ملخص تقني: كشف الشذوذ القائم على الشبكات العصبية التلافيفية (CNN) خفيفة الوزن لـ HVCM في SNS

بيان المشكلة

تُعد حالات التوقف غير المخطط لها للمحولات النبضية عالية القدرة مصدراً رئيسياً لتوقف العمل في مرافق المسرعات الكبيرة. في مصدر النيوترونات السبليشن (SNS)، تُعد مُعدلات المحولات عالية الجهد (HVCM) ثاني أكبر مساهم في فقدان وقت الحزمة. يتم تسجيل كل نبضة من نبضات الـ HVCM عبر 14 قناة استشعار (تيارات، جهود، تدفقات مغناطيسية، ومشتقاتها) حيث تشفر التفاعلات المتبادلة الحالة التشغيلية للنظام.

يكمن التحدي الجوهري في عدم تجانس بوادر الأعطال: فالأعطال لا تظهر بشكل موحد؛ فبعضها يغير البنية الزمنية للإشارات الفردية، بينما يغير البعض الآخر التبعيات الإحصائية بين القنوات. تعتمد مناهج التعلم العميق الحالية غالباً على مسارات تلافيفية قياسية تدمج العمليات الزمنية وعمليات الخلط عبر القنوات منذ الطبقة الأولى. يفتقر هذا التصميم إلى آلية صريحة لتمثيل استقلالية القنوات أو التفاعل الهيكلي بين القنوات، مما قد يعيق قدرة النموذج على التكيف مع الارتباطات بين القنوات المعتمدة على النظام والتي تتغير أثناء ظروف ما قبل العطل. علاوة على ذلك، تتميز البيانات بخلل شديد في توازن الفئات (الأعطال نادرة الحدوث) ودرجات متفاوتة من قابلية الفصل بين الفئات عبر الأنظمة الفرعية الأربعة لـ SNS (الـ RFQ، والـ DTL، والـ CCL، والـ SCL).

المنهجية

يقترح المؤلفون انحيازاً استقرائياً مجزأً لكشف الشذوذ، حيث يتم تفكيك عامل التلافيف أحادي البعد (1D) إلى مراحل متميزة للترشيح الزمني والخلط عبر القنوات. واستلهاماً من التلافيفات المنفصلة بعمق (depthwise-separable convolutions) المستخدمة في الرؤية الحاسوبية للأجهزة المحمولة، تدرس الدراسة ثلاثة أنواع خفيفة الوزن من الـ CNN وتقارنها بنموذج مرجعي قياسي للخلط المشترك:

1. DS (العمق أولاً - Depthwise-First): يستخرج الميزات الزمنية لكل قناة أولاً باستخدام التلافيفات العميقة (depthwise convolutions)، يليه الخلط عبر القنوات عبر التلافيفات النقطية (pointwise convolutions). يفترض هذا الترتيب أن الإشارات المميزة تكمن أساساً في شكل مسارات القنوات الفردية.
2. PW-First (النقطي أولاً - Pointwise-First): يعكس الترتيب، حيث يخلط القنوات أولاً عبر التلافيفات النقطية (تعلم التركيبات الخطية للإشارات الخام) قبل تطبيق الترشيح الزمني لكل قناة. يستهدف هذا السيناريوهات التي توجد فيها الإشارات المميزة في العلاقات بين القنوات.
3. PW-First+SE (النقطي أولاً مع SE): يعزز نموذج PW-First ببوابة "الضغط والاستثارة" (Squeeze-and-Excitation - SE) يتم إدراجها بين مرحلتي الخلط والترشيح. يسمح هذا للنموذج بإعادة وزن القنوات المختلطة بشكل تكيفي لكل نبضة، مما يمكن الشبكة من تغيير الاعتماد ديناميكياً على تركيبات محددة من القنوات بناءً على نبضة الإدخال.

تشترك جميع المتغيرات في هيكل أساسي متطابق (أربع كتل تلافيفية بعروض 32، 64، 128، 64)، ورأس تصنيف، وبروتوكول تدريب. يتم تدريب النماذج في نظام تحت الإشراف (supervised regime) على مجموعة بيانات HVCM العامة، باستخدام دالة فقدان "التقاطع المتقاطع الثنائي الموزون" (weighted binary cross-entropy) لمعالجة عدم توازن الفئات.

المساهمات الرئيسية

• تجزئة الهيكل المعماري: تقترح الورقة وتقيم ثلاثة متغيرات خفيفة الوزن من الـ CNN (DS، PW-First، PW-First+SE) التي تجزئ عمليات التلافيف صراحةً إلى مكونات زمنية وخلط للقنوات، مقارنة بنموذج مرجعي قياسي للخلط المشترك.
• القياس المرجعي الشامل: يتم قياس المتغيرات مقابل ثلاث عائلات من نماذج HVCM الموجودة (بما في ذلك CNN+LSTM الخاضعة للإشراف، والمشفرات التلقائية غير الخاضعة للإشراف، وCVAEs متعددة الوحدات) بالإضافة إلى نماذج التعلم الآلي التقليدية (KNN، RF، SVM) عبر جميع الأنظمة الفرعية الأربعة لـ SNS.
• دراسة الاستئصال والحساسية: تتضمن الدراسة دراسات استئصال واسعة (تصفير مجموعات المستشعرات أو القنوات الفردية) لتحديد القنوات المدخلة التي تقود الأداء وكيفية توزيع البنى المختلفة للاعتماد عبر مجموعات المستشعرات الفيزيائية.
• رؤى خاصة بعائلات الأعطال: تربط التحليلات بين تباينات الأداء وطبيعة بوادر الأعطال، مع التمييز بين الأعطال التي تظهر كإزاحات في السعة في القنوات الفردية وتلك التي تتطلب تمثيلات مشتركة للقنوات.

النتائج

عند تقييمها على مجموعة بيانات HVCM العامة عبر جميع الأنظمة الأربعة، حقق المتغير PW-First+SE أفضل أداء إجمالي، مع AUC-PR بلغ 0.816 و AUC-ROC بلغ 0.934.

• ترتيب الأداء: لوحظ تحسن رتيب عبر المتغيرات: القياسي < DS < PW-First < PW-First+SE. تم تسجيل أكبر المكاسب في المقاييس الحساسة للفئة الأقلية (Recall، G-Mean، AUC-PR).
• تباينات الأنظمة الفرعية: تفوق PW-First+SE على المتغيرات الأخرى في أنظمة RFQ وDTL وCCL. أما في نظام SCL، فقد تفوق PW-First بفارق ضئيل على PW-First+SE، مما يشير إلى أن آلية البوابة التكيفية تكون أكثر فائدة عندما تكون الإشارات المحددة للقنوات ضعيفة (كما في CCL) وعندما يجب على الشبكة دمج الأدلة من إشارات متعددة.
• المقارنة مع أحدث التقنيات (State-of-the-Art): تفوق الطريقة المقترحة على أقوى نموذج خاضع للإشراف منشور (نموذج Zhou et al.'s CNN+LSTM) في مقاييس F1 وRecall وG-Mean عبر الأنظمة الفرعية. كما تفوقت أيضاً على النماذج غير الخاضعة للإشراف (RAEs, CVAE) في مقياس AUC-ROC لعائلات الأعطال الأكثر صعوبة (FLUX, Driver, IGBT, SCR).
• أهمية القنوات: حددت دراسات الاستئصال أن C-Flux و Mod-V و CB-I هي القنوات المدخلة المهيمنة. كما وُجد أن قناة DV/DT زائدة عن الحاجة إلى حد كبير. اعتمد متغير DS بشكل أكبر على مجموعة الـ Flux، بينما اعتمدت متغيرات الخلط المشترك بشكل أكبر على مجموعة الـ Power.

الأهمية والادعاءات

تدعي الورقة أن ترتيب الترشيح الزمني والخلط عبر القنوات هو خيار معماري حاسم للبيانات المستشعرة الفيزيائية متعددة القنوات، وليس قرار تصميم محايد. وتشير النتائج إلى أن:

1. الانحياز الاستقرائي أمر بالغ الأهمية: يسمح الفصل الصريح بين العمليات الزمنية وعمليات خلط القنوات للنموذج بالتقاط التفاعلات المعتمدة على النظام بشكل أفضل.
2. البوابة التكيفية مفيدة: توفر كتلة SE في نموذج PW-First+SE ميزة كبيرة عندما تكون بوادر الأعطال دقيقة وتتطلب دمج المعلومات عبر قنوات متعددة، بدلاً من الاعتماد على إزاحات السعة القوية في قنوات فردية.
3. الخاضع للإشراف مقابل غير الخاضع للإشراف: تحقق النهج الخاضع للإشراف والخلط المشترك للقنوات المستخدم هنا نتائج تنافسية أو متفوقة مقارنة بطرق إعادة البناء غير الخاضعة للإشراف، خاصة لعائلات الأعطال التي تعاني فيها نماذج CVAE (التي تعتمد على خطأ إعادة بناء القناة الواحدة) من صعوبة.

يخلص المؤلفون إلى أنه بينما توفر شبكات CNN خفيفة الوزن المقترحة حلاً قوياً لكشف شذوذ HVCM، فإن العمل المستقبلي يمكن أن يستكشف آليات الانتباه الزماني/المكاني المشروطة بمسارات النبضات وهياكل قائمة على الرسوم البيانية (graph-based) التي تشفر الطوبولوجيا السلكية الفيزيائية للمعدلات.