🗊Презентация Считывание и фильтрация данных с платы TRB3

Считывание и фильтрация данных с платы TRB3 Новосибирск, 2019 г.

Введение Настоящая работа посвящена чтению и обработке данных с электронной платы TRB3, предназначенной для считывания будущего детектора черенковских колец Forward RICH на эксперименте PANDA (Германия). Плата TRB3 считывает несколько многоанодных фотоэлектронных умножителей (МаФЭУ) H12700 производства Hamamatsu. В работе проводилось моделирование срабатываний от черенковских фотонов с помощью импульсной лазерной засветки МаФЭУ и фильтрация срабатываний для подавления темновых срабатываний с помощью специально разработанного алгоритма фильтрации.

Цель работы Знакомство с программным обеспечением для сбора и обработки данных с платы TRB3, с методами обработки экспериментальных данных. Разработка алгоритма фильтрации для разделения сигнальных и шумовых срабатываний во временном потоке.

Задачи Разработка алгоритмов фильтрации и их испытание на смоделированных методом Монте-Карло данных. Оптимизация параметров алгоритмов и выбор наилучшего с точки зрения его отношения сигнал/шум. Набор экспериментальных данных с ФЭУ и TRB3 при освещении лазерными импульсами. Сбор данных с помощью пакета DABC. Обработка данных с помощью Go4 и собственной программы C++ с использованием пакета ROOT. Применение выбранного фильтра к экспериментальным данным.

Обзор возможных существующих стандартных решений Для снижения уровня шума существует большое количество фильтров. В работе были рассмотрены такие фильтры, как фильтр Калмана и фильтр Винера.

Фильтр Калмана Фильтр Калмана - это эффективный рекурсивный фильтр. Алгоритм фильтра состоит из двух фаз: прогноз и коррекция. Фаза прогнозирования использует оценку состояния из предыдущего такта работы для получения оценки состояния на текущем этапе. Эта прогнозируемая оценка состояния называется априорной оценкой состояния, поскольку она не включает в себя информацию наблюдения текущего шага. На этапе коррекции текущая априорная оценка объединяется с текущей информацией наблюдения для уточнения оценки состояния.

Фильтр Винера Фильтр Винера является линейным оптимальным фильтром. На вход фильтра поступают два сигнала: x[k] и d[k]. При этом d[k] содержит две составляющие – полезный сигнал s[k], который не коррелирован с x[k] и шумовую составляющую n[k], коррелированную с x[k]. Фильтр Винера обеспечивает на выходе оптимальную в среднеквадратическом смысле оценку y[k] коррелированной части сигнала (шума) n[k]. Эта оценка вычитается из d[k] и выход (ошибка) фильтра e[k] – это наилучшая по среднеквадратическому критерию оценка полезного сигнала.

Выбор пути решения Подходящие алгоритмы для фильтрации редких сигнальных событий при наличии шумовой составляющей в литературе не найдены. В работе были разработаны три собственных алгоритма фильтрации шумов, которые реализованы в Python. Для описания принципа работы алгоритмов кратко рассмотрим соответствующие им функции в программе.

Моделирование срабатываний детектора методом Монте-Карло Моделируется массив срабатываний от сигнальных событий (коррелированы по времени) и шумовых срабатываний (некоррелированы по времени) generate(Nphe, fnoise, sigma_t, stat, fint) Nphe – среднее число сигнальных срабатываний на событие fnoise – частота шумов (с−1) sigma_t – стандартная ошибка времени для сигнальных срабатываний в событии (нс) stat – число сигнальных событий fint – частота сигнальных событий (с−1) Возвращается numpy.ndarray формата [('time','float64'), ('truth','i4’)], где 'time' – время срабатывания детектора, 'truth' – идентификатор срабатывания (<0 – шум; >=0 – номер сигнального события, к которому относится срабатывание).

Алгоритм фильтрации №1 filter1(T, n, hits) T – временное окно для отбора срабатываний, n – минимальное число срабатываний во временном окне T; hits – массив срабатываний типа [('time','float64'), ('truth','i4')]. Фильтр отбирает те срабатывания, как сигнальные, в которых количество срабатываний детектора во временном окне T превышает или равно заданному количеству n.

Алгоритм фильтрации №2 filter2(p, k, T, hits) p – порог по среднему интервалу между срабатываниями; k – количество срабатываний; T – временное окно для отбора сигнальных срабатываний; hits– массив срабатываний типа [('time','float64'), ('truth','i4')]. Фильтр отбирает те срабатывания, как сигнальные, в которых средний интервал между первыми k срабатываниями не превышает заданный порог p, все остальные срабатывания в интервале T также отбираются, как сигнальные.

Алгоритм фильтрации №3 filter3(delta_t, T, n, hits) delta_t - длительность строба от хита; T – временное окно для отбора срабатываний; n – минимальное число срабатываний во временном окне T; hits – массив срабатываний типа [('time','float64'), ('truth','i4')]. Фильтр отбирает те срабатывания, как сигнальные, в которых «аналоговая сумма» последовательных срабатываний превышает заданный порог n. Под «аналоговой суммой» подразумевается сумма уровней прямоугольных импульсов длиной delta_t и началом, совпадающим с временем срабатывания.

Результаты исследования фильтров Шумовая эффективность – доля всех шумовых срабатываний, прошедшие фильтр как сигнальные. Сигнальная эффективность – доля всех сигнальных событий, 90% срабатываний которых прошли фильтр, как сигнальные. Оптимальные параметры определены сканированием результата фильтров по области параметров и нахождении минимальной шумовой эффективности при сигнальной эффективности не менее 0.99. Был выбран алгоритм фильтрации №3, как наиболее оптимальный.

Экспериментальная установка с H12700 и TRB3 ФЭУ H12700 (64 канала) засвечивается с помощью лазерных импульсов. Интенсивность лазера подобрана для одноэлектронных срабатываний в каналах. Присутствует паразитная постоянная засветка для эмуляции шумов. Сбор данных с помощью пакета DABC (разработка GSI). Перекачка данных в ROOT-файл с помощью пакета для анализа данных Go4 (GSI) и собственной программы на C++. Несколько событий сливаются для эмуляции системы с большим числом каналов и числом фотоэлектронов на событие 10-20. Фильтра №3, реализованный на C++, применен к экспериментальным данным.

Применение фильтра №3 к реальным данным Параметры фильтра для экспериментальных данных: delta_t = 5 (нс), T = 10 (нс), n = 3. Срабатывания, определенные как сигнальные, показаны красным цветом, остальные срабатывания показаны синим цветом.

Заключение Разработаны 3 алгоритма фильтрации данных по времени и реализованы на Python. Применены к данным моделирования методом Монте-Карло. Алгоритмы оптимизированы и выбран наилучший с точки зрения сигнал/шум Набраны экспериментальные данные с ФЭУ и TRB3 при освещении лазерными импульсами. Данные обработаны с помощью пакета Go4 и собственной программы C++ с использованием пакета ROOT. Выбранный алгоритм фильтрации успешной применен к экспериментальным данным.

Планы В настоящей работе был разработан алгоритм для отбора коррелированных по времени срабатываний и объединения их в событие, в дальнейшем планируется разработать алгоритм для отбора коррелированных по времени и координате срабатываний. Планируется реализовать алгоритм на языке VHDL для FPGA