近日，中国科学院近代物理研究所科研团队在利用深度学习技术提升超导磁体失超探测性能方面取得进展。研究团队针对高场超导磁体在强磁通跳跃干扰下传统失超探测方法易误触发、检测延迟增加等国际难题，提出了一种基于深度学习的在线失超探测方法，并完成系统开发与在线实验验证。相关成果发表于《Superconductor Science & Technology》上。

超导磁体失超探测是保障磁体安全稳定运行的关键技术之一。失超是指超导磁体局部从超导态突然转变为正常态的现象。若未能及时检出并采取保护措施，磁体可能因过热而损坏。对于采用主动保护方式的超导磁体，失超探测系统既需要及时、可靠地识别真实失超，又需要尽可能降低复杂电磁扰动引起的误触发，这对检测的灵敏度、准确性和实时性均提出了很高要求。

然而，某些低温超导磁体在励磁过程中会发生磁通跳跃，这是一种热磁不稳定性，指在极短时间内（约毫秒量级），大量磁通线突然“进入”或“排出”处于临界态的超导体，导致磁化强度发生不连续突变的现象，其产生的电压扰动在一定条件下与失超信号极为相似，极易误导传统参数型检测系统。为降低误触发概率，现有多数方案会延长检测窗口，但这往往会增大检测延迟，压缩保护裕度，存在安全隐患。

针对上述难题，研究团队深挖历年积累的失超探测数据，训练了基于卷积神经网络（CNN）的深度学习模型。该模型能有效鉴别磁通跳跃与失超信号间的微小差异。实现“精准识别、快速响应”。在此基础上，研究团队进一步完成了模型的工程化部署，研制了人工智能失超探测系统（AI-QDS），实现了实时在线失超监测。

在第四代高电荷态ECR离子源HFECR超导磁体的励磁试验中，在线监测系统完成了系统性功能验证。整个励磁测试期间共发生3次失超事件，AI-QDS均能准确识别。尤其值得关注的是，系统在面临磁通跳跃等强电磁干扰时——励磁过程中此类干扰累计超过千次——始终展现出稳定且可靠的运行性能。

研究结果初步验证了基于深度学习的低温超导磁体在线失超检测方案的可行性与有效性。该方法不仅可作为超导磁体失超探测系统的有益补充，也为相关磁通跳跃低温超导磁体的智能化高效运行与保护提供了极具前景的技术路径。

本工作得到了国家自然科学基金委重大科研仪器研制项目CEE（NSFC 11927901）与LEAF（NSFC 11427904）的支持，本论文共同第一作者为联培硕士研究生刘真全和高级工程师欧贤金，通讯作者为冯文天副研究员。

文章链接：https://iopscience.iop.org/article/10.1088/1361-6668/aeaf1c

（磁铁技术室    供稿）