上海光源全局束流诊断数据仓库开发

赖龙伟，冷用斌，阎映炳，陈之初

(中国科学院 上海应用物理研究所，上海 201800)



上海光源全局束流诊断数据仓库开发

赖龙伟，冷用斌*，阎映炳，陈之初

(中国科学院 上海应用物理研究所，上海 201800)

上海光源已建成的束流诊断系统可满足光源的日常运行和机器研究需要。但由于缺少有效的事件触发处理机制，无法保存并分析运行期间突发的全局轨道扰动、BPM故障和DCCT噪声等异常现象。为解决以上问题，本文在现有束测系统的基础上开发了基于Soft IOC的全局束流诊断数据仓库。数据仓库通过在线监测加速器和束测系统的运行状况，在发现异常现象时及时发出触发信号并存储相关数据进行分析。运行结果表明，数据仓库能有效检测加速器和束测系统异常，并可用于生成束测设备置信度指标，为进一步优化束测系统和提高光源运行性能提供有效依据。

上海光源；数据仓库；束流诊断；异常检测

上海光源束测系统包含200多个测量设备，包括束流位置测量、流强测量、束斑尺寸测量、填充模式测量、束团长度测量等，可提供机器运行和加速器物理研究所需的束流和机器参数[1]。束测系统每秒在线发布超过2万个变量参数，数百个包含两千点的波形记录。如此大量的数据包含巨大的潜在价值，若能对其进行有效处理并加以利用，将会有较好的应用前景。

在过去几年的运行中，束测系统发生了数次硬件和软件的异常，导致束测数据的可靠性和真实性无法保证。主要的异常现象有：束测系统维护期间，BPM电缆连接突然中断；全环轨道扰动；个别BPM数据出现脉冲扰动和平移跳变；DCCT数据脉冲噪声；填充模式检测器由于轨道扰动出现较大的测量误差等。

由于无有效工具，异常发生时无法通知运行人员，发生后亦无法进行故障分析。已有的BPM 10 Hz窄带数据无法完成此类处理，必须使用宽带历史数据，如694 kHz的逐圈BPM数据或10 kHz的DCCT数据等。但每秒实时采集如此大量的宽带数据并不现实，可行的方案是建立全局束流诊断数据仓库，在线进行关联数据分析并存储异常发生时的有用数据用于故障诊断。基于以上分析，本文开展全局束流诊断数据仓库的开发和应用研究。

1 结构设计

图1 数据仓库硬件结构Fig.1 Hardware structure of data warehouse

数据仓库硬件结构如图1所示，在现有的储存环束测系统控制网络的基础上配置1台IBM System x3550 M4服务器，被检测对象包括束流位置检测、流强检测设备、束斑尺寸检测设备、填充模式检测设备。控制系统基于EPICS构建，在被检测对象上配置了EPICS IOC，数据通过网络传输至服务器，在服务器上开发Soft IOC实现全局束流诊断数据仓库。数据仓库采用开源的分布式数据库Couchbase进行数据管理。

数据仓库主要实现以下功能：提供一套束流诊断系统自检工具，快速排查所有设备的硬件连接和电子学配置；故障发生时产生事件触发信号，保存可进行离线故障分析的宽带数据；维护动态BPM信任度列表，轨道反馈系统和机器研究等可依据该表决定使用哪些BPM；设置加速器运行状态标志，指示加速器的运行可靠度和稳定度；为每个诊断设备设置置信度标志，帮助用户对束测数据进行取舍。基于上述需求，设计了包含6个数据分析引擎、1个基准数据库、1个故障分析历史数据库、5类运行数据、1个置信度表和1个高速Matlab-EPICS接口的全局束流诊断数据仓库[2]。

1) 数据分析引擎

数据分析引擎是数据仓库的核心，现有6个数据分析引擎协同工作。

(1) 基准管理引擎。采集系统正常运行时的历史数据，建立各设备和加速器的基准。

(2) BPM逐圈数据分析引擎[3]。利用MIA方法对全环140个BPM的逐圈数据进行时域和频域的相关性分析，实现对Lattice参数在线监测、BPM故障诊断、加速器运行异常时的报警，并对BPM系统进行性能分析且提供BPM的置信度。

(3) BPM慢获取数据(SA)分析引擎。通过对10 Hz的BPM四通道数据SA进行相关性分析，可进行如电缆连接异常等BPM故障诊断；通过计算并记录SA短时间标准差，可分析储存环掉束原因；通过记录SA可观察束流轨道长时间漂移；通过对全环BPM的SA进行相关性分析可监测全环轨道参数和评估各BPM性能，为每个BPM计算置信度。

(4) 束流流强分析引擎。通过对填充模式的和信号与DCCT进行相关运算，评估DCCT和填充模式测量的性能，记录光源的运行情况，同时可进行束流平均寿命和逐束团寿命校验；通过计算全环BPM和信号与DCCT的相关函数，评估BPM的性能。

(5) 束斑尺寸分析引擎。通过计算束斑截面尺寸和束流位置频谱的关联性，进行干涉仪或X射线针孔相机的可靠性分析；通过计算束斑截面尺寸和束流寿命的关联性，进行托歇克寿命测量及应用研究，观察束流不理想度。

(6) 置信度计算引擎。综合以上几个分析引擎的计算结果，生成一张包括所有设备和整个加速器置信度的表格，并在故障发生时发出触发信号并存储运行数据到历史数据库中。

2) 基准数据库

基准数据库包含所有束测设备和加速器的基准数据，数据来源于历史运行数据，且在每种运行模式下均重新建立。

3) 运行数据库

运行数据库综合控制网络的所有实时束测数据，包括两个在线环形缓存器。第1个缓存器以1 Hz采集速率存储100 s的数据。第2个缓存器存储以0.01 Hz采集速率存储24 h的数据。每帧的数据结构和第1个缓存器相同，但带宽降到0.005 Hz。每天存储缓存器中的数据，用作长期运行状态的评估。

4) 置信度表

由置信度计算引擎生成置信度表，该表包括每个诊断系统和整个机器的状态评估结果，并以EPICS PV的形式按1 Hz速率在控制网络更新发布。用户可在线获取该数据，并决定相关数据的取舍。

5) 故障分析历史数据库

故障分析历史数据库的内容来自运行数据库，每个记录都和故障事件相关联，通过该数据库可在事后进行精细分析并确定故障原因。

6) 高速Matlab-EPICS接口

为实现以上功能，LCA或MCA已不能满足对数据的访问速度要求，因此，参考LabVIEW内存共享IOCcore接口的方法，设计速度更高的Matlab-EPICS接口[4]。

2 应用

数据仓库自2012年下半年投入运行以来，累积了大量束流运行数据，目前主要通过离线分析对用于上海光源的运行性能评估、束测系统运行状态监测及一些随机事件的辅助机器进行研究。

2.1 上海光源运行性能评估

利用数据仓库对加速器主要的几个参数进行监测以评估机器性能，包括轨道稳定性、流强稳定性、填充均匀度、工作点稳定性等，评估主要基于SA。上海光源2013年的运行情况如下：轨道稳定性在单个运行周期内好于0.5 μm，不同周期间轨道跳变严重，上半年达到200 μm，下半年约30 μm；流强的稳定度短时间内保持在1 mA(0.5%)范围内，但不稳定，长时间在2 mA(1%)范围内，尚有优化空间；填充均匀度上半年在3%～6%，下半年下降至4%～10%，注入过程的重复性还有优化空间；水平方向工作点上半年在0.20～0.25间漂移，24 h稳定度在0.001内，不同运行周期内阻尼时间不同，暑期排除电源波动影响后，下半年的24 h内稳定度好于0.000 1。

2.2 束测系统运行状态监测

利用MIA算法对全环140个DBPM处理器的逐圈数据进行分析，可快速进行BPM系统故障诊断。如图2所示，对注入期间的逐圈数据进行MIA分解，获得束流中包含的β振荡(第1、2个模式)、能量振荡(第3个模式)和电子学噪声(第9个模式)。利用分解的各物理模式的幅度可进行BPM的性能评估，发现可能有问题的BPM，并有助于查找影响系统性能的噪声来源。类似分析还可用于对BPM的分辨率进行在线评估[5]。

图2 β振荡(a)、能量振荡(b)和电子学噪声(c)Fig.2 Betatron oscillation mode (a), energy oscillation mode (b) and electronics noise mode (c)

通过长期记录BPM故障情况，定位出置信度高的BPM用于快反馈和轨道反馈，提高系统性能。图3为2012年10月14日至11月3日期间BPM故障统计情况。从图3中可直观地找出经常发生故障的BPM，如20#、85#、123#、128#，也易于发现性能良好的BPM。

图3 BPM运行故障记录Fig.3 BPM failure record

2.3 随机事件的数据记录及辅助机器研究

上海光源目前计划将流强提高到240 mA，但在240 mA稳定运行一段时间后有时会丢失10 mA束流变为230 mA。利用数据仓库对掉束前后相关的束流数据进行分析，可帮助定位掉束原因并解决该问题。图4a为流强从240 mA掉至230 mA后再次注入的过程；图4b为掉束前后束团电荷量，掉束过程中疑似发生多束团不稳定性(束团串尾部被刮掉)。同时，在掉束后垂直方向β振幅增大，而水平、垂直工作点未见明显变化。通过分析时域波形可知，掉束前横向反馈稳定工作，掉束过程中及掉束后均不能有效抑制横向振荡。补注束流至240 mA后，横向反馈系统恢复正常工作。综合上述分析结果和该时刻储存环真空度数据，可初步判定是由于真空放气引起的快离子不稳定性导致的束团串尾部刮束。

图4 掉束前后流强(a)和束团电荷量(b)Fig.4 Current (a) and bunch charge (b) before and after beam loss

3 结论

本文通过综合所有在线束测设备和相关机器运行参数，基于高速EPICS-Matlab接口，在服务器上开发了EPICS Soft IOC实现各类信号处理算法，建立了能有效进行系统运行状态监控、异常诊断、提供系统置信度指标等功能在内的全局束流诊断数据仓库。利用该数据仓库可长时间监测加速器运行过程中的轨道、流强、工作点、填充模式等参数，对光源运行性能进行评估。并对运行中的束测系统故障和掉束问题进行了诊断研究，为问题的解决提供了有效手段。

[1] LENG Yongbin, YE Kairong, ZHOU Weimin, et al. SSRF beam diagnostics system commissioning[C]∥DIPAC2009. Basel: DIPAC, 2009.

[2] LENG Yongbin, YAN Yingbing, CHEN Zhichu, et al. Beam diagnostics global data warehouse implementation and application at SSRF[C]∥IPAC2011. San Sebastian: IPAC, 2011.

[3] CHEN Zhichu, LENG Yongbin, YUAN Ren-xian, et al. BPM Troubleshooting by using PCA in SSRF[J]. Nuclear Science and Techniques, 2014, 25(2): 020102.

[4] YAN Yingbing, LENG Yongbin. Soft IOC application in SSRF beam diagnostics system[C]∥IPAC2010. Kyoto: IPAC, 2010: 2 707-2 709.

[5] CHEN Zhichu, LENG Yongbin, YAN Yingbing, et al. Performance evaluation of BPM system in SSRF using PCA method[J]. Chinese Physics C, 2014, 38(8): 087004.

Development of Global Data Warehouse for Beam Diagnostics at SSRF

LAI Long-wei, LENG Yong-bin*, YAN Ying-bing, CHEN Zhi-chu

(ShanghaiInstituteofAppliedPhysics,ChineseAcademyofSciences,Shanghai201800,China)

The beam diagnostic system is adequate during the daily operation and machine study at the Shanghai Synchrotron Radiation Facility (SSRF). Without the effective event detecting mechanism, it is difficult to dump and analyze abnormal phenomena such as the global orbital disturbance, the malfunction of the BPM and the noise of the DCCT. The global beam diagnostic data warehouse was built in order to monitor the status of the accelerator and the beam instruments. The data warehouse was designed as a Soft IOC hosted on an independent server. Once abnormal phenomena happen it will be triggered and will store the relevant data for further analysis. The results show that the data warehouse can detect abnormal phenomena of the machine and the beam diagnostic system effectively, and can be used for calculating confidential indicators of the beam instruments. It provides an efficient tool for the improvement of the beam diagnostic system and accelerator.

SSRF; data warehouse; beam diagnostics; abnormal detection

2014-01-24;

2014-06-30

国家自然科学基金资助项目(11075198，11305253，11105211)；中国科学院知识创新工程新锐计划项目资助(Y45501306)

赖龙伟(1985—)，男，江西宁都人，助理研究员，博士，核技术及应用专业

*通信作者：冷用斌，E-mail: lengyongbin@sinap.ac.cn

TL506

A

1000-6931(2015)06-1149-04

10.7538/yzk.2015.49.06.1149