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

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.

Sylwester Bułka