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

Cet article propose un cadre de détection d'anomalies léger, basé sur les réseaux de neurones convolutifs (CNN), pour les modulateurs de convertisseurs haute tension de la source de neutrons par spallation, qui exploite le biais inductif architectural en ordonnant stratégiquement les opérations temporelles et inter-canaux, atteignant ainsi des performances de pointe dans l'identification des précurseurs de défaillance à travers plusieurs sous-systèmes.

L'essentiel

La vue d'ensemble : Le « battement de cœur » d'une machine géante

Imaginez la Source de Neutrons par Spallation (SNS) comme un immense système de trains à grande vitesse. Sa mission est de projeter de minuscules particules (des neutrons) sur une cible pour aider les scientifiques à étudier les matériaux. Pour faire fonctionner ce train, il a besoin d'une quantité massive d'énergie, délivrée sous forme de brèves et intenses salves appelées « impulsions ».

Les Modulateurs de Convertisseurs Haute Tension (HVCM) sont les moteurs qui créent ces salves de puissance. Considérez-les comme le cœur de la machine. Si le cœur rate un battement ou s'étouffe, tout le train s'arrête. Quand le train s'arrête, les scientifiques perdent un temps précieux et des pièces coûteuses peuvent être endommagées.

Le problème est que ces moteurs ne tombent pas toujours en panne soudainement. Souvent, ils donnent des « signes avant-coureurs » subtils (précurseurs) avant de tomber en panne. L'objectif de cet article est de construire un programme informatique intelligent et léger capable d'écouter le battement de cœur du moteur et de dire : « Hé, quelque chose ne va pas », avant que le moteur ne s'arrête réellement.

Le défi : Écouter 14 instruments différents

Les ingénieurs disposent de 14 capteurs différents qui surveillent le moteur. Certains mesurent le courant (comme le flux sanguin), d'autres la tension (comme la pression artérielle) et d'autres encore les champs magnétiques (comme le rythme du cœur).

La partie délicate est qu'un moteur « malade » ne se présente pas toujours de la même façon.

• Parfois, un seul capteur devient incontrôlable (comme un pic de tension artérielle).
• Parfois, les capteurs ne deviennent pas incontrôlables individuellement, mais ils commencent à communiquer étrangement entre eux (comme deux battements de cœur qui se désynchronisent).

Les programmes informatiques précédents tentaient d'écouter les 14 capteurs à la fois, mais ils étaient comme une personne essayant d'entendre 14 conversations différentes dans une pièce bruyante en même temps. Ils s'embrouillaient pour savoir quelle conversation était importante.

La solution : Une nouvelle façon d'écouter

Les auteurs de cet article ont proposé une nouvelle façon d'organiser les « oreilles » de l'ordinateur. Ils ont réalisé que pour comprendre le moteur, il faut faire deux choses dans un ordre spécifique :

1. Écouter le rythme de chaque capteur individuellement (Temps).
2. Comparer les capteurs pour voir comment ils sont liés les uns aux autres (Canaux).

Ils ont testé trois façons différentes d'organiser ces étapes, en utilisant une technique empruntée aux caméras de téléphones portables (qui doivent être rapides et légères) :

1. L'approche « Solo d'abord » (DS) : Écouter le rythme de chaque capteur individuellement d'abord, puis les comparer.
   • Analogie : Imaginez un chef de chœur demandant à chaque chanteur de pratiquer sa partie seul d'abord, puis de chanter ensemble pour voir s'ils harmonisent.
2. L'approche « Mélange d'abord » (PW-First) : Mélanger tous les capteurs d'abord, puis écouter le rythme du mélange.
   • Analogie : Imaginez mélanger toutes les voix des chanteurs en un smoothie lisse d'abord, puis écouter le rythme de ce breuvage lisse.
3. L'approche « Mélange d'abord avec un projecteur » (PW-First+SE) : Mélanger les capteurs, mais ajouter un « projecteur » intelligent capable de décider instantanément quelles voix sont importantes pour ce moment précis et d'en augmenter le volume tout en baissant le bruit.
   • Analogie : C'est comme un DJ dans une fête qui mélange toute la musique mais peut instantanément booster les basses ou les voix selon ce dont la foule a besoin à l'instant présent.

Les résultats : Le « Projecteur » gagne

L'équipe a testé ces trois approches sur des données réelles provenant de la SNS, qui incluent quatre types différents de configurations de moteurs (RFQ, DTL, CCL, SCL).

• Le vainqueur : L'approche « Mélange d'abord avec un projecteur » (PW-First+SE) a été la meilleure. Elle a été la plus précise pour détecter les signes avant-coureurs.
• Pourquoi elle a gagné : Elle était flexible. Parfois, le problème venait d'un seul capteur qui faisait des siennes (le projecteur se concentrait alors sur celui-ci). D'autres fois, le problème était une relation étrange entre deux capteurs (le projecteur aidait alors l'ordinateur à voir la connexion).
• Le score : Elle a obtenu un score de 0,816 (sur une échelle où 1,0 est parfait) pour détecter ces pannes rares. C'est mieux que n'importe quelle méthode précédente testée sur ces données spécifiques.

Ce que l'ordinateur a appris (Les moments « Eurêka ! »)

En analysant la manière dont l'ordinateur prenait ses décisions, les auteurs ont découvert des choses intéressantes :

1. Trois super-capteurs : Sur les 14 capteurs, trois étaient les plus importants : C-Flux (champ magnétique), Mod-V (tension de sortie) et CB-I (courant du condensateur). Si vous éteigniez les 11 autres, l'ordinateur pourrait toujours faire un travail correct. Mais si vous éteigniez ces trois-là, l'ordinateur se perdrait.
2. La « Dérivée » était redondante : Un capteur mesurait le changement de tension (la vitesse à laquelle elle montait). L'ordinateur a réalisé que c'était juste une copie mathématique du capteur de tension lui-même. Il n'avait pas besoin des deux ; un seul suffisait.
3. Différentes pannes nécessitent différentes stratégies :
   • Si une panne provoque un saut énorme dans la valeur d'un capteur (comme un cri fort), l'approche simple « Solo d'abord » fonctionne très bien.
   • Mais si une panne est subtile et ne se manifeste que par une relation étrange entre les capteurs (comme un murmure), l'approche « Mélange d'abord avec un projecteur » est essentielle. C'est la seule capable de capter le murmure.

L'essentiel

Cet article montre que pour détecter les pannes dans des machines géantes et complexes, la façon dont vous organisez vos données compte tout autant que les données elles-mêmes.

En construisant un modèle informatique léger capable de basculer de manière flexible entre l'écoute de capteurs individuels et la comparaison d'un groupe, les chercheurs ont créé un système plus performant pour prédire les défaillances que les méthodes de pointe actuelles. Cela signifie que la SNS (et potentiellement d'autres machines similaires) peut fonctionner plus longtemps avec moins d'arrêts imprévus, économisant ainsi du temps et de l'argent.

Résumé technique

Résumé technique : Détection d'anomalies par CNN léger pour les HVCM dans le SNS

Énoncé du problème

Les déclenchements non programmés des modulateurs de haute puissance sont une source primaire d'indisponibilité pour les grandes installations d'accélérateurs. À la Spallation Neutron Source (SNS), les modulateurs de convertisseurs haute tension (HVCM) sont le deuxième contributeur majeur à la perte de temps de faisceau. Chaque impulsion HVCM est enregistrée via 14 canaux de capteurs (courants, tensions, flux magnétiques et dérivées) où les interactions mutuelles encodent l'état de fonctionnement du système.

Le défi central réside dans l'hétérogénéité des précurseurs de fautes. Les fautes ne se manifestent pas de manière uniforme : certaines altèrent la structure temporelle de signaux individuels, tandis que d'autres modifient les dépendances statistiques entre les canaux. Les approches existantes de deep learning utilisent souvent des pipelines convolutionnels standards qui entremêlent les opérations temporelles et de mélange inter-canaux dès la première couche. Cette conception manque d'un mécanisme explicite pour représenter l'indépendance des canaux ou l'interaction structurée entre canaux, ce qui peut entraver la capacité du modèle à s'adapter aux corrélations entre canaux dépendantes du régime qui évoluent lors des conditions pré-faute. De plus, les données sont caractérisées par un déséquilibre de classes sévère (les fautes sont rares) et des degrés variables de séparabilité des classes à travers les quatre sous-systèmes du SNS (RFQ, DTL, CCL, SCL).

Méthodologie

Les auteurs proposent un biais inductif factorisé pour la détection d'anomalies, décomposant l'opérateur de convolution 1D en deux étapes distinctes : le filtrage temporel et le mélange inter-canaux. Inspirée par les convolutions à séparation profonde (depthwise-separable) utilisées dans la vision mobile, l'étude opérationnalise trois variantes de CNN légers et les compare à une ligne de base standard de mélange conjoint :

1. DS (Depthwise-First / Profondeur d'abord) : Extrait d'abord les caractéristiques temporelles par canal en utilisant des convolutions depthwise, suivies d'un mélange inter-canaux via des convolutions pointwise. Cet ordre suppose que les signaux discriminants résident principalement dans la forme des traces de chaque canal.
2. PW-First (Pointwise-First / Pointwise d'abord) : Inverse l'ordre, mélangeant d'abord les canaux via des convolutions pointwise (apprenant des combinaisons linéaires de signaux bruts) avant d'appliquer un filtrage temporel par canal. Cela cible les scénarios où les signaux discriminants existent dans les relations inter-canaux.
3. PW-First+SE : Augmente le PW-First avec une porte Squeeze-and-Excitation (SE) insérée entre les étapes de mélange et de filtrage. Cela permet un re-pondérage adaptatif par impulsion des canaux mélangés, permettant au réseau de déplacer dynamiquement sa dépendance vers des combinaisons de canaux spécifiques en fonction de l'impulsion d'entrée.

Toutes les variantes partagent un squelette identique (quatre blocs convolutionnels avec des largeurs de 32, 64, 128, 64), une tête de classification et un protocole d'entraînement. Les modèles sont entraînés dans un régime supervisé sur le jeu de données public HVCM, en utilisant une perte de cross-entropie binaire pondérée pour traiter le déséquilibre des classes.

Contributions clés

• Factorisation architecturale : Le papier propose et évalue trois variantes de CNN légers (DS, PW-First, PW-First+SE) qui factorisent explicitement les opérations de convolution en composantes temporelles et de mélange de canaux, contrastant avec une ligne de base standard de mélange conjoint.
• Benchmarking complet : Les variantes sont évaluées par rapport à trois familles de modèles existants spécifiques aux HVCM (incluant le CNN+LSTM supervisé, les auto-encodeurs non supervisés et les CVAE multi-modules) ainsi qu'aux modèles de machine learning traditionnels (KNN, RF, SVM) à travers les quatre sous-systèmes du SNS.
• Étude d'ablation et de sensibilité : L'étude inclut des études d'ablation approfondies (par groupe de capteurs et par mise à zéro de canal) pour identifier quels canaux d'entrée pilotent la performance et comment les différentes architectures distribuent la dépendance à travers les groupes de capteurs physiques.
• Aperçus spécifiques aux familles de fautes : L'analyse lie les variations de performance à la nature des précurseurs de fautes, distinguant les fautes qui se manifestent par des changements d'amplitude dans les canaux individuels de celles qui nécessitent des représentations conjointes de canaux.

Résultats

Évaluée sur le jeu de données public HVCM à travers les quatre sous-systèmes, la variante PW-First+SE a obtenu la meilleure performance globale, avec un AUC-PR de 0,816 et un AUC-ROC de 0,934 agrégés.

• Classement des performances : Une amélioration monotone a été observée entre les variantes : Standard < DS < PW-First < PW-First+SE. Les gains les plus importants ont été observés dans les métriques sensibles à la classe minoritaire (Recall, G-Mean, AUC-PR).
• Variations par sous-système : PW-First+SE a surpassé les autres variantes sur le RFQ, le DTL et le CCL. Sur le sous-système SCL, PW-First a légèrement mieux performé que PW-First+SE, suggérant que le mécanisme de porte adaptatif est le plus bénéfique lorsque les indices spécifiques aux canaux sont faibles (comme dans le CCL) et que le réseau doit combiner les preuves provenant de multiples signaux.
• Comparaison avec l'état de l'art : La méthode proposée a surpassé la plus forte ligne de base supervisée publiée (le CNN+LSTM de Zhou et al.) en termes de F1, Recall et G-Mean sur l'ensemble des sous-systèmes. Elle a également surpassé les lignes de base non supervisées (RAEs, CVAE) sur l'AUC-ROC pour les familles de fautes les plus difficiles (FLUX, Driver, IGBT, SCR).
• Importance des canaux : Les études d'ablation ont identifié C-Flux, Mod-V et CB-I comme les trois canaux d'entrée dominants. Le canal DV/DT a été jugé largement redondant. La variante DS reposait davantage sur le groupe Flux, tandis que les variantes de mélange conjoint reposaient davantage sur le groupe Power.

Signification et affirmations

Le papier affirme que l'ordre du filtrage temporel et du mélange inter-canaux est un choix architectural critique pour les données de capteurs physiques multicanaux, plutôt qu'une décision de conception neutre. Les résultats suggèrent que :

1. Le biais inductif compte : Séparer explicitement les opérations temporelles et de canaux permet au modèle de mieux capturer les interactions dépendantes du régime.
2. Le mécanisme de porte adaptatif est bénéfique : Le bloc SE dans PW-First+SE offre un avantage significatif lorsque les précurseurs de fautes sont subtils et nécessitent l'intégration d'informations à travers plusieurs canaux, plutôt que de compter sur de fortes variations d'amplitude dans un seul canal.
3. Supervisé vs Non supervisé : L'approche de mélange de canaux conjoint supervisée utilisée ici obtient des résultats compétitifs ou supérieurs aux méthodes de reconstruction non supervisées, particulièrement pour les familles de fautes où le CVAE (qui repose sur l'erreur de reconstruction par canal unique) peine à performer.

Les auteurs concluent que bien que les CNN légers proposés offrent une solution robuste pour la détection d'anomalies HVCM, les travaux futurs pourraient explorer des mécanismes d'attention spatio-temporelle conditionnés par les trajectoires d'impulsions et des architectures basées sur les graphes codant la topologie de câblage physique des modulateurs.