利用加速寿命数据增强技术对小型模块化反应堆中旋转机械的异常检测

《Energy》：Anomaly detection of rotating machinery in small modular reactors with accelerated life data augmentation

针对铅-铋共晶小模块反应堆（LBE-SMRs）关键旋转机械异常检测数据短缺问题，提出ALDA-Net框架。通过加速寿命测试（ALT）获取设备退化数据，利用 multiscale transformer VAE 提取鲁棒特征，经寿命-应力模型映射至实际工况，结合条件得分扩散模型（CSDI）填补时间序列缺失值，最终构建基于 Wasserstein GAN-GP 的异常检测模型，在XJTU-SY轴承数据集上实现平均AUC 99.16%。

　　

沈小龙|邓英军|王绍轩|姚元涛|葛道川|余杰

中国科学技术大学，合肥，230026，中国

摘要

铅铋共晶小型模块化反应堆（LBE-SMRs）被认为是第四代核能系统中最有前景的候选者之一，由于其专用的冷却剂，在固有安全性和系统复杂性方面具有显著优势。然而，早期的LBE-SMRs往往缺乏运行数据，导致数据短缺的问题。这种数据短缺严重阻碍了针对关键旋转机械（如主泵和轴承）的有效异常检测模型的开发。为了解决这些挑战，本文提出了一种基于加速寿命测试（ALT）数据重建的新型异常检测框架，称为加速寿命数据增强网络（ALDA-Net）。首先，使用多尺度变换器变分自编码器（VAE）从在高应力条件下通过ALT获得的关键组件的退化数据中提取鲁棒特征。然后利用寿命-应力关系模型将这些特征映射到实际运行条件。接下来引入基于条件分数的扩散模型进行插补（CSDI），以填补映射数据的缺失部分，从而扩充完整的数据集。最后，使用带有梯度惩罚的Wasserstein生成对抗网络（WGAN-GP）建立异常检测模型。在案例研究数据集上的结果显示，所提出的方法平均AUC达到了99.16%，有效解决了数据短缺下的异常检测问题。

引言

核能具有高能量密度、低碳排放和长期可持续性的优势。作为全球能源转型的关键技术，核能在实现碳中和方面发挥着重要作用[1]，[2]。在第四代核技术中，铅铋共晶小型模块化反应堆（LBE-SMRs）使用铅铋共晶（LBE）作为冷却剂，这种冷却剂具有高沸点、低熔点、低蒸汽压和化学惰性。这种冷却剂有效避免了传统压水反应堆（PWRs）的高压运行风险以及钠冷快堆（SFRs）的化学反应危险。凭借其强大的固有安全性和系统简化潜力，LBE-SMRs已成为先进核能系统开发的主要焦点，吸引了世界主要核大国进行相关研究和开发[3]，[4]，[5]，[6]，[7]。

尽管LBE-SMRs具有许多优势，但其长期可靠运行仍面临不可忽视的重大挑战。作为热传递和能量转换的核心设备，旋转机械的运行状态直接影响系统安全。在LBE-SMRs中，这些旋转机械必须在高温和高辐射环境中长时间运行。关键设备，包括反应堆冷却泵（RCPs）和发电机，容易发生故障，尤其是内部轴承[8]。因此，建立有效的异常检测系统对于确保反应堆的安全可靠运行至关重要。

然而，LBE-SMRs的异常检测模型面临双重数据困境。一方面，与积累了数十年丰富运行数据的PWRs不同，作为新型反应堆的LBE-SMRs缺乏公开可用的运行数据。这种数据缺失导致模型训练和验证所需的正常数据和故障数据都严重短缺甚至完全缺失。另一方面，严格的质量保证系统（如加速寿命测试（ALT）技术）确保了反应堆运行的高可靠性[9]，[10]。然而，这种高可靠性意味着系统在调试后长时间保持正常稳态，降低了异常或故障的概率[11]。因此，从实际运行条件中积累有意义的故障数据样本是一个极其缓慢的过程，可能需要数年甚至数十年。

核能系统要求严格的安全性，因为任何未能及时发现的异常都可能导致严重后果。传统的数据积累策略难以应用于此类核能安全系统。因此，在历史运行数据极度短缺甚至完全缺失的情况下开发有效的早期异常检测模型已成为确保LBE-SMRs安全部署的关键挑战。

作为确保复杂工业系统安全运行的核心技术[12]，异常检测已经从早期的统计方法[13]发展到数据驱动的方法，如机器学习和深度学习[14]，[15]。所有这些方法的一个基本前提是从目标系统积累大量运行数据。

统计方法[13]，[16]，[17]，[18]依赖于准确的分布估计，而在数据有限时容易过拟合。传统的机器学习技术，如单类SVM和隔离森林[19]，[20]，[21]，[22]，避免了对严格分布的假设，但仍需要大量的训练数据，并且严重依赖手动特征工程。最近的深度学习模型——包括自编码器[23]，[24]，RNNs[25]，[26]，[27]和变换器[28]——实现了自动特征提取。然而，它们的性能严重依赖于大规模数据集。虽然先进的机器学习和混合优化框架已在其他复杂领域（如可持续能源[29]，[30]，[31]，[32]）成功处理了数据受限的情况，但在没有历史数据的情况下直接应用于LBE-SMRs仍然具有挑战性。

为了具体解决数据稀缺问题，研究人员探索了迁移学习[33]，[34]，[35]，[36]，无监督生成[37]，[38]和少量样本学习[39]，[40]。然而，这些方法仍然需要一定量的数据作为训练基线，这不适合LBE-SMRs的极端数据稀缺情况。例如，迁移学习难以处理由于根本不同的物理机制导致的严重分布变化，而无监督和少量样本模型本质上依赖于缺失的基线数据。因此，突破这种传统的数据依赖性，探索主动数据生成方法迫在眉睫。

加速寿命测试（ALT）可以在受控应力条件下快速获得关键组件的完整生命周期数据[41]，为本研究中提出的主动数据采集框架提供了理论基础。与被动等待长期运行数据积累的传统方法不同，ALT通过施加加速应力条件快速收集组件退化特性，然后使用物理模型将这些特性映射到实际运行条件[42]。这种方法可以将数据采集周期从数年缩短到数月，从而为新反应堆的设计提供了一种实用的数据采集方法[43]。

基于这种方法，本研究引入了一个基于加速寿命测试的异常检测框架，称为加速寿命数据增强网络（ALDA-Net）。首先，使用多尺度变换器（VAE）将每个原始信号编码为鲁棒的低维特征向量。接下来，使用从寿命-应力关系模型计算出的加速因子将这些特征映射到正常运行时间尺度。映射过程导致时间序列中出现空缺，使原本密集的样本变得稀疏。引入基于条件分数的扩散模型进行插补（CSDI），以填补映射过程中生成的缺失值，恢复时间完整性。最后，在增强后的复合数据集上开发并训练基于GAN的异常检测模型，以学习正常运行状态的分布。这种方法无需依赖历史故障样本即可实现高精度异常检测，有效解决了数据短缺问题。

本文的主要贡献如下：

• •
  通过来自加速寿命测试的数据增强来解决数据短缺问题。
• •
  应用CSDI时间序列策略来处理SMRs数据。
• •
  从正常数据构建高精度的基于GAN的异常检测模型。

本文的其余部分组织如下。第2节介绍了理论基础，包括加速寿命测试理论和深度生成模型的基本原理。第3节详细解释了在没有历史数据的情况下提出的异常检测框架的组件和实现方法。第4节通过案例研究讨论了所提方法的有效性。最后，第5节总结了结论和未来工作的展望。

相关文献

相关工作

本节介绍了所提出方法的基本理论框架，包括加速寿命测试和用于数据重建及异常检测的深度生成模型的原理。

概述

本节详细介绍了旨在克服零历史数据困境的加速寿命数据增强网络（ALDA-Net）。该框架的核心思想是使用ALT在短时间内获得组件的退化轨迹，并通过寿命-应力关系模型将其转换为正常工作条件下的长周期退化序列。随后使用生成式人工智能模型来插补稀疏数据中的缺失值

案例研究

由于缺乏实际LBE-SMRs系统的运行数据，本研究采用了西安交通大学开发的XJTU-SY轴承数据集作为方法验证的替代数据集[50]，如图6所示。XJTU-SY数据集包含了轴承从正常运行到完全失效的整个生命周期的加速退化数据，这与本研究中采用的加速寿命测试（ALT）方法兼容。

结论与未来工作

为了解决LBE-SMRs和其他先进反应堆系统中旋转机械缺乏历史运行数据的关键挑战，本文提出了一种新型异常检测框架ALDA-Net。该框架创新性地结合了ALT数据映射和基于CSDI的数据增强，从稀疏的加速数据中重建完整的正常运行数据集。与传统的时间序列插补模型相比，该方法具有显著优势，有效克服了零

CRediT作者贡献声明

沈小龙：撰写 – 审稿与编辑，撰写 – 原始草稿，可视化，软件，方法论，调查，数据整理，概念化。邓英军：撰写 – 审稿与编辑，方法论，概念化。王绍轩：资金获取。姚元涛：撰写 – 审稿与编辑，形式分析。葛道川：撰写 – 审稿与编辑，资源，调查，资金获取。余杰：监督，项目管理，概念化。

利益冲突声明

作者声明他们没有已知的可能会影响本文报告工作的竞争性财务利益或个人关系。

致谢

本工作得到了国家自然科学基金（72501282；72204246）、安徽省自然科学基金（2408085MG184）和HFIPS主任基金（授权号YZJJ2022QN38）的支持。作者感谢中国科学院HFIPS的机构共享技术和设施中心提供的技术支持。同时，作者衷心感谢编辑和匿名审稿人的宝贵意见，这些意见帮助我们改进了