近日，热科学和能源工程系胡茂彬副教授研究组在核能装置的故障诊断方面取得重要进展。研究团队提出基于CNN-LSTM-Transformer 的混合架构模型，对核能装置传感器数据漂移、失真、噪声情况下的故障进行快速准确的早期识别。相关成果以“Fault diagnosis of nuclear power systems under noise interference based on CNN-LSTM-Transformer”为题，发表于核能领域的JCR Q1期刊Annals of Nuclear Energy。
核能是“双碳”战略中最重要的稳定基荷电源之一。然而，核能系统一旦失控，后果是不可逆转的。历史上三里岛、切尔诺贝利等重大核事故，背后都有故障未能被及时准确诊断的原因。核电站的非计划停堆损失巨大，一次停堆的经济损失可能高达数千万甚至上亿。故障诊断系统能在异常出现的早期阶段就识别出问题，为操纵员提供故障原因、发展趋势和处置建议，争取宝贵的反应时间。
核电厂多个系统之间高度耦合，一个参数异常可能由多种故障引起，同一种故障又可能导致多种参数表现。核电系统运行安全要求极高，核能故障样本极度匮乏，缺乏真实故障数据来训练模型。反应堆内部高温、高压和强辐射环境导致很多常规传感器无法长期稳定工作，传感器可能因辐射损伤而漂移甚至失效，导致测量数据本身就不可靠。
图1.典型核能装置及故障位置示意图
针对上述挑战，研究组基于核能系统仿真，结合真实运行数据，获取了十余种典型故障的数据，其中对制冷剂失流故障生成了多种剧烈程度的样本，并在不同位置的传感器上加入漂移、噪声、失真以及完全失效的干扰。采用CNN-LSTM模型，充分耦合传感器之间的拓扑关系和物理机制关联以提高模型可解释性，结合Transformer加入通道、空间关系注意力机制，实现了对故障的快速准确识别。结果表明，本文所提出模型在普通10%噪声、漂移的条件下达到了98.5%的高准确率，在50%高噪声、高漂移的条件下，所建立的模型仍能达到96.7%的诊断精度。
图2.提出的故障诊断混合模型架构
核能装置故障诊断的可解释性要求极高。研究组对该模型进行了一系列改造和加强，不但能够发现“系统有某个问题”，而且能解释“为什么有问题”。该模型浓缩后对计算资源的要求很小，未来可应用于核能装置的故障诊断工程落地。
图3.10%,30%和50%噪声条件下的混淆矩阵
热科学和能源工程系但德盛同学为该论文第一作者，胡茂彬副教授为通信作者，中国科学院核能安全所郁杰研究员，中国科学技术大学工程科学学院裴刚教授为合作作者。本工作得到了中国科学院先导专项和中国科学院核能安全所专项基金的资助。
论文链接：https://doi.org/10.1016/j.anucene.2026.112387
【博导简介】
胡茂彬副教授为热科学和能源工程系博导，长期从事能源交通融合、复杂能源系统方面的研究，提出了多种优化路径选择和交通管理方法，实现交通系统节能和减排；并在太阳能-储能系统的耦合优化，以及核能系统的模拟仿真、状态预测和故障检测方面进行了一系列深入的探索，在能源、交通领域的国际知名期刊如 Energy, Energy Conversion & Management, Transportation Science, Transportation Research part A-F上发表论文150余篇，他引6000余次。
