基于AI技术的核电站人因失误检测与识别系统研究：提升安全性的LightGBM模型创新应用

为解决核电站(NPPs)传统人工监测易出错的问题，Sharjah大学团队通过GPWR模拟器生成PORV故障和SBO事故数据，采用LightGBM等8种机器学习模型对关键参数(平均温度、加压水温度等)进行分析，最终LightGBM以98%的F1-score成为最优模型，为核安全提供了可解释的AI决策支持框架。

　　

核能作为清洁能源的重要选择，其安全性始终是公众关注的焦点。历史上三哩岛、切尔诺贝利和福岛核事故的惨痛教训表明，约70%的运行事件与人因失误(HE)直接相关。传统核电站依赖操作员实时监控数十个参数，在高压环境下极易出现认知过载。更棘手的是，真实核事故数据因安全限制难以获取，现有AI研究多局限于子系统分析，缺乏整体性验证。

University of Sharjah（沙迦大学）的Muhammad Zubair团队创新性地采用Generic Pressurized Water Reactor (GPWR)模拟器，生成包含正常工况、站用电源丧失(SBO)和先导式安全阀(PORV)故障的三类场景数据。研究聚焦四个关键参数：平均温度(^oC)、加压水温度(^oC)、主蒸汽流量(kg/s)和给水流量(kg/s)，通过对比LSTM、随机森林等8种算法，发现LightGBM(轻量梯度提升机)在早期故障识别中表现卓越——其叶片生长策略和直方图优化使SBO检测F1-score达98%，比传统方法提前900秒预警，且内置特征重要性排序功能增强了模型可解释性。

关键技术包括：1) 基于GPWR模拟器生成4500组时间序列数据；2) Z-score标准化和缺失值处理；3) 采用SHAP值解释模型决策；4) 通过混淆矩阵验证多分类效果。

研究结果显示：

1. 模型比较：LightGBM在四项参数测试中平均准确率达95%，远超Kernel SVM(91%)。特别是对加压水温度的监测，召回率(Recall)达97%，意味着几乎不漏报任何异常。

2. 事故识别：PORV单阀开启(v1)时，模型在15:08即检测到温度异常，比人工识别快3分钟。特征重要性分析显示主蒸汽流量变化是首要指标。

3. 可解释性：通过SHAP值可视化，证实平均温度每升高1^oC会使SBO预测概率提升62%，这帮助操作员理解AI决策依据。

讨论部分指出，该研究的创新性在于：首次将LightGBM的leaf-wise生长策略应用于核安全领域，其处理缺失值的天然优势适应核电站传感器偶发故障场景。但局限在于仅验证了PWR堆型，未来需扩展至沸水堆(BWR)和小型模块化堆(SMR)。作者建议分三阶段推进实际应用：模拟测试→与HAI(人机交互)系统整合→监管认证，并强调AI应作为"决策支持者"而非替代人类判断。

这项发表于《Results in Engineering》的研究，为破解核安全领域"数据孤岛"困境提供了新思路——通过高保真模拟数据训练可解释AI，既规避真实事故数据稀缺问题，又实现比传统阈值报警更早的故障预测。其方法论对航空、化工等高危行业的智能监控系统开发具有重要借鉴价值。