1.模型结构及其改进
原始模型由多层栈(Stack)构成，且 Stack 内部由多层块(Block)构成，每一层均通过残差学习机制不断优化预测精度。其核心思想是利用前向预测(forecast)与残差回溯(backcast)的交替修正，依据不同类型的 Stack 实现对时间序列成分的逐层分解。
EAST 的实验数据在时序特征上呈现出明显的多尺度性和非平稳性，仅依赖原始模型的全连接结构难以对这种复杂模式进行充分建模。改进模型基于原始模型的通用配置，即采用 Identity 和 Exogenous 类型 Stack，并引入多尺度残差增强机制以提升对不同时间尺度动态变化的捕捉能力，结合通道-时间双注意力机制强化关键特征选择，同时在基函数部分采用优化后的卷积结构以增强对外生变量的建模能力，模型结构如图 1 所示。
为提升模型对不同时间尺度动态变化的感知能力，本文引入了一种多尺度残差增强机制(Multi-Scale Residual Refinement, MSRR)替换原始模型 Block 中的全连接层，分别提取不同时间尺度(短期、中期和长期)的残差信息，其结构如图 2 所示。
基于计算机领域中广泛应用的卷积块注意力模块(Convolutional Block Attention Module, CBAM)的设计思想，并对其进行维度适配与结构改造，提出了一种结合通道和时间注意力，且适用于一维时间序列的 CBAM-1D 模块，其结构如图 3 所示。
2.实验
EAST 装置由多个子系统组成，整体结构高度复杂，运行过程中涉及的监测参数数量庞大，且数据采集与管理难度较高。因此，本文将研究范围聚焦于磁体子系统以验证预测方法的可行性。磁体子系统是聚变实验的关键子系统，其中的超导磁体一旦发生失超，将可能导致磁体系统或相关部件的严重损毁，进而造成重大经济损失和安全风险。
实验数据来源于 2025 年 6 月放电实验期间数据，共包括 10 个特征，采样间隔为 1 秒，共 56,450 个采样点。考虑到实时预测的应用需求，选取最后 180 个采样点数据作为验证集，其余数据作为训练集。在磁体运行参数中，本文选取高温电流引线的顶端正极出口温度(HTS_TFP_O)作为预测指标。温度变化是判断超导磁体稳定性的关键因素和磁体失超的前兆。为了进一步提升预测精度，本文采用最大信息系数方法对实验数据进行相关性分析，从而在候选特征中筛选出对温度变化影响显著的两个外生变量，将其作为模型的输入。MIC 矩阵如图 4 所示。
本研究在以下实验条件下开展：采用 Python 3.6 和 Pytorch 框架实现，训练环境包括 CUDA 11.7.0 和NVIDIA RTX 4090 显卡，所有实验均在相同硬件与软件条件下完成，以保证结果的可重复性和公平性。
为构建训练集与验证集，采用滑动窗口的采样方式：输入窗口长度设为 300 步，预测输出长度设为 60 步。训练样本以 60 的步长滑动生成，最后三分钟的数据作为验证集，其余部分作为训练集。在训练过程中，优化器采用 Adam，初始学习率设为 0.001，并在验证误差不再下降时触发学习率衰减(衰减率 0.5，最大衰减 3 次)，最大训练迭代次数为 2000，早停策略设为 10，防止过拟合，且损失函数采用 MAE 进行模型评估。
为了直观描述模型的优劣，本文采用了平均绝对误差(MAE)、均方根误差(RMSE)和拟合系数(R2)作 为模型评价指标。
为证明本文的改进方法能够有效提升模型的预测精度，将所提出的改进模型与 LSTM、TCN、DeepAR、N-BEATSx 方法进行对比实验，预测的实验结果和指标如图 5 和表 1 所示。
1.总体架构
EAST 中央控制系统的核心目标在于实现实验放电过程的集中管理、各控制与诊断子系统的协同调度，以及关键实验数据的实时采集与监控。针对现有系统存在的不足，本文基于国产鸿蒙操作系统设计并实现了一种集人机交互、数据通信与智能监控于一体的中央控制系统总体架构，其结构如图 6 所示。
2.可视化界面设计
基于鸿蒙原生组件与开源鸿蒙生态库，本文完成了中央控制系统的用户可视化界面设计与实现，提供统一的人机交互入口，实现实验参数设置与控制、子系统状态展示、智能监控、个人中心等功能，有效支撑了实验运行过程中的监控与操作需求。
系统的界面设计遵循“清晰直观、稳定可靠、安全可控”的原则，采用深色系高对比度的科技感风格布局，以保证在复杂实验环境下的信息可读性和操作准确性。同时，通过模块化布局与信息分区显示，避免了关键参数与控制信息的相互干扰，提高了用户操作的效率与可靠性。系统首页如图 7 所示，集中展示了当前放电编号、运行状态等核心信息，用户可通过页面组件快速完成实验监控与控制操作。同时，系统还集成了第三章节所提出并改进的深度学习模型，对磁体子系统的实验数据进行实时分析和预测，从而实现智能化预警，如图 8 所示。
3.数据交互机制
数据交互模块是 EAST 中央控制系统实现高实时性与高可靠性的关键组成部分，其主要任务是在实验装置底层设备与前端用户界面之间建立稳定、高效的数据通道。本文基于 EPICS 框架，并采用输入输出控制器(Input Output Controller, IOC)对使用不同通信协议的设备进行统一管理，将设备数据映射为过程变量(Process Variable, PV)。系统结合 WebSocket 技术构建统一的数据交互机制，实现数据的实时订阅、推送与双向读写。系统启动阶段，后端服务初始化监听器并订阅预定义变量；客户端建立连接后，可根据权限选择性订阅变量，并实时接收服务器推送的数据更新。数据写入操作通过事件驱动机制触发，同时完成数据更新、状态反馈与日志记录。此外，为满足实验数据的存储与追溯需求，系统在事件驱动写入的同时引入定时采集机制，对关键数据进行周期性备份，并统一存储至数据库中。系统通过线程安全设计、响应式事件处理机制以及资源复用与连接清理策略，确保其在高并发访问与大规模变量管理场景下仍能够保持良好的实时性与运行稳定性。
4.系统测试（表2-3）
10个月宝宝每天需要喝多少奶粉？
