示的适应度计算方法，此处不再赘述。

优选地，目标函数计算单元150还包括：

权重增加单元151：配置用于增加纵向束流能量指标和/或纵向束流相位指标的权重；和/或，

权重降低单元152：配置用于降低如下束流指标中的一项或多项束流指标的权重：束流相空间的分布指标、横向尺寸。

下面参考图7，其示出了适于用来实现本申请实施例的设备200的结构示意图。

如图7所示，设备200包括现场可编程门阵列(FPGA)201，其可以根据存储在只读存储器(ROM)202中的程序或者从存储部分208加载到随机访问存储器(RAM)203中的程序而执行各种适当的动作和处理。在RAM 203中，还存储有系统200操作所需的各种程序和数据。FPGA 201、ROM 202以及RAM 203通过总线504彼此相连。输入/输出(I/O)接口205也连接至总线204。

以下部件连接至I/O接口505：包括键盘、鼠标等的输入部分206；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分207；包括硬盘等的存储部分208；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分209。通信部分209经由诸如因特网的网络执行通信处理。驱动器210也根据需要连接至I/O接口205。可拆卸介质211，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器210上，以便于从其上读出的计算机程序根据需要被安装入存储部分208。

特别地，根据本公开的实施例，上文参考图1描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括有形地包含在机器可读介质上的计算机程序，所述计算机程序包含用于执行ADS加速器的超导腔失效补偿方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分209从网络上被下载和安装，和/或从可拆卸介质211被安装。

附图中的流程图和框图，图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，所述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

作为另一方面，本申请还提供了一种计算机可读存储介质，该计算机可读存储介质可以是上述实施例中所述装置中所包含的计算机可读存储介质；也可以是单独存在，未装配入设备中的计算机可读存储介质。计算机可读存储介质存储有一个或者一个以上程序，所述程序被一个或者一个以上的处理器用来执行ADS加速器的超导腔失效补偿方法。

以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离所述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (6)

1.一种ADS加速器的超导腔失效补偿方法，其特征在于，所述方法包括：

采集各超导腔的电信号，根据所述电信号确定参与补偿的加速器元件的控制信号，将各所述加速器元件的控制信号作为多维输入变量，构建线性回归模型；

通过遗传算法对所述线性回归模型进行求解，获得各所述加速器元件控制信号的更新值；

根据所述加速器元件控制信号的更新值设置所述加速器元件的配置，使得束流达到预设要求；

具有多维输入变量的线性回归模型采用如下公式：

其中，y(x,ω)为束流指标，M为加速器元件控制信号的数量，ω为线性回归模型系数，为基底函数，x为加速器元件控制信号；

所述通过遗传算法对所述线性回归模型进行求解包括：

步骤A：初始化群体；

步骤B：计算所述群体中个体的适应度；

步骤C：判断所述适应度是否符合评价要求，若符合，则解码并结束计算，否则继续步骤D；

步骤D：根据所述适应度选择遗传个体，进行交叉、变异，生成新一代群体；

步骤E：计算新一代群体中各个体的束流指标，并淘汰超出束流包络有效域的个体，并继续步骤B；

所述步骤B包括：

在计算各个体的所述适应度时，针对参与所述适应度计算的目标函数的各束流指标项设定权重，所述目标函数为束流各指标在失效状态和正常工作状态下的均方根差，计算所述目标函数的公式如下：

其中，Z为目标函数，λ_n为权重系数，E_n为失效状态下的束流指标，E0_n为正常工作状态下的束流指标，n为束流指标的个数。

2.根据权利要求1所述的方法，其特征在于，所述针对目标函数的各束流指标项设定权重包括：

增加纵向束流能量指标和/或纵向束流相位指标的权重；和/或，

降低如下束流指标中的一项或多项束流指标的权重：束流相空间的分布指标、横向尺寸。

3.一种ADS加速器的超导腔失效补偿装置，其特征在于，所述装置包括：

模型构建单元：配置用于采集各超导腔的电信号，根据所述电信号确定参与补偿的加速器元件的控制信号，将各所述加速器元件的控制信号作为多维输入变量，构建线性回归模型；

求解单元：配置用于通过遗传算法对所述线性回归模型进行求解，获得各所述加速器元件控制信号的更新值；

配置单元：配置用于根据所述加速器元件控制信号的更新值设置所述加速器元件的配置，使得束流达到预设要求；

具有多维输入变量的线性回归模型采用如下公式：

其中，y(x,ω)为束流指标，M为加速器元件控制信号的数量，ω为线性回归模型系数，为基底函数，x为加速器元件控制信号所述求解单元包括：

初始化单元：配置用于初始化群体；

适应度计算单元：配置用于计算所述群体中个体的适应度，以及，计算由淘汰单元淘汰个体后的群体中个体的适应度；

比较单元：配置用于判断所述适应度是否符合评价要求，若符合，则解码并结束计算；

新一代群体生成单元：配置用于所述比较单元的判断结果为不符合，则根据所述适应度选择遗传个体，进行交叉、变异，生成新一代群体；

淘汰单元：配置用于计算新一代群体中各个体的束流指标，并淘汰超出束流包络有效域的个体；所述适应度计算单元包括：

目标函数计算单元：配置用于在计算各个体的所述适应度时，针对参与所述适应度计算的目标函数的各束流指标项设定权重，所述目标函数为束流各指标在失效状态和正常工作状态下的均方根差，计算所述目标函数的公式如下：

其中，Z为目标函数，λ_n为权重系数，E_n为失效状态下的束流指标，E0_n为正常工作状态下的束流指标，n为束流指标的个数。

4.根据权利要求3所述的超导腔失效补偿装置，其特征在于，所述目标函数计算单元还包括：

权重增加单元：配置用于增加纵向束流能量指标和/或纵向束流相位指标的权重；和/或，

权重降低单元：配置用于降低如下束流指标中的一项或多项束流指标的权重：束流相空间的分布指标、横向尺寸。

5.一种设备，其特征在于，所述设备包括：

一个或多个现场可编程门阵列；

存储器，用于存储一个或多个程序，

当所述一个或多个程序被所述一个或多个现场可编程门阵列执行时，使得所述一个或多个现场可编程门阵列执行如权利要求1-2中任一项所述ADS加速器的超导腔失效补偿方法。

6.一种存储有程序的计算机可读存储介质，其特征在于，

该程序被现场可编程门阵列执行时实现如权利要求1-2中任一项所述ADS加速器的超导腔失效补偿方法。