postgraduate student, Department of Mathematical Cybernetics and Information Technologies
аспирант, кафедра «Математическая кибернетика и информационные технологии»
leading engineer, Laboratory of Tokamak Plasma Diagnostics and Plasma Physics, Department of Tokamak and Current-Carrying Plasma Physics
ведущий инженер, лаборатория диагностики плазмы токамаков и физики плазменных процессов отделения физики токамаков-реакторов и токонесущей плазмы
Cand. Sci. (Eng.), Associate Professor, Dean, Faculty “Information Technology”
кандидат технических наук, доцент, декан, факультет «Информационные технологии»
Machine learning models have been widely incorparated into control systems aimed at improving the operational efficiency of tokamaks. The training machine learning models requires substantial datasets. However, data collection is limited because experimental campaigns on tokamaks are prolonged in time. Furthermore, the amount of suitable training data may decrease due to the present of faulty diagnostic signals. Additionally, the frequency of faulty signal occurrences increases while initial operation of a new tokamak or specialized equipment. This work examines the possibility of recovering faulty signals using machine learning techniques. Particularly, we focus on recovering signals obtained beyond the operating range of measuring instruments. Thus, recovering such kind of signals should increase the volume of available training data, consequently enhancing the efficacy of machine learning-based model training.
Модели машинного обучения широко внедряются в системы контроля и управления, необходимые для повышения эффективности работы токамака. Для обучения моделей требуется использовать большое количество данных, но в связи с тем, что экспериментальные кампании на токамаке продолжительны во времени, сбор данных ограничен. При этом, во время отбора количество пригодных для обучения данных может еще сократиться в связи с выявлением среди них некорректных (ошибочных) сигналов диагностик. А во время введения в полноценную эксплуатацию нового токамака или отдельного оборудования, частота появления ошибочных сигналов возрастает. В рамках данной работы, мы предлагаем изучить возможность восстановления полученных сигналов с ошибками с помощью моделей машинного обучения. В частности, мы рассматриваем сигналы, полученные при превышении диапазона работы измерительного прибора. За счет восстановленных сигналов предлагается увеличить объем данных для обучения, и тем самым повысить эффективность обучения конечных моделей.