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

本文提出了一种用于散裂中子源高压换流器调制器的轻量级基于卷积神经网络（CNN）的异常检测框架，该框架通过策略性地排序时间与跨通道操作来利用架构归纳偏置，在识别多个子系统的故障前兆方面达到了最先进的性能。

要点

大局观：巨型机器的“心跳”

想象一下，散裂中子源 (SNS) 就像是一个庞大的、高速运行的火车系统。它的任务是向目标发射微小的粒子（中子），以帮助科学家研究材料。为了维持这列火车的运行，它需要大量的能量，这些能量以被称为“脉冲”的短促且强烈的爆发形式提供。

高压转换调制器 (HVCMs) 是产生这些能量爆发的引擎。可以将它们视为这台机器的心脏。如果心脏跳动漏了一拍或出现了停顿，整列火车就会停止运行。当火车停止时，科学家们会损失宝贵的时间，昂贵的部件也可能受到损坏。

问题在于，这些引擎并不总是突然损坏。通常，在真正故障发生之前，它们会给出微妙的“预兆”（前兆）。本文的目标是构建一个智能、轻量级的计算机程序，能够通过倾听引擎的“心跳”，在引擎真正停止之前发出警告：“嘿，出问题了。”

挑战：聆听 14 种不同的乐器

工程师们有 14 个不同的传感器在监视着引擎。有些测量电流（类似于血流），有些测量电压（类似于血压），还有些测量磁场（类似于心脏的节奏）。

棘手之处在于，一台“生病”的引擎表现并不总是相同的。

• 有时，仅仅是一个传感器出现了异常（比如血压飙升）。
• 有时，单个传感器看起来并没有异常，但它们彼此之间的协作关系变得奇怪（比如两个心跳变得不同步了）。

之前的计算机程序试图同时监听所有 14 个传感器，但它们就像是一个人在嘈杂的房间里试图同时听清 14 场不同的对话一样。它们会对哪场对话才是重点感到困惑。

解决方案：一种全新的聆听方式

本文的作者提出了一种组织计算机“耳朵”的新方法。他们意识到，要理解这台引擎，你需要按特定的顺序完成两件事：

1. 聆听每个单个传感器的节奏（时间维度）。
2. 比较传感器之间的关系（通道维度）。

他们测试了三种不同的排列方式，并使用了一种借鉴自手机摄像头的技术（这类技术需要快速且轻量）：

1. “先单人后合唱”法 (DS)： 先单独聆听每个传感器的节奏，然后再将它们进行比较。
   • 类比： 想象一位合唱团指挥要求每位歌手先单独练习自己的声部，然后再让他们一起合唱，看看是否和谐。
2. “先混合后聆听”法 (PW-First)： 先将所有传感器混合在一起，然后聆听这个混合体的节奏。
   • 类比： 想象先把所有歌手的声音搅拌成一杯平滑的奶昔，然后再去聆听这杯平滑饮料的节奏。
3. “带聚光灯的混合”法 (PW-First+SE)： 将传感器混合，但添加一个智能的“聚光灯”，它可以瞬间决定哪些声音对当前时刻很重要，并调大它们的音量，同时降低噪音。
   • 类比： 这就像派对上的 DJ，他可以混合所有的音乐，但能根据观众现在的需求，瞬间调高低音或人声。

结果：“聚光灯”胜出

团队在来自 SNS 的真实数据上测试了这三种方法，这些数据包含了四种不同的引擎设置（RFQ、DTL、CCL、SCL）。

• 获胜者： “带聚光灯的混合” (PW-First+SE) 方法表现最佳。它在捕捉预兆方面最为准确。
• 胜出的原因： 它非常灵活。有时问题仅仅是一个传感器在作怪（所以聚光灯聚焦于那一个）；其他时候，问题是两个传感器之间奇怪的关系（所以聚光灯帮助计算机看清了这种联系）。
• 得分： 它在捕捉这些罕见故障方面的得分为 0.816（在 1.0 为完美的量表中）。这比在该特定数据上测试过的任何以往方法都要好。

计算机学到了什么（“顿悟”时刻）

通过分析计算机是如何做出决策的，作者发现了一些有趣的现象：

1. 三个超级传感器： 在 14 个传感器中，有三个是最重要的：C-Flux（磁通量）、Mod-V（输出电压）和 CB-I（电容电流）。如果你关闭其他 11 个传感器，计算机仍能完成不错的工作；但如果你关闭这三个，计算机就会迷失方向。
2. “导数”是多余的： 其中一个传感器测量的是电压的变化率（电压上升的速度）。计算机意识到这只是电压传感器的数学副本。它不需要两者，一个就足够了。
3. 不同的故障需要不同的策略：
   • 如果故障导致某个传感器的数值出现巨大跳变（像是一声尖叫），简单的“先单人后合唱”法就能奏效。
   • 但如果故障很微妙，仅表现为传感器之间奇怪的关系（像是一个耳语），那么“带聚光灯的混合”法就是必不可少的。它是唯一能捕捉到这种“耳语”的方法。

核心结论

本文表明，对于检测巨型复杂机器的故障而言，你如何组织数据与数据本身同样重要。

通过构建一个能够灵活地在“聆听单个传感器”和“作为整体进行比较”之间切换的轻量级计算机模型，研究人员创造了一个比现有最先进方法更擅长预测故障的系统。这意味着 SNS（以及其他类似的机器）可以运行得更久，减少意外停机，从而节省时间和成本。

技术摘要

技术摘要：用于 SNS 中 HVCM 的轻量级 CNN 异常检测

问题陈述

高功率脉冲转换器（High-power pulsed converters）的非计划停机是大型加速器设施停机时间的主要来源。在 스派伦中子源（SNS）中，高压转换器调制器（HVCM）是导致束流损失时间的第二大因素。每个 HVCM 脉冲通过 14 个传感器通道（电流、电压、磁通量及其导数）进行记录，其中相互作用编码了系统的运行状态。

核心挑战在于故障前兆的异质性。故障的表现并不统一：有些改变了单个信号的时间结构，而另一些则改变了通道间的统计依赖关系。现有的深度学习方法通常采用标准的卷积流水线，从第一层开始就将时间操作与跨通道操作纠缠在一起。这种设计缺乏显式的机制来表示通道独立性或结构化的通道间交互，这可能阻碍模型适应在故障前兆阶段发生变化的、具有依赖性的通道相关性。此外，数据具有严重的类别不平衡特征（故障极少发生），且在四个 SNS 子系统（RFQ、DTL、CCL、SCL）之间表现出不同程度的类别可分性。

方法论

作者提出了一种用于异常检测的因子化归纳偏置（factorized inductive bias），将 1D 卷积算子分解为独立的临时滤波（temporal filtering）和跨通道混合（cross-channel mixing）阶段。受移动端视觉中深度可分离卷积的启发，本研究实现了三种轻量级 CNN 变体，并将其与标准的联合混合（joint-mixing）基准进行对比：

1. DS（深度优先型，Depthwise-First）： 首先使用深度卷积提取单通道时间特征，随后通过逐点卷积（pointwise convolutions）进行跨通道混合。该顺序假设判别性信号主要存在于单个通道轨迹的形状中。
2. PW-First（逐点优先型，Pointwise-First）： 颠倒顺序，先通过逐点卷积混合通道（学习原始信号的线性组合），然后再进行单通道时间滤波。该设计针对的是判别性信号存在于跨通道关系中的场景。
3. PW-First+SE： 在混合与滤波阶段之间引入挤压-激励（Squeeze-and-Excitation, SE）门控机制，对 PW-First 进行增强。这使得网络能够对混合后的通道进行逐脉冲自适应重加权，从而使网络能够根据输入脉冲动态地改变对特定通道组合的依赖。

所有变体共享相同的骨干网络（四个宽度分别为 32, 64, 128, 64 的卷积块）、分类头和训练协议。这些模型在公开的 HVCM 数据集上以监督模式进行训练，并利用加权二元交叉熵损失来解决类别不平衡问题。

核心贡献

• 架构因子化： 本文提出并评估了三种轻量级 CNN 变体（DS、PW-First、PW-First+SE），它们将卷积操作显式地分解为时间成分和通道混合成分，并与标准的联合混合基准进行了对比。
• 全面基准测试： 这些变体在所有四个 SNS 子系统上，针对三类现有的 HVCM 特定模型（包括监督式 CNN+LSTM、无监督自动编码器以及多模块 CVAE）以及传统机器学习基准（KNN、RF、SVM）进行了基准测试。
• 消融与敏感性分析： 研究包含了广泛的消融实验（传感器组和逐通道置零实验），以确定哪些输入通道驱动了性能，以及不同的架构如何分配对物理传感器组的依赖。
• 针对故障家族的具体见解： 分析将性能差异与故障前兆的性质联系起来，区分了表现为单个通道幅度变化的故障与需要联合通道表示的故障。

结果

在公开的 HVCM 数据集及四个子系统上的评估显示，PW-First+SE 变体表现最佳，其汇总 AUC-PR 为 0.816，AUC-ROC 为 0.934。

• 性能排名： 在各变体之间观察到单调的提升：标准型 < DS < PW-First < PW-First+SE。在对少数类敏感的指标（召回率、G-Mean、AUC-PR）上增益最为显著。
• 子系统差异： PW-First+SE 在 RFQ、DTL 和 CCL 上优于其他变体。在 SCL 子系统上，PW-First 略微优于 PW-First+SE，这表明当通道特定线索较弱（如在 CCL 中）且网络必须整合来自多个信号的证据时，自适应门控机制最为有效。
• 与最先进技术的比较： 所提出的方法在所有子系统的 F1、召回率和 G-Mean 指标上均优于最强的已发表监督基准（Zhou 等人的 CNN+LSTM）。在处理最具挑战性的故障家族（FLUX、Driver、IGBT、SCR）时，其 AUC-ROC 也超过了无监督基准（RAEs、CVAE）。
• 通道重要性： 消融研究确定 C-Flux、Mod-V 和 CB-I 为三个主导输入通道。研究发现 DV/DT 通道在很大程度上是冗余的。DS 变体更多地依赖于 Flux 组，而联合混合变体则更多地依赖于 Power 组。

意义与主张

本文主张，时间滤波与跨通道混合的顺序是多通道物理传感器数据的一个关键架构选择，而非中性的设计决策。结果表明：

1. 归纳偏置至关重要： 显式分离时间操作和通道操作可以使模型更好地捕捉依赖于情境（regime-dependent）的交互作用。
2. 自适应门控是有益的： 当故障前兆较为微妙，需要整合多个通道的信息而非仅仅依赖单个通道的强幅度变化时，PW-First+SE 中的 SE 模块提供了显著优势。
3. 监督学习 vs 无监督学习： 本文使用的监督式、联合通道方法，在处理 CVAE（依赖于单通道重建误差）难以处理的故障家族时，取得了具有竞争力的或更优的结果。

作者总结道，虽然所提出的轻量级 CNN 为 HVCM 异常检测提供了鲁棒的解决方案，但未来的工作可以探索基于脉冲轨迹的空/时间注意力机制，以及编码调制器物理布线拓扑结构的图神经网络架构。