基于CNN-LSTM-Transformer的核电系统在噪声干扰下的故障诊断

《Annals of Nuclear Energy》：Fault diagnosis of nuclear power systems under noise interference based on CNN-LSTM-Transformer

本文提出基于CNN-LSTM-Transformer的核能系统故障诊断模型，采用小波变换提取时频域特征，结合贝叶斯优化调参，有效识别多故障及单故障不同严重程度，在10%噪声下准确率达98.5%，50%噪声下仍保持86%平均准确率。

　　

德生丹|毛斌虎|袁浩旭|刘海燕|建黄|杰宇|刚培

中国科学技术大学工程科学学院，安徽合肥230026，中华人民共和国

摘要

核能是一种重要的能源形式，其安全性一直是一个主要关注点。人工智能（AI）方法的出现有可能显著减少人为错误的发生，从而降低核事故的风险。本文提出了一种基于卷积神经网络（CNN）、长短期记忆（LSTM）和Transformer模型的新算法（CNN-LSTM-Transformer），用于在噪声干扰下对核能系统进行故障诊断，该算法能够处理多种故障的识别以及不同严重程度的单一故障诊断。首先使用平稳小波变换（SWT）方法获取原始数据的时间域和频率域特征，然后将这些特征输入到CNN-LSTM-Transformer模型中进行训练和故障诊断。采用贝叶斯优化（BO）方法来优化相关超参数。结果表明，在10%的噪声条件下，该算法在多故障识别案例中的准确率可达到98.5%；在50%的噪声条件下，准确率略微下降至96.7%，显示出良好的鲁棒性。在诊断不同严重程度的单一故障时，该方法在10%的噪声条件下准确率为96.5%，在50%的噪声条件下平均准确率仍能达到86%。所有结果均证明了所提出方法在核能故障诊断中的有效性和鲁棒性。

引言

过度使用化石燃料导致全球环境严重恶化（Morgan和MacNeil，2025年）。近年来，越来越多的证据表明，极端天气事件（包括但不限于冰川融化、海平面上升和雾霾）也对人类生活产生了负面影响（Dong等人，2025年；Zhang等人，2025a年）。核能作为一种清洁能源，具有许多优点，包括高燃料能量密度和稳定的电力供应。它被广泛认为是化石燃料的优良替代品（Georgescu和Kinnunen，2025年；Yasir Mehboob等人，2024年）。根据统计，1960年至2020年间，全球核反应堆数量从15座增加到442座，年均增长率为47%（Bohdanowicz等人，2025年）。

然而，该领域的快速发展也暴露出了一些问题。三里岛（Kefayati和Armandeh，2024年）、切尔诺贝利（Sich，2021年）和福岛（Tsutsui等人，2024年）的核事故给世界带来了巨大的经济和环境损失，并加剧了公众对核安全的担忧。研究表明，大约90%的核事故可归因于人为因素，包括不安全的操作实践和对事故根本原因的错误判断（Zhang等人，2025b年）。因此，近年来开发智能辅助系统以减轻人为因素对核电站安全的影响已成为一个日益关注的话题（Elbordany等人，2025年）。

人工智能（AI）的出现在该领域引发了重大变化，越来越多的智能算法被应用于故障诊断领域（Hossain等人，2025年）。Ali等人开发了一个预测性维护故障诊断框架，用于评估太阳能光伏发电系统的可靠性（Hamza等人，2025年）。Wang等人提出了一种结合物理机制、领域知识和神经网络的方法，以促进HVAC系统的有效故障诊断（Wang等人，2025b年）。Jiang等人利用时空聚类和自适应残差网络实现了风力系统俯仰轴承的智能故障诊断（Jiang等人，2025b年）。

在核能领域，AI在故障诊断方面有更广泛的应用（Arhouni等人，2025年）。Wang等人引入了最小二乘支持向量机（LS-SVM）方法，并使用高斯过程回归（GPR）方法实现了核能系统中故障的识别和严重程度评估（Wang等人，2021年）。Yin等人专注于在样本量较少的情况下诊断核能系统中的旋转机械故障。原始数据通过同步小波变换进行处理，并构建了结合深度卷积网络和迁移学习的方法，平均准确率为95.21%（Yin等人，2025年）。Zhang等人设计了一个多关系图模型，用于诊断核电站循环水泵中的故障（Zhang等人，2025c年）。他们的模型解决了传感器特性损坏多源信号的问题。此外，人们非常关注开发可靠的故障诊断系统。Zhou等人提出了一种基于概率贝叶斯的不确定性感知模型，大大提高了其在工业应用中的可信度（Zhou等人，2022年）。Yao等人将这种不确定性感知的深度神经网络应用于核电站（Yao等人，2024年）。这不仅能够在已知运行场景中进行故障诊断，还能确定模型在未知场景下的输出置信度。表1比较了近期核能系统故障诊断算法的发展。这些研究极大地推动了核能系统智能诊断系统的发展。然而，大多数模型主要是基于理想运行数据开发和测试的。实际上，核电站的性能数据是在包含各种类型噪声的复杂环境中收集的，包括电气噪声、信号漂移和模型的认知不确定性等。迫切需要开发一种考虑噪声干扰的核能系统故障诊断的可靠算法。

另一方面，核电站是高度复杂的多物理系统，集成了各种用于监测性能数据的传感器（Cui等人，2023年；Cui等人，2022年）。建立一种算法来捕捉多传感器数据之间的关系及其序列中的长期依赖性，可以大大提高故障诊断的准确性。此外，现有研究主要关注AI算法识别多种故障的能力，而对同一故障的不同严重程度场景考虑较少。同一故障意味着相似的特征，这更难以区分，因此需要AI算法具有更高的泛化能力。

本文开发了一种CNN-LSTM-Transformer算法，用于在噪声干扰下处理多种故障和不同严重程度的单一故障。本文的主要贡献可以总结如下：

(1) 采用了基于平稳小波变换（SWT）的数据处理方法，能够同时捕获原始数据的时间域和频率域特征。

(2) 开发了一种具有贝叶斯优化超参数的CNN-LSTM-Transformer故障诊断模型，用于核能系统的故障诊断。具体来说，所提出的方法采用分层结构：CNN层用于从这些组件中提取高级空间特征。为了处理核能系统数据中固有的时间依赖性，集成了LSTM网络。最后，应用Transformer模块来捕捉全局相关性，显著提高了在噪声干扰下的诊断准确性。该模型大大提高了在不同噪声水平下的感知能力和故障诊断的准确性。

(3) 评估了该模型在不同噪声条件下识别多种故障和同一故障不同严重程度的能力。与三种典型算法（CNN、LSTM和CNN-LSTM）相比，结果表明该模型在噪声干扰下的故障诊断方面具有显著优势。

本文的结构如下。第2节介绍了核能系统的PCTRAN仿真及相关故障的考虑。第3节展示了本文开发的CNN-LSTM-Transformer故障诊断方法。第4节证明了该模型的故障诊断能力，并将其结果与三种典型算法（CNN、LSTM和CNN-LSTM）进行了比较。第5节提出了结论和未来展望。

章节片段

PCTRAN

本研究中使用的核系统仿真软件是Personal Computer Transient Analyzer（PCTRAN），由Micro Simulation Technology公司开发，广泛用于模拟反应堆瞬态和事故（Yao等人，2024年）。该软件能够模拟核能系统的标准运行和主要故障场景。此外，它还能够监测核心功率、燃料和包壳等性能参数

原始数据及噪声添加

本研究使用PCTRAN软件模拟的数据。为了使结果更符合实际情况，在每个案例中添加了均值为0、标准差为原始数据标准差10%的高斯白噪声（Xu等人，2025年）。在后续分析中，还使用了标准差为原始数据标准差10%～50%的数据。如下方程所示：$X_i=x_i+{\mathrm{noise}}_i$x_i表示

评估指标

为了准确评估模型的性能，本文使用准确率（Acc）和F1分数（F1）作为主要评估指标。准确率定义为正确分类样本的数量与总样本数量的比例。F1分数是一种平衡精确度和召回率的调和平均值，是一种常用的评估指标。这些指标的计算方法如下（Jiawei等人，2025年）：