用于核电站设备跨领域故障诊断的对抗性领域适应技术

《Annals of Nuclear Energy》：Adversarial domain adaptation for cross-domain fault diagnosis of nuclear power plant equipment

核工业数据分布差异下，本文提出基于对抗学习的跨域故障诊断方法，通过特征提取器与域判别器的对抗训练实现域不变特征学习，在旋转机械与反应堆工况数据集验证了其在跨转速、跨噪声场景下的有效性。

　　

鲜平 中 | 春森 史 | 海阳 刘 | 衡 班

浙江大学物理学院，中国杭州 310058

摘要

近年来，基于机器学习的数据驱动故障诊断在核工业中得到了广泛研究。然而，大多数研究假设源域（模型训练的地方）的数据分布与目标域（模型部署的地方）保持一致。实际上，由于运行条件的变化和工业环境的复杂性，这一假设往往不成立。尽管具有重要意义，但核工业中跨域设备故障诊断的研究仍处于早期阶段。

在本文中，我们系统地研究并验证了一种基于对抗性的领域适应方法，将在一个领域训练的深度神经网络模型适应到另一个相关但不同的目标域。所采用的范式整合了基于深度网络的特征提取器、领域判别器和分类器。在训练过程中，特征提取器和领域判别器进行对抗性交互，使特征提取器能够学习出领域不变的特征，从而实现准确的跨域分类。为了评估这种方法的有效性，我们选择了两种代表性方法，并在三个数据集上进行了故障诊断实验，包括两个旋转机械数据集和一个反应堆运行条件数据集。跨域任务包括在不同旋转速度和背景噪声条件下的适应。结果表明，所采用的范式在跨域故障诊断中具有有效性和鲁棒性。

引言

现代核电站是高度复杂的集成人机网络系统。在这样的系统中，设备故障会严重影响安全性和可用性。如果不能及时有效地识别故障，即使是小故障也可能升级为灾难性故障。实施鲁棒的故障诊断技术可以为核电站操作员提供实时协助，使他们能够快速检测到正在发展的故障并采取适当的纠正措施来减轻其后果。

核电站设备的运行受到基本物理定律的支配，如质量守恒、能量守恒和动量守恒。当发生故障时，这些平衡被打破，导致受影响设备出现特定的行为模式。通过理解这些由故障引起的行为模式并选择适当的测量方法，可以诊断出故障。

现有的核电站设备故障诊断技术分为两大类：基于模型的方法和数据驱动的方法。基于模型的方法依赖于专家知识或动力学建模来分析故障（Chang等人，1995年；Choi等人，1995年；Gautam等人，2019年；Li，2001年）。虽然这些方法具有很强的物理可解释性，但随着现代设备变得越来越复杂，它们的可靠性有所下降。相比之下，数据驱动的方法使用标记的故障数据训练机器学习模型，并通过模式匹配与测量信号来诊断故障（Hu等人，2021年；Li和Lin，2022年）。随着数字仪器在核电站中的广泛应用，不依赖于明确故障生成机制的数据驱动方法因其适应性和有效性而受到越来越多的关注。

数据驱动的故障诊断方法包括多种技术，如概率统计、信号处理和机器学习。这些方法通常可以分为两类。第一类涉及预处理步骤，如故障特征提取和特征选择，其中关键特征是从获取的信号中提取出来的，然后输入到传统的机器学习模型中进行分类。这些方法的有效性通常取决于提取特征的质量，这些特征通常是基于领域专业知识选择的，并需要特定的信号预处理技术。第二类直接将原始传感器数据输入到深度神经网络进行分析。深度神经网络可以从大量数据中自动提取相关特征，并有效地捕捉信号与健康状态之间的复杂映射关系。这种能力减少了对手动信号处理和专家知识的依赖，使得深度学习特别适合于诊断多样化的、非线性的和高维的健康监测数据。

在数据驱动的故障诊断研究中，数据作为诊断知识的载体，在决定机器学习模型的性能方面起着关键作用。为了确保训练模型的鲁棒性和可靠性，通常做出两个基本假设：（1）有大量高质量的标记数据可用；（2）用于测试的数据与训练数据遵循相同的分布，满足独立同分布（I.I.D.）条件。然而，在核电站设备故障诊断的实际应用中，这些假设经常被违反。

•

故障数据的稀缺性：从核电站获取真实世界的故障数据本质上具有挑战性。大多数监控数据反映了正常运行条件，只有少量的故障实例被记录下来，而且其中更少的被手动标记。这种稀缺性是因为不能故意在工厂系统中引入故障以收集数据。此外，关键设备经过严格的认证程序和检查，确保了高可靠性，从而减少了故障的发生。因此，故障数据的有限可用性阻碍了训练出高诊断精度模型的能力。

•

实验室数据与真实世界数据之间的差异：由于真实世界故障数据的稀缺性，实验室生成的数据经常被用作训练故障诊断模型的补充。然而，实验室条件和真实世界核电站环境之间存在显著差异。首先，两种环境下的背景噪声不同，因为真实的工厂传感器信号受到各种外部因素的影响，包括电磁辐射或粒子辐射（Boland，1970年）以及来自耦合机械组件的干扰（He等人，2012年）。其次，实验室实验中设备的运行条件并不能完全复制实际工厂的条件。这些差异导致数据分布的领域偏移，可能影响模型在真实世界场景中的泛化能力和诊断精度。

这些挑战突显了跨域故障诊断的重要性，但核工业中的相关研究仍处于早期阶段。解决由于领域分布差异导致的性能下降是核电站设备故障诊断中的一个关键挑战。为了减轻这些领域偏移，（Li等人，2022年）计算了来自不同领域的特征之间的最大均值差异（MMD），通过最小化领域差异来实现适应不同的运行条件。（Xu等人，2024年）提出了一种双分支领域适应神经网络（DBDANN）来处理由不同故障严重程度引起的领域偏移。他们的方法采用多核最大均值差异（MK-MMD）来测量和减少特征分布差异。同样，（Wang等人，2022年）引入了一种基于完全分类对齐子域适应（FCA-SAN）的跨域方法，通过在不同的分类器层对齐特征表示来提高模型的泛化能力，从而在监督或半监督训练环境下减少分布差异。

尽管在跨域故障诊断方面取得了进展，但前面提到的现有研究仍存在一些显著的局限性。一方面，一些方法需要大量的标记目标域数据进行联合训练（Wang等人，2022年；Xu等人，2024年）。然而，在实际应用中，只有少量的故障数据可以被标记，因为注释大规模实时数据既困难又昂贵。这一限制显著限制了这些方法在真实世界核电站环境中的适用性。另一方面，一些研究试图通过使用基于对比的方法来最小化领域之间的特征差异来解决跨域故障诊断问题（Li等人，2022年；Xu等人，2024年）。这些方法旨在通过对齐源域和目标域数据的个别特征和共同特征来学习一个共享的特征空间。然而，它们通常依赖于特征相似性约束，在面对显著的领域偏移或数据分布之间的高度非线性关系时可能会遇到困难。

为了解决这些挑战，基于对抗性的领域适应（ABDA）作为一种有前景的方法出现，用于改进核电站中的跨域故障诊断。作为一种迁移学习形式，ABDA使在一个领域（源域）训练的模型能够泛化到另一个具有不同但相关分布的目标域（Csurka，2017年；Pan和Yang，2010年）。与假设训练数据和测试数据具有相同分布的传统机器学习方法不同，ABDA通过识别跨领域的不变特征来放宽这一假设，从而允许从标记的源数据中转移知识，提高诊断精度，同时减少对标记目标数据的依赖。

ABDA的核心思想是利用对抗性学习来提取领域不变的特征。它使用领域判别器来区分输入数据的领域，同时训练特征提取器来欺骗判别器。随着训练的进行，特征提取器学习到的表示能够最小化领域差异。当判别器不再能够区分领域时，特征分布被认为是对齐的，从而实现更好的泛化能力，以适应不同的运行条件。这种对抗性方法不仅减少了对领域特定知识的依赖，还增强了模型对未见故障条件的适应性。

为了评估ABDA的有效性，我们研究了两种代表性方法：领域对抗神经网络（DANN）（Ganin等人，2016年）和条件领域对抗网络（CDAN）（Long等人，2018年）。实验使用了两个旋转机械故障数据集和一个来自核反应堆的运行条件数据集。后续的演示将表明，ABDA可以在不同的旋转速度和背景噪声水平下提高诊断性能，表明其在核电站跨域故障诊断中的潜力。

部分片段

初步

严格来说，本研究采用的范式属于无监督深度领域适应的范畴，这是迁移学习的一个子领域。一般来说，领域适应是指将在一个领域训练的模型适应到另一个具有不同数据分布的目标领域中以良好运行的过程。当目标领域没有标记数据时，这种设置被称为无监督领域适应。同时，如果模型使用深度神经网络作为其

演示

为了全面评估所采用范式的有效性，本文选择了两种基于ABDA的代表性方法和两种对照组方法。使用了来自旋转机械的两个故障数据集（在核电站中广泛使用）以及一个来自实验室规模反应堆的运行条件数据集来构建领域数据和诊断任务。此外，还考虑了两种跨域场景：跨旋转速度和跨背景噪声。

本节提供了详细

结果与讨论

为了减少随机初始化的影响，以下所有结果都是基于十次独立运行的平均值。

结论

本研究研究并采用了一种基于对抗性的领域适应（ABDA）范式，以解决由于数据分布变化导致的故障诊断性能下降的问题，这在核电站设备监控中很常见。该范式整合了基于深度网络的特征提取器、领域判别器和分类器。通过对抗性训练，特征提取器被引导学习领域不变的表示，从而提高了

局限性与未来工作

尽管本研究获得了令人鼓舞的结果，但仍应承认一些局限性，这也指出了未来研究的方向：

•

领域偏移的范围。 本研究关注的是由单一主导因素（即旋转速度或背景噪声水平）引起的受控跨域场景。在真实的核电站环境中，多个运行因素可能会同时变化，导致更复杂和耦合的领域差异。

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，这些可能会影响本文报告的工作。