铀转化设施异常检测新方法：融合C-DUCG与HDBSCAN的智能诊断模型

本研究针对核燃料生产关键设备立式氟化炉的异常检测难题，创新性地提出了融合知识驱动（C-DUCG）与数据驱动（HDBSCAN）的智能诊断方法。通过PCA降维处理和密度聚类分析，成功实现了对UF4进料管堵塞和氟气进口管泄漏等典型故障的精准诊断，为解决核工业故障数据稀缺、工况复杂等挑战提供了有效方案，对保障核设施安全稳定运行具有重要实践价值。

　　

在核能产业链中，铀转化设施承担着将四氟化铀（UF₄）转化为六氟化铀（UF₆）的关键任务，其中立式氟化炉作为核心反应设备，其运行状态直接关系到全球近500座商业核反应堆的燃料供应安全。然而，核工业场景下的故障诊断面临诸多特殊挑战：一方面，故障数据尤其是罕见故障样本极其稀缺，导致数据驱动模型训练不足；另一方面，设备运行工况复杂多变，监测参数具有多源异构、非线性分布等特征，传统方法难以适应动态变化的需求。

为解决这些难题，深圳大学物理与光电工程学院的研究团队在《Journal of Psychiatric Research》上发表了一项创新性研究，提出了一种融合立方动态不确定因果图（Cubic Dynamic Uncertain Causality Graph, C-DUCG）和层次密度聚类算法（Hierarchical Density-Based Spatial Clustering of Applications with Noise, HDBSCAN）的智能诊断方法。该方法巧妙结合了知识驱动模型与数据驱动算法的优势，既利用领域专家经验构建因果推理网络，又通过无监督学习挖掘数据内在规律，为复杂工业系统的故障诊断提供了新范式。

研究采用多技术融合的方法体系：首先对来自中国南方某铀业公司的氟化炉运行数据进行中值滤波预处理，消除监测信号中的噪声干扰；随后采用主成分分析（PCA）对11个关键运行参数（包括反应段温度、进出口压力等）进行特征提取与降维处理；进而应用HDBSCAN算法对降维后的数据进行密度聚类，自动识别异常运行状态；最后基于建立的氟化炉故障知识库，通过C-DUCG模型进行故障模式的匹配与因果推理。特别值得关注的是，C-DUCG模型采用三维连接方法，能够跨越时间片追踪故障演化过程，有效处理负反馈等复杂情况。

4.1. 数据来源

研究团队获取了中国某铀业公司氟化炉的实际运行监测数据，包含反应段温度、进出口压力等11个关键参数，为模型验证提供了真实工业场景下的数据支撑。

4.2. 数据集构建

通过对原始监测数据进行中值滤波去噪、异常值剔除与插值补全，构建了包含正常与故障状态的诊断样本集，并采用Min-Max标准化处理消除量纲影响。

4.3. 聚类结果

当设置最小聚类数量参数min(c)=20时，HDBSCAN将样本划分为三个主要簇集（橙色、紫色、黄色）和一个包含144个样本的噪声集（蓝色）。噪声样本与正常运行状态特征差异显著，被识别为潜在异常状态，为后续故障诊断提供了目标样本。

4.4. 诊断结果

通过匹配异常样本编号与原始监测数据，发现两段异常运行时段（6604-6615和11383-11394样本窗口）。第一段异常表现为进料斜管压力骤增31%，反应段T1、T2温度超限（>400°C），T3-T5温度梯度下降（T4、T5<350°C）；第二段异常表现为进气室压力下降40%，T3-T5温度同步低于350°C，T6温度超过400°C。基于氟化炉故障知识库的匹配诊断，确认这两段异常分别对应UF₄进料管堵塞和氟气进口管泄漏故障。

通过对故障演化过程的详细分析，研究人员绘制了两种故障的发展路径图。UF₄进料管堵塞故障的演化表现为：t1时刻出现X20,2异常信号；t2时刻扩展至X38,2、X39,2、X40,1、X41,1、X42,1等多参数异常；t3时刻进一步引发X3,2等系统级参数异常。氟气进气室泄漏故障则呈现不同的传播路径：t1时刻起始于X50,2异常；t2时刻发展为X40,1、X41,1、X42,1、X43,2等多点异常；t3时刻最终导致X3,1等系统级参数异常。

研究结论表明，基于C-DUCG与HDBSCAN融合的异常检测方法有效解决了核工业故障诊断中的样本稀缺和工况复杂两大难题。该方法不仅成功诊断出氟化炉运行中的两种典型故障，更重要的是提供了一种能够处理非线性分布数据和罕见故障的通用框架。其理论价值在于首次将立体DUCG理论体系与密度聚类算法相结合，实践意义在于为核设施安全监控与预防性维护提供了可靠的技术手段，降低了非计划停堆和放射性泄漏风险。该研究为复杂工业系统的智能诊断提供了可推广的技术路径，在核工业安全领域具有重要的应用前景。