《Annals of Nuclear Energy》：Interpretability study on generalization ability of data-driven fault diagnosis methods under domain shifts for nuclear power plants: From the perspective of data representations
编辑推荐：
•研究了数据表示方式对模型泛化能力的影响。•提出了一个分析泛化能力机制的框架。•从全局和局部视角对模型泛化能力进行了解释。•采用多源联合训练来增强模型泛化能力。•最高平均准确率达到98.82%。引言在数字和传感器技术快速进步的推动下，现代核电站（NPPs）正朝着更高层次的集成
- •
研究了数据表示方式对模型泛化能力的影响。
- •
提出了一个分析泛化能力机制的框架。
- •
从全局和局部视角对模型泛化能力进行了解释。
- •
采用多源联合训练来增强模型泛化能力。
- •
最高平均准确率达到98.82%。
引言
在数字和传感器技术快速进步的推动下，现代核电站（NPPs）正朝着更高层次的集成化和自主化方向发展，在此过程中产生了大量高维且强耦合的监测数据（Lu等，2020）。有效挖掘这些数据中的潜在模式，以实现关键部件或整个系统的精确健康评估和故障早期检测，已成为确保安全可靠运行、提高维护效率和降低成本的核心挑战（Hsieh和Tsvetkov，2025；Li和Lin，2021）。在此背景下，数据驱动的故障诊断方法因其能够在不依赖精确物理模型的情况下建模复杂非线性关系，而受到了广泛的研究关注和应用（Li等，2025；Li等，2026；Li和Lin，2022；Liu等，2026；Zhong等，2023）。
传统的数据驱动故障诊断方法通常假设训练数据和测试数据来自相同或相似的分布（Li等，2022a）。然而在实际应用中，核电站的运行工况往往随生产需求动态变化，导致训练数据和测试数据之间出现分布偏移，从而造成显著的性能下降，进而限制了数据驱动诊断方法在核电站中的实际应用。
为缓解分布偏移的负面影响，领域自适应（DA）方法（如迁移学习）已在核电站中得到广泛的研究和应用（Ma等，2025；Wang等，2022；Zhong和Ban，2022）。通过利用有标签的源域数据和无标签或稀疏标签的目标域数据来对齐相关域之间的特征分布，领域自适应方法增强了模型在目标运行工况下的性能（Liu等，2023）。然而，该方法在训练过程中对目标域数据的需求限制了其在实际场景中的适用性，因为运行工况的快速变化使得目标域数据的及时获取既不及时也不经济（Dong等，2023）。为克服这一局限，领域泛化（DG）方法应运而生，通过多源域联合训练（Jiang等，2024；Lin等，2023）、领域对抗训练（Chen等，2022；Yuan等，2025）和元学习（Khoee等，2024；Shu等，2021）来学习更具泛化性的特征表示，使模型能够在训练过程中不接触目标域数据的情况下，有效泛化到未见过的目标域。
尽管现有研究在一定程度上提高了数据驱动故障诊断模型的泛化能力，但仍然存在两个关键局限：(i) 现有研究主要聚焦于改进模型架构或训练策略，而对不同数据表示方式的影响关注相对不足。事实上，由不同特征缩放方法生成的数据表示在域不变特征（DIFs）和域敏感特征（DSFs）之间表现出显著的分布差异，这可能显著影响模型的学习过程和泛化能力。(ii) 在现有研究中，未见过运行工况下的诊断准确率受到主要关注，而驱动模型泛化能力变化的潜在机制的可解释性则被忽视。这种可解释性的缺乏阻碍了模型的可信度，限制了其在核电站中的实际应用。
本研究开展系统性研究，以解决上述局限，并揭示不同数据表示方式影响核电站故障诊断模型泛化能力的潜在机制。采用典型的压水堆（PWR）核电站强耦合高维数据集，分析了不同数据表示方式对数据驱动故障诊断模型泛化能力的影响。通过不同的特征缩放方法构建具有不同表示的数据集。随后，利用基于SHAP（SHapley Additive exPlanations）的事后可解释性分析，从全局和局部视角识别驱动模型决策的关键特征。进而通过泛化能力评估与可解释性分析的整合，揭示了数据表示与模型泛化能力之间的潜在机制。
本文的主要贡献总结如下：
- 1.
对核电站故障诊断领域中一个目前缺乏深入研究的重要问题进行了定性和定量分析：不同特征缩放方法引起的不同数据表示方式，在领域偏移条件下对数据驱动故障诊断模型泛化能力的影响。揭示了数据表示方式对核电站故障诊断模型泛化能力的重要影响。
- 2.
通过基于SHAP的可解释性分析揭示了泛化能力差异的潜在机制，在核电站中建立了数据表示与模型泛化能力之间的明确关联。据此，为提升核电站故障诊断模型的泛化能力提供了新的见解和实用指导，这可以通过优化特征缩放方法来获得更具泛化性的数据表示实现。
本文其余部分组织如下。第2节介绍了特征缩放原理、诊断模型架构以及所使用的模型解释方法。第3节描述了所提出的框架。第4节描述了实验数据和模型配置。第5节报告了泛化性能和相应的可解释性分析。第6节总结了研究结论并指出了未来工作的方向。
章节摘要
特征缩放方法
在核电站的数据驱动故障诊断中，特征缩放是一项关键的预处理步骤。数据的表示方式，特别是域不变特征（DIFs）和域敏感特征（DSFs）的相对量级，会被不同的缩放方法显著改变。因此，在不同表示数据上训练的模型将表现出不同的收敛行为、泛化能力和特征依赖模式。在本研究中，采用了四种具有不同代表性的特征缩放方法。
所提出的框架
提出了一个框架，用于研究不同数据表示方式对模型泛化能力的影响，并揭示不同数据表示方式影响核电站诊断模型泛化能力的潜在机制。如图1所示，所提出的框架包含五个关键阶段：(a) 数据预处理，(b) 模型训练与泛化能力评估，(c) 样本级局部解释，(d) 模型级全局解释，以及 (e) 。
数据集描述
在本研究中，选取一个压水堆（PWR）核电站作为案例系统，研究结论可为提高其他核电站故障诊断泛化能力提供理论指导。利用RELAP5和Simulink开发了一个三环路百万千瓦级PWR核电站的数字模型，从中采集了包含135个关键运行参数的数据。此前的研究结果（Niu等，2026）表明，2%的功率区间可以表征模型性能随功率变化的趋势。
结果
本节评估了由特征缩放方法引起的不同数据表示方式对核电站数据驱动故障诊断模型泛化能力的影响，并通过可解释性分析揭示了其潜在机制。
结论
在核电站智能故障诊断领域，数据驱动方法在领域偏移条件下的泛化能力仍是一个关键但尚未解决的问题。本研究系统地定量评估了由不同特征缩放方法引起的数据表示方式对核电站数据驱动故障诊断模型泛化能力的影响。此外，通过基于SHAP的……
利益冲突声明
作者声明不存在已知的可能影响本文所报告工作的竞争性财务利益或个人关系。
致谢
作者感谢国家自然科学基金委员会（编号：12405200）、核电安全技术及装备国家重点实验室 + 开放基金项目（编号：SKL–2024-WT–03）、中央高校基本科研业务费（编号：3072025PT1501）以及黑龙江省省属本科高校青年骨干教师基础研究支持项目（编号：KY11500230132）为本研究提供的资金支持。
牛振峰|李江宽|徐皎神|林萌|朱晨昕|张太熙|谭思超|田瑞峰
