Lightweight CNN-Based Anomaly Detection for High Voltage Converter Modulators in the Spallation Neutron Source

📄 arXiv: 2605.31259 📥 PDF

作者: Alberto D. Cencillo, Leonardo Concepción, Julián Luengo, Isaac Triguero

分类: cs.LG

发布日期: 2026-07-20

💡 一句话要点

提出轻量级CNN模型以解决高压转换器调制器异常检测问题

🎯 匹配领域: 支柱八：物理动画 (Physics-based Animation)

关键词: 异常检测 高压转换器 卷积神经网络 深度学习 故障监测 信号处理 加速器设施

📋 核心要点

  1. 现有深度学习方法在处理多通道信号时未能有效区分通道独立性和交互，导致检测性能不足。
  2. 本文提出了一种新的CNN架构，通过改变时间过滤和通道混合的顺序，增强模型对异常的检测能力。
  3. 在公共HVCM数据集上，最佳模型在多个子系统中实现了0.816的AUC-PR和0.934的AUC-ROC，超越了现有技术水平。

📝 摘要（中文）

高功率脉冲转换器的非计划停机是大型加速器设施的主要停机源。在中子源（SNS）中，高压转换器调制器（HVCMs）是导致失去束流时间的第二大因素。每个HVCM脉冲通过传感器通道记录电流、电压和磁通量等数据，互相之间的交互编码了系统的运行状态。现有深度学习方法通常使用标准卷积管道处理多通道信号，无法有效表示通道独立性或结构化的通道间交互。本文假设架构的归纳偏置，特别是时间过滤和通道混合的顺序，对检测性能起着关键作用。通过改变这两种操作的顺序，并检验每脉冲自适应通道重加权的效果，最终在公共HVCM数据集上取得了显著的性能提升。

🔬 方法详解

问题定义：本文旨在解决高压转换器调制器的异常检测问题，现有方法在处理多通道信号时未能有效区分通道间的独立性和交互，导致检测性能不足。

核心思路：论文的核心思路是通过改变时间过滤和通道混合的顺序来提高模型的检测性能，假设这种结构设计能够更好地捕捉信号中的异常特征。

技术框架：整体架构包括多个模块，首先对输入信号进行时间过滤，然后进行通道混合，最后通过自适应通道重加权进一步提升检测灵敏度。

关键创新：最重要的技术创新点在于对时间过滤和通道混合操作顺序的重新设计，这与现有方法的标准卷积管道形成了本质区别，使得模型能够更有效地捕捉信号中的异常模式。

关键设计：在模型设计中，采用了特定的损失函数来优化检测性能，并通过实验确定了三个主导输入通道，针对不同故障类型的表现进行了详细分析。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果显示，最佳模型在公共HVCM数据集上实现了0.816的AUC-PR和0.934的AUC-ROC，相较于现有技术在大多数子系统和六个故障类别中的五个上均有显著提升，验证了模型设计的有效性。

🎯 应用场景

该研究的潜在应用领域包括大型加速器设施的故障监测与预警系统，能够有效减少因设备故障导致的停机时间，提高运行效率。未来，该方法也可扩展到其他工业设备的异常检测中，具有广泛的实际价值。

📄 摘要（原文）

Unscheduled trips of high-power pulsed converters are a leading source of downtime at large accelerator facilities. At the Spallation Neutron Source (SNS), the High Voltage Converter Modulators (HVCMs) are consistently the second-largest contributor to lost beam time. Each HVCM pulse is recorded across sensor channels spanning currents, voltages, and magnetic fluxes, whose mutual interactions encode the operating state of the system. Fault precursors do not manifest uniformly across these channels: depending on fault type, they may alter the temporal structure of individual signals, change the statistical dependencies among channels, or both. Existing deep-learning approaches typically process multi-channel signals with standard convolutional pipelines that entangle temporal and cross-channel operations from the first layer, giving the model no explicit mechanism to represent channel independence or structured inter-channel interaction. We hypothesise that architectural inductive bias, specifically the ordering of temporal filtering and cross-channel mixing, plays a central role in detection performance on this class of data. To test this, we vary the order in which these two operations are applied, and examine whether per-pulse adaptive channel reweighting further improves sensitivity. Evaluated on the public HVCM dataset across all four SNS subsystems (RFQ, DTL, CCL, SCL), our best variant achieves a pooled AUC-PR of 0.816 and AUC-ROC of 0.934, outperforming the state of the art on most subsystems and five of the six fault families. Ablations identify three dominant input channels and link per-fault-family performance to whether precursors manifest as amplitude shifts in individual channels or as subtler patterns requiring joint channel representations to surface.