本发明是关于一种基于束流负载效应的束流信息在线测量方法、装置、设备及介质，涉及重离子加速器领域。
背景技术：
1、为确保束流在经过射频腔时获得预期的能量增益，必须准确了解束流与射频之间的相对相位，即束流同步相位。正确设置束流同步相位不仅决定了是否能够高效获得预期的束流，还直接影响加速器的运行效率。因此，精准测量束流同步相位是优化束流性能、提升加速器整体效能的关键步骤。“扫相”（phase scan）是目前广泛采用确定束流同步相位的方法。扫相方法具有较高的准确度，但是由于运行环境（例如温度、和湿度）变化引起的相位漂移会导致射频腔压相位发生变化，从而导致同步相位发生变化。为了补偿相位漂移，束流在运行一段时间之后需要重新对射频腔扫相。现代大型加速器装置通常包含几十甚至成百上千个射频腔，扫相过程通常需要占用大量的机器运行时间，严重降低了机器的可用性。此外，扫相以及束流常态运行过程中对束流信息的测量依赖专门的束流诊断仪器或设备，例如束流位置探测器（bpm）和束流流强探测器（bcm）等，这些精密仪器造价昂贵，难以配备在每一个腔体上。
2、除扫相方法以外，以德国电子加速器（desy）为代表的先进实验室提出了基于瞬态束流负载效应实现束流相位在线测量的新方法。该方法利用束流穿过射频腔体时引起的腔压瞬态变化（瞬态束流负载效应）来测量束流相位，能够在无需扫相的情况下实现束流同步相位的测量与校准，从而节省了机器时间。该方法基于腔体载束运行时的微分方程，求解束流引起的微小腔压变化，进而得到束流同步的相位信息。当前desy方法在测量束流流强以及束流同步相位时存在问题如下：如图7所示，首先，在流强较大时，束流同步相位的测量结果与束测系统测量结果相比，存在较大误差。在流强较小时，低信噪比导致测量结果rms值较大，增加了单次测量的不确定性。其次，流强较大时，由于空间电荷效应较大，功率源输出接近饱和区等因素的影响，测量结果呈现出一定的非线性。最后，在失谐为0时，desy方法能够准确计算同步相位。在大失谐情况下，测量误差随失谐的增加而增加，存在泛化性能不足的问题。另外，现有的desy方法要求射频系统工作在开环运行模式，多适用于电子直线加速器。然而，对于重离子加速器，闭环模式下实现束流同步相位的在线测量对重离子加速器的稳定运行具有重要意义。
3、在闭环情况下，由于束流负载效应与射频控制系统（低电平系统）的反馈输出相互耦合，增加了同步相位测量的难度。在高流强情况下，空间电荷效应、射频功率源的非线性等因素导致测量结果呈现出非线性特征；而在低流强情况下，由于信噪比较低，测量系统难以保证测量精度。
4、综上，针对同步相位的计算问题，目前主流与前沿技术均面临挑战，难以在精度和加速器运行效率之间取得理想的平衡。因此，迫切需要发展一种新的束流信息在线测量方法，改善现有方法的泛化性能和计算精度，提高加速器的运行效率。
技术实现思路
1、本发明旨在至少解决现有技术中存在的技术问题之一。为此，针对上述问题，本发明的目的是提供一种能够在闭环模式下在线测量束流的流强与同步相位，提高加速器运行效率的基于束流负载效应的束流信息在线测量方法、装置、设备及介质。
2、为了实现上述发明目的，本发明采用的技术方案为：
3、第一方面，本发明提供的一种基于束流负载效应的束流信息在线测量方法，该方法包括：
4、获得束流到达腔体时引发的束流负载效应，其中，束流负载效应为射频腔的腔压和前向电压在束流到达之后的瞬态变化信号；
5、计算腔体谐振频率与射频信号频率之间的频率差得到失谐值；
6、将腔压、前向电压以及失谐值输入到束流信息预测模型，完成基于束流负载效应的束流信息的预测，实现束流的同步相位与流强的在线测量。
7、一些优选的实施例中，腔压和前向电压均采用幅度与相位的形式：
8、；
9、其中，| v|为电压幅度，∠ v为电压相位。
10、一些优选的实施例中，失谐值为：
11、；
12、式中，为射频腔的半带宽，与分别为腔压与前向电压的相位，表示时刻，，为束流到达的时刻。
13、一些优选的实施例中，束流信息预测模型的构建与训练，包括：
14、建立端到端的ab-lstm网络模型；
15、以原始时间序列的腔压、前向电压和失谐值作为ab-lstm网络模型的输入；
16、对ab-lstm网络模型中的超参数进行测试和评估，完成超参数的设置；
17、基于上述设置的超参数通过梯度下降的方式训练ab-lstm网络模型，使其学习腔压、前向电压与同步相位、流强间的映射关系，训练完成获得束流信息预测模型。
18、一些优选的实施例中，ab-lstm网络模型的非线性映射关系为：
19、；
20、其中，为每个时间步输入的注意力权重，代表非线性神经网络，与分别为同步相位和流强，代表所使用的、两个时间序列的特征长度。
21、一些优选的实施例中，以原始时间序列的腔压、前向电压和失谐值作为输入，通过ab-lstm网络模型获得同步相位和流强的过程，包括：
22、对于输入时长为的腔压和前向电压，每个时刻会有四个输入特征，分别代表和的相位和幅度，即；
23、ab-lstm的attention layer对上述输入特征进行加权，将其转化为 ，得到从1到t时刻的加权特征表示；
24、以该特征作为lstm模型的输入，通过逐步输入并提取隐藏特征，最终输出lstm提取到的整个序列的综合特征；
25、ab-lstm中将失谐值作为网络模型的先验输入，并通过一个线性嵌入层embed将其转化为高维向量；
26、使用两个全连接层对lstm和embed提取到的特征进行拟合，网络模型的最终输出为束流的同步相位和流强。
27、一些优选的实施例中，对ab-lstm网络模型中的超参数进行测试和评估，完成超参数的设置，包括：
28、选择lstm的层数、每层的神经元个数、学习率大小及损失函数；
29、设置全连接层参数、激活函数及优化器；
30、对输入特征进行测试，明确输入特征的维度对网络模型性能的影响；
31、通过对比网络模型预测的流强和同步相位与实验bpm测得的流强和同步相位之间的误差，评估网络模型的预测性能，完成超参数的设置。
32、第二方面，本发明还提供一种基于束流负载效应的束流信息在线测量装置，该装置包括：
33、信号测量单元，被配置为获得束流到达腔体时引发的束流负载效应，其中，束流负载效应为射频腔的腔压和前向电压在束流到达之后的瞬态变化信号；
34、失谐值计算单元，被配置为计算腔体谐振频率与射频信号频率之间的频率差得到失谐值；
35、预测单元，被配置为将腔压、前向电压以及失谐值输入到束流信息预测模型，完成基于束流负载效应的束流信息的预测，实现束流同步相位与流强的在线测量。
36、第三方面，本发明还提供一种电子设备，包括：
37、至少一个处理器；以及
38、与所述处理器通信连接的存储器；其中，
39、所述存储器存储有可被所述处理器执行的指令，所述指令被所述处理器执行，以使所述处理器能够执行任一项所述的方法。
40、第三方面，本发明还提供一种存储一个或多个程序的计算机可读存储介质，其特征在于，所述一个或多个程序包括计算机指令，所述计算机指令用于使计算机执行任一项所述的方法。
41、本发明由于采取以上技术方案，其具有以下特点：
42、1、本发明通过将ab-lstm模型引入束流同步相位的测量任务中，解决了现有基于束腔相互作用原理的束流信息在线测量方法遇到的问题，相较于已有的同步相位计算方法，该方法在计算精度和加速器运行效率间取得了平衡。
43、2、本发明提供端到端的神经网络模型从原始数据中学习特征表示，并同时预测工作在闭环模式下的同步相位和流强信息，神经网络模型不仅实现了精确度和加速器运行效率之间的平衡，其泛化能力还能覆盖不同的失谐状态，本发明先驱性地指出了神经网络在束流信息计算方面的应用潜力，可以在加速器社区全面推广应用。
44、综上，本发明为束流信息在线测量提供了可行的解决方案，同时也为加速器的长期稳定运行奠定了坚实的基础，相比当前技术具有更优的测量精度及泛化性可以广泛应用于射频加速器领域。
1.一种基于束流负载效应的束流信息在线测量方法，其特征在于，该方法包括：
2.根据权利要求1所述的基于束流负载效应的束流信息在线测量方法，其特征在于，腔压和前向电压均采用幅度与相位的形式：
3.根据权利要求2所述的基于束流负载效应的束流信息在线测量方法，其特征在于，失谐值为：
4.根据权利要求2所述的基于束流负载效应的束流信息在线测量方法，其特征在于，束流信息预测模型的构建与训练，包括：
5.根据权利要求4所述的基于束流负载效应的束流信息在线测量方法，其特征在于，ab-lstm网络模型的非线性映射关系为：
6.根据权利要求5所述的基于束流负载效应的束流信息在线测量方法，其特征在于，以原始时间序列的腔压、前向电压和失谐值作为输入，通过ab-lstm网络模型获得同步相位和流强的过程，包括：
7.根据权利要求5所述的基于束流负载效应的束流信息在线测量方法，其特征在于，对ab-lstm网络模型中的超参数进行测试和评估，完成超参数的设置，包括：
8.一种基于束流负载效应的束流信息在线测量装置，其特征在于，该装置包括：
9.一种电子设备，其特征在于，包括：
10.一种存储一个或多个程序的计算机可读存储介质，其特征在于，所述一个或多个程序包括计算机指令，所述计算机指令用于使计算机执行根据权利要求1-7中任一项所述的方法。
