《Sensors》：Fault Diagnosis of Semiconductor Detectors Using a Radial Basis Function Neural Network with Bayesian Optimization and K-Means Clustering
编辑推荐：
本研究评估了径向基函数神经网络（RBFNN）在预定义半导体探测器故障类别中进行严重程度分类的性能。数据集包含模拟的PN结老化、RC电路故障和辐射损伤，以及三种混合故障构造。原始波形在拟合特征变换之前被分区。一项包含四种变体的消融研究在十次分层划分上评估了隐层大
本研究评估了径向基函数神经网络（RBFNN）在预定义半导体探测器故障类别中进行严重程度分类的性能。数据集包含模拟的PN结老化、RC电路故障和辐射损伤，以及三种混合故障构造。原始波形在拟合特征变换之前被分区。一项包含四种变体的消融研究在十次分层划分上评估了隐层大小和径向基宽度的贝叶斯优化（BO），以及使用K-means进行中心点布置。结合训练拟合的主成分分析（PCA），该组合模型在PN结老化任务上取得了97.67 ± 1.97%的平均测试准确率，在RC故障任务上达到了100.00 ± 0.00%的准确率，但在66类辐射任务中仅获得7.78 ± 1.40%的准确率。一项探索性的辐射任务重新评估采用脉冲幅度和残余噪声特征，并配合距离缩放径向基宽度，在三次划分上取得了72.42 ± 1.57%的准确率和72.26 ± 1.63%的宏F1值。三个冻结的辐射模型在66,000个新生成的波形上取得了71.83%的平均准确率。在标准搜索范围内，三个PN结老化–RC划分给出了86.40 ± 1.52%的准确率。一个单独选择的扩展范围模型在110,000个新模拟波形上达到了96.33%的准确率。另外，在标准搜索范围内，三个PN结老化–辐射损伤和RC–辐射损伤划分分别给出了77.40 ± 1.38%和78.45 ± 1.28%的准确率。
**论文解读：基于贝叶斯优化与K-means聚类RBFNN的半导体探测器故障严重程度分类研究**
**1. 研究背景与问题**
半导体辐射探测器将沉积能量转换为电信号，广泛应用于辐射测量与监测。电荷收集过程和读出电子学的变化会改变脉冲幅度、形状和噪声特性，这为基于波形的状态监测提供了依据。然而，一个诊断标签必须能与可用信号中的其他状态区分开；仅仅将波形群体分离并不能确定物理退化机制的身份。因此，评估既要考虑分类器本身，也要考虑其标签构造方式。已有研究采用PCA脉冲形状判别、支持向量机、极限学习机、小波包特征结合多分类SVM、反向传播神经网络以及深度残差收缩网络等方法进行核脉冲分析与探测器监测，但这些研究的数据构造、标签定义和评估协议各不相同，所报告的准确率不能直接比较。对于严重程度分类任务，除了总体准确率外，还需要类别级精确率与召回率、跨划分的变异性以及预处理的独立性。径向基函数神经网络（RBFNN）通过局部化高斯基函数表示非线性关系，其性能取决于基函数的数量、位置、宽度以及拟合的输出权重。贝叶斯优化（BO）通过代理模型与采集规则指导超参数评估，已在反应堆监测、涡轮机诊断和液压泵诊断等场景中得到应用。已有优化RBF网络被用于模拟电路诊断，但目前缺少针对半导体探测器故障严重程度分类的受控评估。本研究旨在通过对优化RBFNN的重新评估，提供一种训练拟合的预处理协议、受控的BO/K-means消融实验，以及辐射专用的幅度/噪声表示，以检验其在不同单一故障和混合故障严重程度分类任务中的真实表现。
**2. 研究目的与主要方法**
研究人员针对三个单一故障模拟数据集（PN结老化10类、RC故障11类、辐射损伤66类）和三个混合故障数据集（PN–RC 110类、RC–辐射损伤396类、PN–辐射损伤360类）开展严重程度分类。样本为300点电压波形，每个单一故障任务每类100个波形，按70/15/15划分为训练、验证和测试集；划分先于所有拟合预处理。所有预处理参数（缩放统计量、PCA方向、模板、RBF中心、输出权重）仅从训练分区拟合，验证与测试分区使用不变换。初始评估采用四变体消融（常规RBF、K-means RBF、BO RBF、BO+K-means RBF），在十个分层划分（随机种子2026–2035）上比较。BO优化隐层K与共享宽度σ，K-means用于确定中心位置。辐射任务初步PCA结果极差（7.78%），因此额外进行了辐射专用重新评估：使用脉冲幅度a和残余噪声log(r)作为二维特征，并采用距离缩放RBF宽度σ=ασ
ref，在三个历史划分（种子2026–2028）上重新训练与测试。混合故障任务在三个划分（种子2026–2028）上评估。主要关键技术包括：训练拟合PCA表示、双指数脉冲模型模拟、K-means中心初始化（k-means++、三次重启）、BO（高斯过程代理、Matérn 5/2核、期望改进加采集函数）、幅度/噪声辐射专用特征、Adam输出层训练（学习率0.01，最大2000轮，早停）。对比模型包括多分类SVM、BPNN和DRSN。平台使用PCI-9846采集CZT探测器正常信号，模拟数据在PyCharm平台生成。
**3. 研究结果**
**3.1 PCA表示与四变体消融**
训练拟合PCA在各任务上产生不同维度：PN、RC和辐射任务分别保留15、2和277个主成分。四变体消融显示，BO将PN平均测试准确率从80.27%提升至95.73%，BO+K-means进一步达到97.67%；K-means单独达到85.53%。RC基线已达99.58%，各改进变体均达到100%。辐射任务在PCA表示下仍很差，四种变体准确率分别为4.27%、7.80%、4.87%和7.78%。额外的PN–RC验证维度检查显示，随着PC维度从50增至250，验证准确率从38.51%降至21.47%，表明高维PCA并不有利。
**3.2 辐射专用表示与模型训练**
采用幅度/噪声特征后，固定K=50、相对宽度因子为1时，三个划分的平均验证准确率为70.74%；BO+K-means提升至71.14%。选定的中心数分别为64、94和26，相对宽度因子为0.4452、0.5591和0.6594。训练轨迹显示损失未接近零，准确率未接近100%。白化输出基与L-BFGS-B优化未优于所选Adam模型。
**3.3 单一故障严重程度分类**
对于PN老化，BO+K-means组合模型在十个划分上达到97.67 ± 1.97%准确率，宏精确率97.82 ± 1.84%，宏F1 97.68 ± 1.96%。RC任务在所有划分上准确率、宏精确率、宏召回率和宏F1均为100.00 ± 0.00%。修正后的66类辐射模型在三个划分上分别正确分类735、708和708个测试波形，准确率74.24%、71.52%和71.52%，平均72.42 ± 1.57%，宏精确率73.05 ± 1.80%，宏F1 72.26 ± 1.63%。在66,000个新生成波形上，三个冻结辐射模型准确率为71.90%、71.80%和71.78%，平均71.83%。在给定生成器下，已知参数分类器的蒙特卡洛期望联合标签准确率为72.25%，六个噪声水平的解析期望准确率为72.99%，说明辐射结果与噪声水平重叠一致。
**3.4 混合故障严重程度分类**
PN aging–RC任务在三个划分上、标准搜索范围内（K=10–100，宽度0.1–20）测试准确率为86.40 ± 1.52%。单独选择的扩展范围模型（K=200，σ=0.02）在110,000个新模拟波形上正确分类105,960个（96.33%）。PN aging–辐射损伤任务和RC–辐射损伤任务在三个划分上分别取得77.40 ± 1.38%和78.45 ± 1.28%的准确率。混合故障因特征混叠或非线性耦合导致分类难度增加；PN aging–RC中两类故障分别作用于幅度域和时间域，可分性强；而辐射损伤的噪声增强掩盖了与其他故障的可区分特征，导致决策边界模糊。
**3.5 对比评估**
在三个匹配划分上，Multi-SVM和BPNN在PN和RC任务均达到100%测试准确率，DRSN也达到100%。这些比较不支持优化RBF分类器具有普遍优势。辐射任务上，one-versus-all SVM和BPNN在单个划分上仅获得11.62%和11.92%的准确率。编码方案检查中，one-versus-all SVM在PN任务上仅51.56%准确率，而one-versus-one SVM为100%。
**4. 讨论与结论**
消融结果支持BO和K-means在评估的模拟PN严重程度分类中有益，但RC已被所选脉冲形状基本分离，优化带来的小幅改进不能推广到所有故障场景。辐射任务的初始失败与后续改进表明，RBF宽度仅在相对于所选特征表示和尺度时才有意义。对冻结辐射模型的扰动实验（增益偏移、噪声类型变化等）显示其对指定扰动高度敏感，但这些扰动是选定的测试条件而非实测设备极限。所有正式分类结果均使用模拟故障和训练中已包含的闭集严重程度标签，衡量的是相同标称参数水平下新波形实现的判别能力，不能推断到未见严重程度或实测探测器信号。计算成本包含搜索与最终拟合；BO每分区进行30次候选评估，而固定变体仅一次拟合。本研究受条件限制，短期无法对真实CZT探测器进行物理退化验证诊断，研究人员将在未来开展相关验证实验。
**结论：**
研究人员完成了三个独立模拟单一故障严重程度任务的受控RBFNN评估。训练拟合预处理、四变体BO/K-means消融和显式类别级指标支持对评估配置进行可重复比较。组合配置在十个划分上给出PN 97.67 ± 1.97%和RC 100.00 ± 0.00%的测试准确率。辐射专用幅度/噪声表示在三个历史划分上给出72.42 ± 1.57%的探索性准确率，与噪声水平分布重叠一致；冻结模型在新波形上平均准确率71.83%。PN/RC对比结果不支持RBF的普遍优势。PN aging–RC标准范围三个划分准确率86.40 ± 1.52%，单独选择的扩展范围模型在新模拟波形上达96.33%；PN aging–辐射损伤和RC–辐射损伤标准范围三个划分准确率分别为77.40 ± 1.38%和78.45 ± 1.28%。由于当前条件限制，短期无法对真实CZT探测器开展物理退化验证诊断，未来将进行相关验证实验。
