《Annals of Nuclear Energy》：A deep learning-based prognostic approach for predicting PWR degradation and remaining useful life using GNN-PTC-LSTM
编辑推荐：
压水堆核电站故障预测与剩余寿命评估研究提出GNN-PTC-LSTM混合模型，集成图神经网络捕捉子系统拓扑关联、物理约束LSTM建模时序动态及OC-SVM异常检测，基于PCTRAN模拟数据实现99.1%故障分类准确率与0.0042 MAE寿命预测误差。
Shadman Ahmad Khattak|刘永国|刘玉坤|高家荣|史周新|刘吉
中国哈尔滨工程大学海洋热能及动力国家重点实验室，哈尔滨150001
摘要
早期故障检测和预测对于确保复杂核系统的正常运行和安全操作至关重要，尤其是在核能生产领域。压水反应堆（PWR）的剩余使用寿命（RUL）预测是防止逐渐退化和灾难发生的关键参数之一。本文提出了一种混合模型，该模型结合了图神经网络（GNN）、物理拓扑约束和长短期记忆网络（GNN-PTC-LSTM），基于核电站的2环PWR PCTRAN数据集进行故障预测和剩余使用寿命预测。该框架利用图神经网络（GNN）捕捉反应堆子系统之间的空间依赖性，同时集成PTC-LSTM模块，将物理拓扑和电站动态作为时间序列学习约束。与纯统计模型的传统LSTM相比，基于物理知识的PTC-LSTM能够结合领域知识的先验理解，减少违反已知物理/拓扑约束的错误预测结果，并降低由于虚假数据相关性导致的误报。此外，还使用了一类支持向量机（One-Class SVM）对多变量遥测数据进行异常检测，以便及早发现异常行为。在模拟的PWR事故场景下，所提出的GNN-PTC-LSTM框架实现了99.1%的总体故障分类准确率、98.2%的早期预警准确率，以及0.0042的平均绝对误差（MAE）和0.0105的均方根误差（RMSE）的竞争性RUL预测性能。
引言
在美国，大约19%的电力来自100座商用核反应堆。面对老化电力设施带来的变化，有效的预测和健康管理对于维护可靠性、安全性和经济可持续性至关重要（Agarwal等人，2015年）。在核电站中，意外的资产故障可能导致昂贵的停电和长时间的停机。为了减轻这些问题，广泛采用了状态监测和预测方法来评估资产健康状况并提供寿命延长措施（Blair等人，2022年）。
第四次工业革命由工业物联网和先进数字化驱动，通过工业4.0的概念正在改变当今的产业。工业4.0旨在通过预测性维护提高资产可用性和可靠性，并明确了其与核电站故障预测和剩余使用寿命预测的相关性。通过提高资产可用性来减少维护成本将是这一转变的重点。在这方面，人工智能（AI）和网络系统在数据驱动的预测性维护和故障预测方法方面取得了快速进展。对于核电站等复杂过程系统而言，准确预测退化和剩余使用寿命非常重要，因为这可以提前预警故障问题，防止灾难性故障，同时确保安全运行和系统的长期可靠性。
核电站是复杂且安全至关重要的系统，其中的小故障可能导致严重后果。因此，先进的故障诊断和预测方法对于确保可靠性和防止潜在故障至关重要（Velasco-Gallego和Lazakis，2023年）。故障诊断和预测是基于状态的维护系统的关键组成部分，旨在减少停机时间并提高运行可靠性。最近的进展结合了基于模型和数据驱动的方法，以实现复杂工业系统的智能预测性维护。先前的研究采用了基于信号和数据驱动的方法进行机器故障诊断和预测，重点介绍了人工神经网络（ANN）、支持向量机（SVM）和隐马尔可夫模型（HMM）等代表性技术（Tung和Yang，2009年）。
近年来，核电站和其他行业的预测和预测性维护取得了实质性进展。能源供应安全和全球气候变化的风险增加了核能在全球能源结构中的份额，因为所有核电站的二氧化碳排放量为零。但是，关键组件的安全和可靠运行仍然是一个巨大挑战，需要强大的预测和健康管理系统的支持。核电站系统中的早期异常检测能够及时采取纠正措施，防止故障升级并增强运行韧性，这一点通过最近的基于机器学习的故障诊断研究得到了证明（Hu等人，2021年）。近年来，剩余使用寿命（RUL）的预测被视为预测性维护（PHM）的重要任务，也是改进维护计划和避免停机的关键要素。在核电站系统中，轴承等关键组件的剩余使用寿命（RUL）的准确预测对于最小化停机时间和降低维护成本至关重要。作者提出的分阶段RUL预测模型采用了两种不同的方式从数据中导入知识：通过相关性进行特征提取，以及结合长短期记忆（LSTM）的混合图神经网络（GNN）来加强预测（Sun等人，2022年；Huang等人，2025年）。
预测性和健康管理（PHM）通常需要运行至故障的数据，以弥合对象当前状态或条件与准确剩余使用寿命（RUL）之间的差距。先前的研究提出了一种基于数据驱动的相似性方法，该方法将不同系统中的退化模式进行映射，以改进剩余使用寿命的估计（Wang等人，2008年）。工业4.0为预测性和健康管理（PHM）提供了丰富的多感官数据。然而，数据的昂贵标注需要无监督和半监督方法来精确预测剩余使用寿命（RUL）（Verstraete等人，2020年）。
现有的基于深度学习的预测模型主要依赖于需要标记故障数据进行训练的监督学习框架，这限制了它们在故障标签稀缺场景中的适用性（Young等人，2024年；Gu等人，2023年；Wang等人，2020年；Cheng等人，2025年；Huang等人，2025年）。尽管取得了 recent 的进展，但深度学习方法在故障预测和预测方面的发展仍面临若干挑战。大多数现有方法依赖于完全监督学习，并需要标记的故障数据，这限制了它们在故障数据稀缺或不可用的实际场景中的适用性。然而，在开发基于深度学习的故障预测方法时，仍有一些需要解决的局限性和问题。本研究使用了PCTRAN模拟器生成的模拟压水反应堆运行数据，涵盖了正常运行和代表性事故场景，如局部失水（LOCA）、蒸汽发生器管破裂（SGTR）和蒸汽发生器管内泄漏（SLBIC）。
•在无监督环境中缺乏标记的异常数据会导致问题识别的延迟和不可靠性。
•依赖健康数据进行训练限制了风险模型的泛化能力，导致故障出现时预测错误。
•在高维过程数据中，有效的早期故障预测受到特征提取和预测挑战的制约。
为了克服上述缺点，本文提出了一种多步骤多变量模型框架，并结合了一类支持向量机（OC-SVM）。如图1所示，GNN通过将传感器/组件视为节点，将它们的物理/相关性链接视为边来建模过程拓扑，执行消息传递以提取捕捉变量间依赖性的结构感知特征。然后LSTM按时间顺序摄取这些图嵌入，学习动态并预测特征变量的多步未来轨迹。最后，在健康运行条件下训练的OC-SVM对预测窗口（或预测残差）进行操作，以识别初期故障症状。
本文的结构如下：第1节介绍研究背景和动机。第2节讨论问题陈述并强调当前故障预测方法中存在的挑战。第3节解释了本研究中采用的整体研究方法。第4节提出了混合GNN-PTC-LSTM和OCSVM。第5节展示了实验结果和模型性能的详细讨论。最后，第6节总结了本文的主要发现和潜在的未来研究方向。本文中使用的缩写在表1中列出，以便更好地表示。
部分片段
问题陈述
在PWR中，一种具有挑战性的主流故障诊断和预测方法是使用优化技术（如Sparrow搜索算法SSA）的SVM模型，这些模型具有很高的潜力，但受到耗时的大量退化特征构建工作的限制，并且对分析师的主观性敏感（Lv等人，2021年）。
即使通过先进的元启发式算法进行了优化，传统模型仍然受限于对手动特征提取和主观分析师输入的依赖，这限制了它们的效果
方法论
核电站（NPP）事故分析的故障诊断方法涉及多个系统步骤。首先，使用2环PWR PCTRAN模拟器生成了各种事故场景的数据集。采用了数据驱动的故障诊断框架，其中数据集被划分为训练集、验证集和测试集，以实现有效的故障状态分类。
图1展示了所提出的GNN-LSTM框架的整体工作流程。
数据集收集
模拟实验数据来自一个两环PWR模型，在正常和异常条件下生成，包括局部失水（LOCA，热腿端1-3平方厘米的断裂）、蒸汽管线断裂、污染物以及蒸汽发生器管破裂等情况，达到稳态运行后有50秒的延迟。每个场景模拟了大约400秒，产生了九个故障数据集和一个包含26个监控参数的正常数据集，如表2所示。
图5展示了
PWR系统中的关键传感器降维和故障特征分析
如图9所示，相关矩阵显示26个反应堆信号之间存在显著冗余，需要进行特征选择。为了保留关键反应堆动态同时减少冗余，保留了六个代表性传感器：P（压力）、TAVG（平均RCS温度）、THA（热腿温度）、THB（热腿温度）、PSGA和PSGB（蒸汽发生器压力）用于分析。图10中的故障模式可视化表明，在LOCA、SGTR和SLBIC情况下，这些信号表现出明显的偏差
结论
本研究提出了一种混合故障预测框架，该框架结合了图神经网络（GNN）和物理拓扑约束的长短期记忆（GNN-PTC-LSTM）模型以及一类支持向量机（OC-SVM），用于压水反应堆系统的早期故障检测。所提出的模型有效解决了故障预测中的三个主要挑战：在无监督条件下缺乏标记的异常数据、仅基于健康数据训练的模型的有限泛化能力
利益冲突声明
作者声明他们没有已知的竞争性财务利益或个人关系可能会影响本文报告的工作。
致谢
本研究得到了国家自然科学基金（12575335）支持的项目资助。
