基于故障因果图神经网络的核电站稳健且可解释的故障诊断方法

《Engineering Applications of Artificial Intelligence》：Robust and interpretable fault diagnosis for nuclear power plants using fault causal graph neural networks

　　王欣|王航|彭敏军|孙远利|郝成明
中国哈尔滨工程大学核科学技术学院，哈尔滨150001

**摘要**
智能故障诊断模型为核电站带来了巨大潜力，但其“黑箱”特性以及在噪声干扰和不同故障严重程度下的有限鲁棒性往往成为制约因素。为克服这些难题，本文提出了一种基于故障因果图神经网络的稳健诊断框架。该框架通过基于相关性的过滤、空间建模以及专家知识修正，构建出体现物理机制的故障因果有向图。通过将空间推理与自注意力机制相结合，该模型实现了定性逻辑可追溯性与定量可解释性。工程应用以福清压水反应堆1号机组的主回路为对象，通过涉及多级噪声和多种故障条件的消融实验，严格评估了其鲁棒性。结果表明，所提模型成功实现了准确性、鲁棒性与可解释性之间的平衡，为提升核设施的安全性与维护水平提供了透明的解决方案。

**1. 引言**
作为高效清洁的能源，核能在缓解气候危机和实现全球能源结构去碳化方面发挥着关键作用（Liu等人，2023；Durdovic等人，2024）。然而，放射性物质泄漏的潜在风险使得核电站的安全运行成为公众和行业关注的重点（Klingelh?fer等人，2024）。因此，及时准确的故障诊断成为确保核电站安全稳定运行的核心要素。尤其是在紧急情况下，人类操作员往往面临过大的认知负荷和心理压力，这显著增加了人为失误和误诊的风险（Li等人，2024）。因此，开发精确高效的智能决策支持系统对于弥补人类认知的局限性、提升核电站的整体安全保障至关重要。

过去十年中，以深度学习为代表的数据驱动方法在计算机视觉、自然语言处理等诸多领域取得了显著成果。端到端的自动特征提取能力使这些模型具备了更高的灵活性与准确性，推动了包括齿轮箱（Qian等人，2025；Ha和Fink，2023）、风力发电机（Guan等人，2025；Sethi等人，2024）以及锂离子电池（Cao等人，2025；Yang等人，2025a）在内的众多应用领域中故障诊断方法的变革。在核能领域，卷积神经网络（CNNs）（Lin等人，2023；Kim等人，2024）、长短期记忆网络（LSTMs）（Zhu等人，2025；Obra和Miwa，2025）以及变换器（Transformers）（Zhou等人，2025；Wang等人，2024）等深度学习架构也展现出了巨大潜力。这些方法有效解决了传统基于知识的方法所存在的诸多问题，如阈值设定的主观性、规则合成的复杂性以及对专家经验的过度依赖。然而，将这些模型应用于对安全性要求极高的核能领域仍存在诸多挑战。这类智能模型的“黑箱”特性导致其可解释性有限，进而可能削弱操作员的信任，影响运营安全与系统效能。

图神经网络（GNN）凭借其强大的非欧几里得结构数据建模能力，为整合能够反映故障因果关系的系统物理结构信息以及提升诊断模型的可解释性开辟了新途径。相关研究已在多个领域展开。Zheng等人（2024）将列车制动系统的高维监测变量转化为图结构数据，并将其输入图注意力网络（GAT）以实现故障检测。通过注意力机制，他们逆向识别出关键路径与变量，为后续维护提供了明确指导。Nguyen等人（Nguyen和Chioua，2024）提出了一种融合图卷积网络（GCN）与CNN的故障检测与诊断框架，并将其应用于田纳西东方化学公司的相关工艺流程。该方法基于滑动时间窗样本计算故障发生后的传感器节点激活序列，然后通过相关性分析将该序列与不同的故障因果传播路径进行匹配，从而为操作员提供故障类型的置信度评估。为满足核能诊断的可解释性要求，我们之前的研究（Wang等人，2025）提出了一种融入故障因果图的GNN模型，通过空间拓扑推断与基于注意力的特征表示，实现了诊断逻辑的透明化。然而，在复杂的工程环境中，该模型存在三方面缺陷：其一，其构建协议并不标准——类似于贝叶斯网络（BN）（Wu等人，2018）或带符号有向图（SDG）（Huang等人，2023）这类基于知识的模型，因果图的构建过度依赖专家启发式方法，缺乏标准化与可重复性，且易受主观偏见影响；其二，评估场景有限——在实际核电站运行过程中，该模型在不同故障严重程度及噪声干扰下的鲁棒性仍有待进一步验证；其三，可解释性不足——其内部机制无法通过直观的系数直接呈现。

为突破图拓扑构建的瓶颈，近年来因果推断技术逐渐被引入故障诊断领域（Liang等人，2024）。因果推断的核心目标是从观测数据中逆向恢复变量间的因果依赖关系，从而揭示故障是如何从根本原因逐步演变为衍生症状的。目前主流的因果结构发现方法包括以条件独立性检验为核心的基于约束的方法（如PC算法（Colombo和Maathuis，2014））、基于得分的结构空间优化方法（如BIC算法（Neath和Cavanaugh，2012））以及混合学习方法。近年来，研究人员进一步尝试将因果机制嵌入深度图模型中，以提升其在复杂运行条件下的可解释性与泛化能力。例如，Lao等人（Li等人，2026）提出了因果不变图神经网络（CIGNN），通过将因果特征与非因果特征分离，有效降低了不同工作条件带来的混杂偏差；Li等人（Lao等人，2026）则提出了动态因果机制学习诊断框架（DCMLDF），该框架结合时间编码器与自适应邻接矩阵学习，实现了对动态故障演化路径的端到端建模。尽管上述方法在某些工业故障诊断场景中已展现出良好效果，但核能系统具有传感器数量庞大、变量高度耦合以及控制逻辑复杂等特点。在运行过程中，控制调整会改变变量间的响应关系，这使得纯粹基于数据的因果发现容易受到反馈调节的影响，进而将统计相关性误认为是真正的物理因果关系。此外，针对核能应用专门设计的图构建方法仍然不足，缺乏统一且可重复的规范，因此所获得的图结构往往仅停留在统计关联层面，无法准确反映真实的热工水力传播路径。

综上所述，提升核能诊断模型可信度的核心挑战在于克服纯粹基于知识的方法与纯粹基于数据的方法各自的局限性。这需要构建一种标准化的故障因果图，将数据敏感性与物理一致性相结合，同时对其在复杂运行条件下的鲁棒性及解释稳定性进行严格验证。为应对这些挑战，本文提出了一种基于故障因果图神经网络（FC-GNN）的稳健诊断方法，该方法将数据驱动的洞察与基于物理的知识相融合。以福清压水反应堆主回路系统为研究对象，本研究通过时间特征量化、空间拓扑建模以及专家知识校准，构建了标准化的故障因果图。随后将该图嵌入GNN推理框架中，从而实现受物理传播路径约束的智能诊断。此外，还在不同故障严重程度、多级噪声干扰及其组合场景下开展了大量对比实验与消融实验。通过分析置信度变化与注意力分布，定量评估了该模型可解释性的一致性与可靠性，从而为在复杂运行环境下的核电站实现可解释且稳健的故障诊断建立了可靠框架。

本文的主要贡献如下：
（1）一种可重复的数据-知识混合框架，用于构建因果图。为克服静态专家先验的主观性，该方法将基于动态时间规整（DTW）的特征量化与物理系统拓扑结构相结合，从而建立了一种确定的建模协议，确保图结构既标准化又可重复。
（2）一种专为复杂现实场景设计的鲁棒性评估框架。为克服理想化测试的局限性，该评估框架包含了故障严重程度外推与多级噪声干扰等测试场景，旨在评估模型在未知故障状态及恶劣信号环境下的泛化能力，进而验证其工程适用性。
（3）一种基于注意力时间对齐的可解释性评分机制。为定量评估“黑箱”模型的决策逻辑，该方法利用DTW来衡量实时数据与关键路径上标准先验之间的注意力时间演化距离，有效解决了时间偏移误差问题，并能直观量化模型特征注意力模式的一致性，从而从机制层面解释其抗干扰能力。

本文的其余结构如下：第2节介绍与本研究相关的理论背景与方法基础；第3节详细描述了用于核电站的基于GNN的故障诊断框架；第4节系统阐述了实验设计，包括数据来源、测试场景的构建、因果图生成过程以及消融实验与对比实验的设置；第5节全面展示了实验结果，包括组件选择分析、与基准模型的对比评估以及关于可解释性的讨论；最后，第6节对全文进行总结，并提出了未来研究的方向。

**2. 方法论**
**2.1 空间GNN**
与在网格或序列数据上运行的CNN和LSTM不同，空间GNN旨在处理非欧几里得结构。节点特征更新被形式化为三个可学习的步骤：消息生成、消息聚合与状态更新。通过这一机制，局部邻域信息被迭代整合，从而生成蕴含结构语义的节点表示。

（1）消息生成
每个节点为其直接邻域生成消息，消息内容由该节点自身及其邻居的特征共同决定。对于节点v及其相邻节点u，消息mu→v可表示为：
（1）mu→v=fmsg(hv,hu,eu,v)
其中，hv和hu分别表示节点v和u的当前特征；eu,v表示边(u,v)的属性；fmsg是一个可学习的消息函数，通常由神经网络参数化。

（2）消息聚合
节点v将所有邻居u∈N(v)发送来的消息聚合为一个统一的邻域特征，从而保留局部结构的整体信息。常见的聚合函数包括求和、平均、最大池化以及注意力加权。具体而言，注意力机制会根据邻居u对中心节点v的重要性动态分配权重αv,u：
（2）Agg(mu→v)=∑u∈N(v)αv,u·mu→v

（3）状态更新
节点将其原始特征与聚合后的邻域特征相结合，生成新的特征表示，从而实现自身信息与邻域信息的融合。节点v的新特征hv′表示为：
（3）hv′=fupdate(hv,Agg(mu→v))
其中，fupdate表示更新函数，可以是神经网络或非线性激活函数，其作用是将节点的固有特征与邻域特征融合并编码。

**2.2 故障因果图**
图论的拓扑特性与复杂系统中组件间相互连接所导致的故障传播逻辑相契合。故障因果图（FCG）正是将这一理论应用于结构化有向图模型，用于描述故障模式与传感器节点之间的因果传递关系。在FCG中，故障模式作为根节点，传感器作为下游节点，而边则代表因果关联。这种结构为分析故障机制及定位故障源提供了物理拓扑基础。虽然传统上故障因果图是通过专家经验与系统分析来构建的，但在核电站这类高度耦合的场景中，它不仅是一种重要的运行工具，更是集成GNN以实现定性、可解释诊断的核心先验知识。

**2.3 DTW**
DTW是一种用于量化时间序列相似性的经典算法。它通过运用动态规划来识别最优对齐路径，从而克服了传统距离度量方法中序列长度固定的局限（Cai等人，2023）。该方法能够准确刻画时间序列数据中的形态相似性，广泛应用于工业故障诊断与语音识别领域。计算过程如下：设两个时间序列分别为X={x1,x2,…,xn}和Y={y1,y2,…,ym}，其中xi和yj分别表示序列X和Y在时间索引i和j处的观测值。(1)计算对应点之间的欧几里得距离：(4)di,j=‖xi?yj‖2(2)构建累积距离矩阵D。初始化D(0,0)=0，边界条件为D(i,0)=∞和D(0,j)=∞。D(i,j)表示将X的前i个点与Y的前j个点对齐时的最小累积距离：(5)D(i,j)=d(xi,yj)+min(D(i?1,j),D(i,j?1),D(i?1,j?1))(3)最优路径从D(0,0)开始，逐步累加到D(n,m)。使累积距离最小的路径被视为两个序列的最优对齐路径。两个序列之间的DTW距离定义为累积距离矩阵的最后一个元素：(6)DTW(X,Y)=D(n,m)2.4. 深度学习特征提取模块2.4.1. LSTM网络LSTM网络通过利用门控机制来调节信息流，从而捕捉时间序列数据中的长期依赖关系。该机制包含三个主要组成部分：遗忘门、输入门和输出门。●遗忘门ft：负责过滤历史信息。它以上一时间步的隐藏状态ht?1和当前输入xt作为输入，通过sigmoid函数生成一个介于0和1之间的值。该值与之前的单元状态ct?1进行逐元素相乘，以确定要丢弃的信息。●输入门it：决定将哪些新信息添加到单元状态中。sigmoid函数用于计算更新比例，而tanh函数则生成候选值向量C?t。这些组件共同作用以更新单元状态。●输出门ot：控制从单元状态到输出的信息流。sigmoid层确定输出部分，然后这些输出部分与经过tanh函数处理的单元状态相乘，得到最终的隐藏状态ht。相关公式如下：(7)[ct?otitft]=[tanhsigmoidsigmoidsigmoid](W[xtht?1]+b)(8)ct=ft⊙ct?1+it⊙c?t(9)ht=ot⊙tanh(ct)其中xt表示当前时间步的输入，W和b分别是可学习的权重矩阵和偏置向量；C?t是候选状态；LSTM网络的内部状态ct记录了截至当前时间步的所有历史信息。2.4.2. 一维卷积一维卷积（1D-CNN）通过沿时间轴在局部窗口上滑动卷积核来执行特征提取。其核心机制是利用固定大小的卷积核对输入序列进行分段加权聚合，从而实现对局部时间模式的抽象编码。对于输入时间序列x=[x1,x2,…,xT]和卷积核k=[k1,k2,…,kK]（其中K表示卷积核的数量），计算过程如下：(10)yt=∑i=1Kki·xt?i+1其中yt表示第t时间步输出序列的特征值。通过滑动窗口遍历整个输入序列，可生成完整的输出y=[y1,y2,…,yT?K+1]。2.4.3. TransformerTransformer编码器是核心的时间特征提取器。该模块摒弃了传统的循环或卷积结构，完全依靠自注意力机制来建模序列中的全局依赖关系。对于输入的传感器时间特征矩阵X，在注入位置编码以保留时间序列信息后，数据会被送入由L个相同网络层堆叠而成的Transformer特征提取模块。第l层的计算过程可表示为：(11)Z(l)=MSA(LN(X(l?1)))+X(l?1)(12)X(l)=FFN(LN(Z(l)))+Z(l)其中X(l?1)是前一层的输出特征，当$l?=?1$时，它就是初始输入信号；LN(·)是层归一化，用于稳定深度网络的训练；MSA(·)是多头自注意力，它通过将输入映射到多个不同的子空间并并行计算注意力权重，从而全面提取多维时间演化特征；FFN(·)是前馈网络，它通过非线性激活函数进一步实现特征空间的非线性映射；这两个计算步骤都引入了残差连接，即公式中的加法项，以此有效解决深度网络中出现的梯度消失问题。经过L层深度特征提取后，最终输出X(L)是一个整合了全局时间上下文信息的高阶特征矩阵，该矩阵可直接被展平并输入到后续的全连接层中，用于故障分类或状态评估。2.4.4. 全连接层全连接（FC）层是特征整合的基本组成部分。它的核心特点是全局密集连接，即当前层中的每个神经元都与前一层的所有神经元形成加权连接。它通过线性变换和非线性激活函数的组合来实现特征抽象。对于展平后的输入特征向量，特征映射的计算公式为：(13)y=?(Wx+b)其中x表示输入的时间序列向量；W表示连接权重矩阵；b是偏置向量；?表示激活函数（如ReLU、sigmoid等）；y是输出向量。3. 提出的方法3.1. 深度学习故障诊断模型的黑箱特性目前，大多数数据驱动的故障诊断模型通常遵循“多源数据输入—深度特征挖掘—非线性映射与压缩—分类概率输出”的通用框架。如图1所示，尽管现有研究在前端引入了各种先进的网络架构，比如使用CNN提取局部空间特征，使用长短期记忆网络（LSTM）捕捉时间依赖关系，以及使用GCN或GAT聚合拓扑邻域信息，但这些方法之间的差异主要体现在前端特征提取机制上。下载：下载高分辨率图像（666KB）下载：下载完整尺寸图像图1.传统基于深度学习的故障诊断的总体框架。从诊断决策机制的角度来看，核心限制仍然存在于后端的非线性映射和分类输出阶段。无论前端图神经网络如何利用拓扑关系来增强节点表示，最终得到的全局故障表示通常仍需经过展平、池化或降维处理，然后再输入到全连接层或Softmax分类层中，以学习特征表示与预定义故障类别之间的映射关系。在这个过程中，模型主要依靠样本分布与类别标签之间的统计相关性来进行分类判别，缺乏明确的因果约束，以及从故障传播机制和结构拓扑关系到诊断概率输出的物理解释链。因此，尽管这类方法具备强大的特征学习能力，但其诊断决策过程本质上仍然是黑箱式的。3.2. 框架概述为克服传统故障诊断中对统计相关性的依赖以及缺乏物理可解释性的问题，本文提出了一种故障因果图神经网络（FC-GNN），它从数据驱动的特征拟合转向基于物理约束的因果推理。其创新之处主要有两点。(1)通过构建因果图实现可追溯的物理可解释性：将时间相关性、系统拓扑结构和领域专业知识结合起来，将监测数据转化为具有物理意义的定向图结构。(2)通过独立路径激活实现路径级的因果推理：FC-GNN不将全局特征压缩为黑箱分类器，而是利用自注意力机制分别沿每条因果路径聚合和加权节点特征，从而使故障概率得到多条具有物理可解释性的传播路径的共同支撑。通过这种分层架构，该模型不仅能输出关于故障类型的定量概率分布，还能提供不同因果传播路径上的结构化注意力权重。这一机制模拟了人类专家逐步追踪故障传播链并进行有针对性检查的诊断推理方式，能够实现针对不同演化信息的自适应选择和聚焦。在实际工业场景中，当系统面临不同程度的故障和噪声干扰时，原始传感器读数可能会发生较大波动，而物理拓扑结构内的传播关系和演化趋势往往相对稳定。FC-GNN的路径级自注意力聚合机制可以利用这种受物理机制约束的结构不变性，从而在存在噪声和运行条件波动的情况下提升模型的泛化能力和决策稳定性。3.2.1. 故障因果图集构建如图2的上半部分所示，构建适用于GNN分析的图结构化数据需要三个具体步骤。(1)基于相关性的数据筛选：利用稳态数据和故障后的动态数据，DTW算法计算操作参数相对于稳态状态的波动情况。通过定量分析不同故障模式下参数偏差的大小，可以识别出对特定故障敏感的关键传感器参数。(2)空间关系建模：利用已识别的传感器参数，我们对空间关系进行建模，以明确物理空间中传感器节点的拓扑和层次连接关系。这一步建立了符合物理逻辑的初步故障传播框架，整理了故障特征的时空层次结构和因果传递关系。(3)专家知识修正：参考NPP故障分析规范、相关文献以及领域专家的知识（如参数趋势），对初步的因果图进行验证和优化。这样可以确保因果路径的准确性和领域一致性。下载：下载高分辨率图像（2MB）下载：下载完整尺寸图像图2.所提出的FC-GNN框架。在此基础上，为了提升模型分析动态时间变化的能力，还采用了滑动时间窗口算法来引入时间切片。这一过程最终生成了一个包含N个特定故障因果图的数据集，融合了时空特征。3.2.2. 基于FC-GNN的故障推理与解释在获得故障因果图集之后，便可以使用FC-GNN来执行故障推理。如图2的下半部分所示，通过对N个故障因果图进行并行、独立的推理，模型可以提高诊断精度，并确保决策过程遵循清晰的因果逻辑。(1)节点特征提取如图1的左下角所示，原始的一维时间序列信号会通过深度学习模块转换为高维节点特征。我们评估了三种候选架构：用于全局特征整合的MLP、用于捕获局部时间模式的1D-CNN，以及用于处理长序列依赖关系的LSTM。通过对比实验确定最优的特征提取器，以确保为图推理提供最有效的输入。(2)聚合故障因果图信息如图1的右下角所示，模型采用自下而上的策略，从传感器节点（蓝色）开始向故障根节点（橙色）聚合信息。为了实现可解释的推理，自注意力机制（红色框）用于计算查询集（Q）、键集（K）和值集（V）之间的交互作用。这一过程能够动态地学习沿因果路径的注意力权重，量化上游节点的影响程度，以此表示连接强度α。聚合过程是分层进行的。利用自注意力机制得到的权重系数，通过加权求和的方式对每一层的节点信息进行聚合。得到的结果随后会与下一层节点的特征相结合，从而更新节点状态。这一机制确保了故障特征能够沿着因果路径从局部有效地传播并增强到全局层面。相应的聚合和更新公式如下：(14)A1(t)=Concat[B′(t),B(t)](15)F=α1A1(t)+α2A2(t)其中F表示聚合后的故障概率信息；B(t)表示特征提取后的传感器序列数据；B′(t)表示二阶因果子路径的节点信息更新；A1(t)和A2(t)表示一阶因果子路径的节点信息更新；αi是节点间的注意力系数；i表示邻居节点的索引。自注意力机制推理的相关计算公式如下：(16)Q=X·Wq,K=X·Wk,V=X·Wv(17)∑i=1Kαi=softmax(Q·K|Q|×|K|)其中X表示输入序列数据；Q、K和V分别表示查询集、键集和值集；Wq、Wk和Wv分别表示对应的线性矩阵。在对N个故障因果图完成完整的路径遍历和特征聚合后，每个图都会产生一个对应的故障概率得分，如图1中所标注的“故障1的概率得分”到“故障N的概率得分”。这些数值会被整合成一个全局概率向量，其中幅度最大的元素决定了当前运行数据对应的故障类型。(18)Zi=Argmax[F1,F2,…,Fn]同时，推理过程还会输出明确的诊断结果，并通过图1中所示的“子路径注意力分布”模块直观地展示各路径特定的注意力权重。这一机制能够识别出在最终诊断中起决定性作用的关键参数和特定传播路径，为操作人员提供直观且可追溯的决策依据。3.2.3. 可解释性得分计算该模块以故障诊断模块中的注意力分布作为核心输入，从而获取被监测故障数据的实时注意力分布，以及从训练集先验中提取的已诊断故障类型的标准注意力分布。对于邻域路径上的注意力系数，DTW算法会逐步计算特定时间窗口内各路径之间的匹配距离。通过精确对齐注意力系数的时间趋势，DTW有效地克服了在核电厂故障演化过程中由于时间偏移和步长不一致所导致的匹配误差。它进一步量化了测试样本的“特征注意力模式”与已知故障样本的匹配程度，从而为诊断结果的可信度提供定量且易于理解的基础。假设当前输入的故障序列长度为T，模型预测其对应的已知故障类别为F。我们首先从训练集中提取与故障类型F相关的参考注意力分布系数：(19)AF={A1,A2,…,AK}其中K表示一阶子路径的总数。对于第k个一阶子路径，其参考注意力序列表示为：(20)Ak={ak,1,ak,2,…,ak,T?Δ}其中Δ代表故障序列的时间窗口。为消除不同路径上绝对注意力值的大小差异，从参考样本序列Ak中提取最小值和最大值，分别记为αk,min和αk,max：(21)αk,min=min(Ak),αk,max=max(Ak)这对数值(ak,min,ak,max)作为训练过程中为第i条路径学习的标准化参考参数。同时，被监测故障数据在相应识别出的故障路径下的实时注意力分布可表示为：(22)BF={B1,B2,…,BK}其中Bk={bk,1,bk,2,…,bk,T?Δ}表示沿第k个子路径的被监测数据的实时注意力序列。随后，利用从标准注意力分布中提取的参考参数，对参考序列Ak和被监测序列Bk同时进行独立的区间[0,1]内的最小-最大标准化处理：(23)a?k,t=ak,t?ak,minak,max?ak,min,b?k,t=bk,t?ak,minak,max?ak,min经过标准化处理后，可以得到无量纲的参考序列A?k和实时的被监测序列B?k。在此基础上，运用DTW算法计算每条独立路径上两个序列之间的距离DDTW(A?k,B?k)。接着通过均值聚合方法，在单个计算步骤内得出平均匹配误差。这样就能得到被监测样本与所有相关路径上的已知故障类别c之间的整体相似度指标。(23)Error=1K×T∑k=1KDDTW(A?k,B?k)为直观量化模型决策的透明度和可靠性，该模块将上述偏差误差转换为最大值为1的“可解释性得分(S)”。通过引入一个反映射函数，(24)S=11+Error通过这种反映射函数，绝对匹配误差会被严格映射到区间(0, 1]内。S值为1时表示实时数据的注意力分布与模型的标准认知模式完全一致，意味着故障诊断结果的可解释性极强；反之，较低的分数则表明特征注意力的偏差更为严重。最终，可以计算出被监测样本在所有相关路径上的整体可解释性得分，从而实现对黑箱模型决策逻辑的定量评估。为了将这种定量可解释性转化为可操作的情报，我们定义了两类不同的利益相关者：控制室操作员和维护工程师。对于控制室操作员而言，可解释性是通过全局可解释性得分(S)来量化的。在时间紧迫的紧急情况下，操作员可将这一得分视为“诊断置信度指标”。当S值接近1.0时，说明模型的诊断逻辑是可靠的，操作员便可按照建议执行自动控制操作。而当S值显著下降时，则会触发“手动干预机制”，提醒操作员当前传感器数据与既定的故障模式存在偏差，从而避免可能出现的人工智能误诊情况。对于维护工程师来说，可解释性则进一步细化为各子路径的注意力权重分布。事故发生后，这些工程师可以利用这些局部可解释性得分来进行根本原因分析。通过判断哪些特定路径偏离了“标准注意力分布”（例如，找出某个回路中出现故障的传感器），他们可以将模型内部的特征关注点转化为明确的实物检查任务。通过这种方式对利益相关者进行分层，我们的系统确保可解释性不仅仅是一个数学输出结果，而是能够为工业环境中的人机协同安全提供有力支撑的保障机制。3.3. 模型流程图整个实现与评估工作流程如图3所示。该过程包含五个关键步骤。(1)数据准备：收集具有代表性的传感器参数，并利用公式(17)对其进行标准化处理，以消除量级差异并保证数值稳定性。(25)xi′(t)=xi(t)?ximinximax?ximini=1,2,…,nxi′(t)∈[0,1]其中ximin和ximax分别表示xi(t)的最小值和最大值。(2)数据划分：将数据集按8:1:1的比例划分为训练集、验证集和测试集，以确保评估的公正性。(3)模型训练：利用训练数据以及构建的故障因果图（图1至图N），模型通过空间GNN来分析时空因果结构。它能够计算出每种故障类型的发生概率，从而实现对故障模式的定量预测。(4)优化：通过计算交叉熵损失来量化误差，进而通过迭代更新权重，使模型参数逐步趋近最优值。(5)评估：首先通过验证集选出最佳配置，然后再对测试集进行全面评估，以验证其实际可靠性。下载：下载高分辨率图片（421KB）下载：下载全尺寸图片图3. FC-GNN的故障诊断流程。4. 实验4.1. 研究对象与数据来源本研究聚焦于核电站的主循环系统。由于获取真实故障数据较为困难，本文采用福清核电站1号机组仿真器生成的仿真数据作为实验数据源，如图4所示。已有研究表明，该核电站第一阶段的反应堆仿真程序是由REMARK、THEATRe和COBRAIIIC这几组耦合代码构成的。这些代码分别能够模拟堆芯物理现象、反应堆压力容器的热水力学特性以及堆芯子通道的热水力学特性，它们都在GSE SimExec实时仿真平台上运行。该仿真框架以控制棒位置、硼浓度、冷却剂流量、温度和压力等参数作为边界条件，具有坚实的物理建模基础，能够较好地反映压水堆主循环系统的动态特性（Yang等人，2019；Li等人，2025a），如图4所示。下载：下载高分辨率图片（1024KB）下载：下载全尺寸图片图4. 福清核电站1号机组的仿真平台。样本是通过对故障发生时刻进行30秒的滑动窗口处理来构建的。这样的窗口能够捕捉到主循环系统早期故障期间关键热水力参数的主要动态变化。此外，它还能避免不同演化阶段之间特征值的混淆，同时有效保留早期故障传播特征的表征信息。为确保评估的全面性，共模拟了三种不同的故障数据集，具体细节见表1。这些数据集涵盖了八种不同的运行状态，包括一种正常运行状态和七种故障状态。所选的故障均针对主循环系统中的关键部件，比如反应堆冷却剂泵、蒸汽发生器以及压力容器。所有故障案例都对应着核安全分析中需要重点关注的基准事故。具体而言，故障1、2、3、4和6对应的是“反应堆冷却剂存量增加”的事故类型；故障7对应的是“反应堆冷却剂存量减少”的事故；而故障5则代表“反应堆冷却剂系统流量下降”的情况。总体而言，这些场景为验证所提出的诊断框架的可行性和有效性提供了坚实的基础。表1. 仿真数据集的描述。4.2. 鲁棒性测试场景设计在核电站的实际运行中，智能诊断模型常常会面临训练环境和部署环境之间存在的显著分布差异。这类差异主要由两个因素造成：在物理层面，故障严重程度的不同会导致监测数据与训练数据之间存在统计上的差异；而在信号层面，测量不确定性则会带来复杂的噪声干扰。为严格评估所提出的FC-GNN模型的鲁棒性和泛化能力，我们建立了一个二维正交测试框架。通过结合故障严重程度的变化以及不同水平的噪声，该框架能够有效模拟现实世界运行场景的复杂性。训练策略：模型仅基于数据集1进行训练，该数据集包含单一、固定严重程度的故障。这种方法有助于模型捕捉该特定分布所具有的典型故障模式。测试框架：评估工作在两个相互正交的维度上进行。(1)故障严重程度变化：用于评估模型对不同严重程度故障的泛化能力。(2)信号噪声干扰：用于测试模型在存在测量不确定性和噪声情况下的鲁棒性。4.2.1. 不同故障严重程度下的泛化能力测试模型训练通常依赖于少量能够代表特定严重程度下典型运行条件的数据。然而在现实场景中，故障严重程度往往具有连续性和随机性，其范围往往超出训练集的覆盖范围。为验证模型在未知严重程度下的泛化和推理能力，需将训练好的模型分别在三种具有不同严重程度分布的数据集上进行评估。●数据集1：严重程度与训练集相同（已知分布）。●数据集2：严重程度为A级（与训练集不同）。●数据集3：严重程度为B级（与训练集不同）。此次评估的目的是分离并分析模型对物理层面分布变化的适应能力。具体而言，故障1–4用于评估模型对轻微故障及其向更严重状态发展的抵御能力；而故障6则用于测试模型对那些存在显著分布变化的数据的适应能力。如图5所示，以失去冷却剂事故（故障6）为例：当故障程度为10%时，由于控制系统的补偿作用，压力容器的压力仍然保持相对稳定。但随着故障严重程度上升至20%，控制系统的调节能力便不再足够，此时压力会出现更为明显的下降趋势。下载：下载高分辨率图片（205KB）下载：下载全尺寸图片图5. 不同严重程度失去冷却剂事故下压力容器压力响应的对比。4.2.2. 噪声干扰环境下的鲁棒性测试在现实世界的运行环境中，噪声的具体类型、统计分布以及强度往往难以准确确定。不过，可以根据已有的理论假设进行合理估算。传统通信理论通常将噪声建模为平稳的加性高斯过程（Bernal-de Lázaro等人，2018）。这种方法的基本前提是信号成分与干扰成分在统计上是相互独立的。这一假设在用于故障诊断的信号处理领域中被广泛应用。噪声模型可表示为：(26)xnoisy=x+n其中x表示原始传感器信号；n～N(0,σn2)表示均值为零、方差为σn2的高斯白噪声；xnoisy则是注入噪声后的信号。借鉴现有的鲁棒性研究文献，本研究设计了四类噪声注入实验。此外，这些噪声条件还会与故障严重程度测试相互结合，形成复合挑战场景，从而全面评估模型的抗干扰性能。(1)尽管准确预测现实环境中的噪声仍然具有挑战性，但基于统计独立性假设的加性高斯白噪声模型，已成为信号处理领域的通用基准（Li等人，2025b）。在此基础上，本研究首先通过调节信噪比来模拟不同的噪声强度。信噪比是对信号功率与噪声功率之比的对数形式定义的：(27)SNR=10log10(σx2σn2)(dB)其中σx2表示原始信号x的方差。实验设置包含了三种信噪比梯度——60 dB（轻微干扰）、50 dB（中等干扰）以及40 dB（严重干扰）——从而涵盖了从高质量信号到强干扰环境的全部退化范围。据此，可通过前述公式计算出所需的噪声方差σn2。(2)考虑到实际故障发展的动态特性，不同的传感器通道对相同的物理量具有不同的敏感度。因此，每个通道对噪声的敏感程度也并非均匀一致。为模拟这种更为复杂的状况，本研究采用了等功率噪声注入策略（Ai等人，2025）。在这种策略下，虽然注入噪声的强度在所有输入通道中保持不变，但它会在各个通道的实际信噪比中产生不同的衰减效果。这一机制能够有效评估模型在复杂的多通道噪声环境中的鲁棒性。具体而言，根据既定公式，分别向数据集1至3的原始测试数据中注入强度方差为1%、3%和5%的高斯噪声。(3)为模拟工业传感器在长期运行过程中可能出现的缓慢漂移现象，我们在原始测试样本中加入了线性漂移扰动（Kiasi等人，2015）。以正常稳态样本的特征均值作为传感器校准的基准，再设定一个漂移强度系数c，使得样本结束时的漂移幅度呈线性增长，最终达到正常稳态均值c倍的水平。具体表达式如方程(28)所示：(28)xt,j′=xt,j+αtsjc|μjnormal|其中xt,j表示第t个样本中第j个特征的原始值；αt∈[0,1]为归一化时间因子，表示漂移幅度随时间从0线性增加到1；sj∈{?1,1}表示随机漂移方向；μjnormal为正常稳态样本中第j个特征的平均值；c表示漂移强度，设为3个级别，即0.5%、1%和3%。(4)在核电站实际运行过程中，传感器信号可能会受到间歇性故障的影响（Yang等人，2025b）。这类故障在时域上通常表现为稀疏但幅值较大的瞬态脉冲干扰。由于这种干扰可能影响整个数据采集过程，本文将间歇性故障视为一种全局风险，意味着所有传感器通道都可能遭受随机脉冲的影响。注入噪声后的信号xij′表示为：(29)xij′=xij+MijSijλσj其中xij为原始传感器信号，xij′为注入间歇性故障后的信号；Mij表示是否发生脉冲，其取值为1的概率对应于规定的故障发生概率p（本研究将其设置为1%、3%和5%，以模拟不同严重程度的间歇性故障）；Sij表示脉冲方向，随机设定；σj为第j个传感器通道的标准差；λ为脉冲幅度系数，在本研究中设为5。4.3. 因果图构建过程4.3.1. 基于相关性的数据过滤福清模拟器的数据包含了来自主回路、次回路及辅助系统的76个特征参数，具体的参数名称列于附录1中。此步骤旨在筛选出在特定故障下会出现显著动态偏差的敏感参数，从而为图构建提供有统计依据的初始候选节点集。4.3.1.1. 偏差度量方法通过计算每种故障条件下各传感器参数的时间序列与相应稳态数据之间的DTW距离，可生成参数-故障偏差热图，如图6所示，该热图初步展示了故障的特征模式。下载：下载高分辨率图像（389KB）下载：下载全尺寸图像图6. 基于DTW距离的传感器参数偏差热图。4.3.1.2. 自适应阈值过滤鉴于不同故障模式的严重程度存在显著差异（例如，故障1的总体DTW值远小于故障5），传统的固定全局阈值很容易导致轻微故障的敏感特征被忽略，或为严重故障引入大量噪声节点。在本研究中，采用一维高斯混合模型对76个参数的DTW距离{dij}j=176进行无监督二分类，将其划分为“正常波动簇”和“异常偏差簇”。相关公式如下：(30)P(dij)=π1N(dij∣μ1,σ12)+π2N(dij∣μ2,σ22)其中N(·∣μ1,σ12)表示均值为μ、方差为σ2的高斯概率密度函数。两个高斯组分的混合权重为πk，满足∑i=12πk=1。此处，μ1<μ2分别代表低偏差簇（正常波动参数）和高偏差簇（对故障敏感的参数）的均值dtw距离；σ12和σ22分别为这两个簇的对应方差。基于上述gmm聚类结果，第k种故障的自适应筛选阈值tk定义为两个高斯组分均值的中点，即：(31)ti=μ1+μ22筛选规则为：对于第i种故障，若参数j的dtw距离满足dij≥ti，则该参数被选为该故障的敏感特征节点。该方法无需手动设置经验系数，具备针对不同严重程度故障的自适应能力，同时能确保节点筛选的客观性和一致性。4.3.1.3. 初始节点集的输出经过gmm过滤后，可得到对应于每种故障类型的初始传感器节点集，详见表2。表2. 敏感传感器节点集。故障编号传感器类型1[4, 5, 6, 7, 8, 9, 44, 45, 46, 48, 49, 50, 51, 52, 53, 54, 55, 58, 59, 61, 67, 68, 69, 70, 75]2[4, 5, 6, 7, 8, 9, 44, 45, 46, 48, 49, 50, 51, 52, 53, 54, 55, 58, 59, 60, 61, 67, 68, 69, 70, 75]3[46, 51, 52, 53, 55, 58, 67, 68, 69, 75]4[1, 4, 5, 6, 7, 8, 9, 44, 45, 46, 48, 49, 50, 51, 52, 53, 54, 58, 70, 75]5[1, 3, 4, 5, 8, 9, 13, 16, 17, 18, 25, 26, 27, 28, 29, 30, 40, 41, 42, 56, 57, 71, 72]6[1, 4, 5, 6, 7, 8, 9, 44, 45, 46, 49, 50, 52, 53, 54, 58, 59, 60, 61, 70]7[2, 3, 4, 5, 8, 9]4.3.2. 空间关系建模此步骤旨在根据敏感参数与故障位置的物理空间关系，将前一阶段筛选出的敏感参数映射到具有层次结构的定向图拓扑中。需要明确的是，此处“一级邻居”和“二级邻居”的划分是基于系统的热工水力布局以及故障传播的物理级联效应，与参数的敏感度无关——位于一级邻居区域内的传感器被视为故障的一级可观测节点，即便它们之前未被判定为敏感参数，只要处于故障效应能够立即发挥作用的物理范围内即可。图7展示了核电站主回路中主要设备与潜在故障位置的空间分布。图中的橙色节点（1–7）对应表1中所列的故障模式。当这些节点出现异常时，主回路的原有压力和流量平衡会被打破，故障效应会沿着物理连接管道向相邻区域传播。下载：下载高分辨率图像（1mb）下载：下载全尺寸图像图7. 故障节点的空间分布及层次化故障传播区域示意图。以图中右侧的sgtr故障为例，根据故障传播的层次结构，受影响区域可分为两类。●直接影响区（一级邻居）：即图中的深橙色区域，指的是以蒸汽发生器传热管破裂点为中心的区域，在该区域内，故障引发的参数变化可以立即显现并被监测到。●间接影响区（二级邻居）：即图中的浅橙色区域，指的是受故障效应从直接影响区沿系统循环中的流体流动进一步影响的区域。虽然这类参数变化是通过间接传递产生的，但仍然会受到故障链式反应的显著影响。这种基于系统拓扑和故障传播物理级联的层次划分，为在因果图中定位每个传感器节点提供了客观的空间依据。具体的连接规则——即如何根据压力、流量、温度和安全壳这四条路径将节点划分为一级或二级邻居——将在4.2.3节的专业知识优化步骤中确定。4.3.3. 专业知识修正传感器参数（压力、流量、温度、液位等）对故障的反应在时间尺度和物理机制上存在本质差异。为了将敏感节点集与空间拓扑相结合，需要通过四条层次化的传播规则引入热工水力学的基本原理，从而在传感器之间建立定向的因果关联。规则1（压力和存量边界）：位于故障压力边界及其上下游的压力和液位传感器被指定为一级节点，因为它们能够反映质量和动量失衡的快速传播。规则2（流量和反馈控制）：受质量失衡直接影响的控制体积进出口处的流量传感器，以及控制系统最初的启动信号（如给水、充注/排放），都被视为一级节点。规则3（热力学响应）：在瞬态初期，那些直接受到传热路径或热功率变化影响的温度点也被视为一级节点，因为它们的响应可以与压力和流量的变化同步。规则4（物理屏障和安全壳扩散）：对于发生泄漏导致介质进入安全壳的故障，安全壳的压力、温度、放射性以及污水池液位传感器构成二级边界响应，被视为一条独立的子路径。为进一步说明上述连接原则在具体故障中的作用，我们以故障4（蒸汽发生器传热管破裂，sgtr）为例。如4.3.1节所述，经过gmm过滤后，sgtr的初始敏感参数集为：{1, 4, 5, 6, 7, 8, 9, 44, 45, 46, 48, 49, 50, 51, 52, 53, 54, 58, 70, 75}。根据sgtr的地理位置以及上述四条传播规则，可构建出sgtr故障的定向因果图，如图8所示。在该图中，所有一级节点都集中在蒸汽发生器及其相关管道的近场参数周围。具体而言：故障根源节点 → 第1回路蒸汽发生器水位（11）：破裂点位于蒸汽发生器的u形管束中，初级冷却剂通过破裂处泄漏到次级侧，导致第1回路中蒸汽发生器的水位上升——这是故障最直接的指示指标。蒸汽发生器水位的各级子节点又会进一步连接到压力容器液位（2）（初级冷却剂的流失会导致压力容器液位下降，通过压力-液位耦合形成因果链）、第1回路蒸汽发生器次级侧给水流量（14）（异常的蒸汽发生器水位会触发给水控制系统的自动补偿反应），以及充注管线流量（45）（cvcs会增加充注流量以维持初级冷却剂的存量）。故障根源节点 → 第1回路蒸汽发生器出口蒸汽压力（20）：高压初级介质持续注入次级侧会导致蒸汽压力上升。它的各级子节点则连接到充注管线压力（50）、第1回路冷却剂压力（35）以及压力容器压力（3），反映了压力扰动沿初级压力边界的整体传播情况。故障根源节点 → 第1回路蒸汽发生器出口蒸汽温度（23）：由于热传导作用导致的蒸汽温度变化，可作为一级热响应指标。故障根源节点 → 第1号电加热器热功率（5）：当压力容器压力下降后，电加热器会自动启动以弥补压力损失，这体现了系统主动调节行为的响应节点。在sgtr故障的因果图中，一级邻居大多是位于蒸汽发生器近场区域的传感器——如蒸汽发生器液位、蒸汽压力、给水流量等。这些参数被指定为一级节点，并非因为它们都通过了dtw敏感性筛选，而是因为它们在物理上处于故障效应的直接影响范围内。统计敏感性筛选（4.3.1节）仅用于从76个参数中推荐出一组候选节点，而最终的初级/二级节点划分则由热工水力学基本原理决定。总之，本研究为表1中所列的八种运行状态构建了完整的定向因果传播路径，如图8所示。在图中，橙色节点代表故障类型，蓝色节点代表传感器参数，而定向边则严格遵循四种物理传播路径。这样一来，每种故障的因果图不仅能够反映其独特的传播逻辑，还能与设备布局以及核电站中能量/质量传递的实际物理机制相契合。下载：下载高分辨率图像（778kb）下载：下载全尺寸图像图8. 不同健康状态的因果定向图。4.4. 组件消融实验的设置在将所提出的模型与其他基准方法进行比较之前，首先需要确定gnn框架中最优的特征提取器。为此，仅替换gnn的特征提取模块，其余架构保持不变，共评估了四种变体——gnn_fc-layer、gnn_1d-cnn、gnn_lstm和gnn_trans。这些模型均在pytorch平台上实现（omar等人，2024），其结构及主要超参数列于表3中。具体而言，该模型包含一个特征提取层和两个聚合层，分别用于捕捉一级和二级邻居的信息。每条故障路径最终都会被编码为一个一维的向量表示。表3. 初始节点集的输出经过gmm过滤后，可得到对应于每种故障类型的初始传感器节点集，详见表2。表2. 敏感传感器节点集。故障编号传感器类型1[4, 5, 6, 7, 8, 9, 44, 45, 46, 48, 49, 50, 51, 52, 53, 54, 55, 58, 59, 61, 67, 68, 69, 70, 75]2[4, 5, 6, 7, 8, 9, 44, 45, 46, 48, 49, 50, 51, 52, 53, 54, 55, 58, 59, 60, 61, 67, 68, 69, 70, 75]3[46, 51, 52, 53, 55, 58, 67, 68, 69, 75]4[1, 4, 5, 6, 7, 8, 9, 44, 45, 46, 48, 49, 50, 51, 52, 53, 54, 58, 70, 75]5[1, 3, 4, 5, 8, 9, 13, 16, 17, 18, 25, 26, 27, 28, 29, 30, 40, 41, 42, 56, 57, 71, 72]6[1, 4, 5, 6, 7, 8, 9, 44, 45, 46, 49, 50, 52, 53, 54, 58, 59, 60, 61, 70]7[2, 3, 4, 5, 8, 9]4.3.2. 空间关系建模此步骤旨在根据敏感参数与故障位置的物理空间关系，将前一阶段筛选出的敏感参数映射到具有层次结构的定向图拓扑中。需要明确的是，此处“一级邻居”和“二级邻居”的划分是基于系统的热工水力布局以及故障传播的物理级联效应，与参数的敏感度无关——位于一级邻居区域内的传感器被视为故障的一级可观测节点，即便它们之前未被判定为敏感参数，只要处于故障效应能够立即发挥作用的物理范围内即可。图7展示了核电站主回路中主要设备与潜在故障位置的空间分布。图中的橙色节点（1–7）对应表1中所列的故障模式。当这些节点出现异常时，主回路的原有压力和流量平衡会被打破，故障效应会沿着物理连接管道向相邻区域传播。下载：下载高分辨率图像（1mb）下载：下载全尺寸图像图7. 故障节点的空间分布及层次化故障传播区域示意图。以图中右侧的sgtr故障为例，根据故障传播的层次结构，受影响区域可分为两类。●直接影响区（一级邻居）：即图中的深橙色区域，指的是以蒸汽发生器传热管破裂点为中心的区域，在该区域内，故障引发的参数变化可以立即显现并被监测到。●间接影响区（二级邻居）：即图中的浅橙色区域，指的是受故障效应从直接影响区沿系统循环中的流体流动进一步影响的区域。虽然这类参数变化是通过间接传递产生的，但仍然会受到故障链式反应的显著影响。这种基于系统拓扑和故障传播物理级联的层次划分，为在因果图中定位每个传感器节点提供了客观的空间依据。具体的连接规则——即如何根据压力、流量、温度和安全壳这四条路径将节点划分为一级或二级邻居——将在4.2.3节的专业知识优化步骤中确定。4.3.3. 专业知识修正传感器参数（压力、流量、温度、液位等）对故障的反应在时间尺度和物理机制上存在本质差异。为了将敏感节点集与空间拓扑相结合，需要通过四条层次化的传播规则引入热工水力学的基本原理，从而在传感器之间建立定向的因果关联。规则1（压力和存量边界）：位于故障压力边界及其上下游的压力和液位传感器被指定为一级节点，因为它们能够反映质量和动量失衡的快速传播。规则2（流量和反馈控制）：受质量失衡直接影响的控制体积进出口处的流量传感器，以及控制系统最初的启动信号（如给水、充注 排放），都被视为一级节点。规则3（热力学响应）：在瞬态初期，那些直接受到传热路径或热功率变化影响的温度点也被视为一级节点，因为它们的响应可以与压力和流量的变化同步。规则4（物理屏障和安全壳扩散）：对于发生泄漏导致介质进入安全壳的故障，安全壳的压力、温度、放射性以及污水池液位传感器构成二级边界响应，被视为一条独立的子路径。为进一步说明上述连接原则在具体故障中的作用，我们以故障4（蒸汽发生器传热管破裂，sgtr）为例。如4.3.1节所述，经过gmm过滤后，sgtr的初始敏感参数集为：{1, 4, 5, 6, 7, 8, 9, 44, 45, 46, 48, 49, 50, 51, 52, 53, 54, 58, 70, 75}。根据sgtr的地理位置以及上述四条传播规则，可构建出sgtr故障的定向因果图，如图8所示。在该图中，所有一级节点都集中在蒸汽发生器及其相关管道的近场参数周围。具体而言：故障根源节点 → 第1回路蒸汽发生器水位（11）：破裂点位于蒸汽发生器的u形管束中，初级冷却剂通过破裂处泄漏到次级侧，导致第1回路中蒸汽发生器的水位上升——这是故障最直接的指示指标。蒸汽发生器水位的各级子节点又会进一步连接到压力容器液位（2）（初级冷却剂的流失会导致压力容器液位下降，通过压力-液位耦合形成因果链）、第1回路蒸汽发生器次级侧给水流量（14）（异常的蒸汽发生器水位会触发给水控制系统的自动补偿反应），以及充注管线流量（45）（cvcs会增加充注流量以维持初级冷却剂的存量）。故障根源节点 → 第1回路蒸汽发生器出口蒸汽压力（20）：高压初级介质持续注入次级侧会导致蒸汽压力上升。它的各级子节点则连接到充注管线压力（50）、第1回路冷却剂压力（35）以及压力容器压力（3），反映了压力扰动沿初级压力边界的整体传播情况。故障根源节点 → 第1回路蒸汽发生器出口蒸汽温度（23）：由于热传导作用导致的蒸汽温度变化，可作为一级热响应指标。故障根源节点 → 第1号电加热器热功率（5）：当压力容器压力下降后，电加热器会自动启动以弥补压力损失，这体现了系统主动调节行为的响应节点。在sgtr故障的因果图中，一级邻居大多是位于蒸汽发生器近场区域的传感器——如蒸汽发生器液位、蒸汽压力、给水流量等。这些参数被指定为一级节点，并非因为它们都通过了dtw敏感性筛选，而是因为它们在物理上处于故障效应的直接影响范围内。统计敏感性筛选（4.3.1节）仅用于从76个参数中推荐出一组候选节点，而最终的初级 二级节点划分则由热工水力学基本原理决定。总之，本研究为表1中所列的八种运行状态构建了完整的定向因果传播路径，如图8所示。在图中，橙色节点代表故障类型，蓝色节点代表传感器参数，而定向边则严格遵循四种物理传播路径。这样一来，每种故障的因果图不仅能够反映其独特的传播逻辑，还能与设备布局以及核电站中能量 质量传递的实际物理机制相契合。下载：下载高分辨率图像（778kb）下载：下载全尺寸图像图8. 不同健康状态的因果定向图。4.4.>模型结构与主要超参数。
特征提取层：LSTM，self.lstm = nn.LSTM(input_size=1, hidden_size=128, batch_first=True)；1D-CNN，包含多个卷积层和池化层；Transformer，包含线性层、Transformer编码器层及层归一化层。
MLP：全连接层，使用ReLU激活函数。
自注意力层：包括编码器的Q1/K2/V3结构。
高级邻居串联机制：将[32, 32]组合为[64]。
输出层：故障评分通过32个值的均值计算得出。

故障因果图的质量直接决定了GNN推理性能的上限。为验证所提出的混合图构建方法的有效性，我们对不同的图构建策略进行了消融实验。如图9所示，以基于纯专家知识的故障因果有向图作为基准，该基准图源自我们之前的研究（Wang等人，2025年），其构建并非基于简单启发式规则，而是严格遵循核电站热工水力系统的物理机制，并深入参考了SDG的专家因果建模框架（Ma等人，2024年）。通过比较两种图构建策略下的模型性能，我们可以判断引入数据驱动的时空特征挖掘是否能够弥补仅依赖专家先验知识的不足，从而提升诊断的准确性和稳健性。表8. 不同漂移噪声水平下不同构建路径的诊断性能。(a) 数据集1 (SNR较高) 提出的路径 不同特征提取器 专家知识路径 不同特征提取器 LSTM 1D-CNN 转 FC层 LSTM 1D-CNN 转 FC层 0.5% 准确率 91.74±3.97 86.36±5.64 96.07±2.20 82.30±8.73 90.38±5.13 82.81±10.55 88.38±4.58 82.81±10.55 F1值 91.50±4.66 88.96±0.80 94.80±0.30 99.24±0.76 98.92±0.61 86.84±2.81 99.78±0.62 50% 准确率 93.97±7.27 98.11±1.44 95.43±0.32 99.08±0.86 98.00±2.80 86.60±2.65 99.01±1.58 F1值 93.94±7.36 98.14±1.42 95.46±0.32 99.09±0.85 98.03±2.77 85.91±3.03 98.99±1.63 40% 准确率 82.31±14.53 81.30±13.11 95.44±1.05 95.68±1.55 79.75±11.56 75.78±6.87 80.78±3.22 46.73±11.22 30% 准确率 37.81±8.44 23.44±8.43 62.39±0.64 16.76±3.66 23.53±2.34 25.74±4.65 60.83±5.61 0% 准确率 28.09±6.37 21.06±5.90 46.49±0.09 17.16±2.26 24.11±1.82 16.06±2.78 46.92±8.37 F1值 39.58±6.94 26.30±12.75 95.40±0.79 70.29±6.94 27.06±11.59 51.40±6.81 46.73±8.99 (b) 数据集2 (SNR较高) 提出的路径 不同特征提取器 专家知识路径 不同特征提取器 LSTM 1D-CNN 转 FC层 LSTM 1D-CNN 转 FC层 0.5% 准确率 87.38±8.07 96.02±2.51 85.04±0.59 95.58±2.62 85.45±5.90 79.84±2.90 93.04±2.61 F1值 87.30±8.34 96.04±2.54 83.26±1.09 95.56±2.65 84.96±6.32 78.85±2.85 93.01±2.66 50% 准确率 85.16±8.37 93.85±3.64 84.27±0.47 95.12±2.64 84.17±6.66 79.71±3.01 91.56±3.67 40% 准确率 75.29±15.92 78.76±13.79 84.53±0.77 71.26±7.68 30.29±10.80 51.23±6.93 46.92±8.37 F1值 74.69±16.61 76.96±15.80 82.04±0.88 91.78±3.09 55.09±14.61 71.65±4.76 46.79±6.42 3% 准确率 39.57±12.48 65.66±12.05 85.74±0.50 73.83±5.59 31.25±10.69 50.30±5.59 41.02±9.19 F1值 36.49±14.78 63.30±13.41 83.32±0.87 72.06±5.21 28.39±11.06 50.03±5.51 42.17±9.60 (c) 数据集3 (SNR较高) 提出的路径 不同特征提取器 专家知识路径 不同特征提取器 LSTM 1D-CNN 转 FC层 LSTM 1D-CNN 转 FC层 0.5% 准确率 62.50±10.12 79.05±4.71 70.42±1.08 80.82±3.33 63.10±13.59 68.91±4.82 78.23±4.28 F1值 58.42±11.11 77.60±5.53 69.42±0.97 79.32±4.14 62.86±14.12 67.08±4.57 73.66±4.82 1% 准确率 56.57±12.27 75.77±6.35 64.50±1.11 76.22±3.62 45.91±12.60 59.42±7.00 57.22±4.07 F1值 53.84±13.56 74.97±7.03 63.95±1.15 74.82±3.93 46.45±13.33 58.63±5.60 54.14±4.30 3% 准确率 38.10±7.95 56.74±9.81 64.55±0.79 59.68±7.60 27.33±9.09 44.77±6.14 34.13±5.13 F1值 35.13±10.03 55.28±10.96 63.56±0.91 59.22±7.33 23.91±10.65 44.84±5.94 35.07±5.26 图14. 不同SNR噪声水平下对比模型的准确率箱线图。(a) 提出的路径 (b) 专家知识路径 5.2.间歇性噪声 在模拟的间歇性干扰场景下（特征为稀疏的大幅度异常，出现概率在1%到5%之间），各模型的性能出现显著差异。实验结果及箱线图见表14和图15。由于全局信息处理架构如Transformer具备整体序列级感知能力，且这类间歇性脉冲极为稀疏，大部分背景数据并未受到污染。通过计算整个序列的相似度权重，全局自注意力机制能够通过全局归一化有效削弱稀疏异常的影响。因此，这类模型能在该场景下保持较好性能。而基于单路径的特征提取方法则难以捕捉可靠的时间序列特征，导致模型性能大幅下降。实验表明，与之前的噪声场景相比，严重的跨域分布漂移对模型特征泛化能力构成了更为严峻的挑战。4.3%漂移噪声 在模拟的3%强度漂移场景下，各模型的性能差异更加明显。此时，三种数据集的准确率分别降至46.92%、41.02%和34.13%。这种性能下降源于严重分布漂移对单路径特征提取的负面影响——强烈的数据漂移会扭曲原始时间序列的特征，使得故障演变趋势无法被准确识别，进而导致特征提取器无法生成有效的时间表示，最终使模型性能急剧下降。这些实验结果说明，与之前的噪声类型相比，严重的跨域分布漂移对模型特征泛化能力的威胁更大。此外，该网络会将这些孤立异常视为与整体运行规律不符的异常现象，从而赋予它们极低的权重。这一机制有效避免了局部极端值影响整个特征空间，使得Transformer具备出色的鲁棒性，预测稳定性极高。而2D-CNN则通过局部滑动窗口保留部分未受污染的时空特征，从而保持一定的环境适应性。表14展示了不同间歇性噪声水平下各对比模型的诊断性能。表(a)数据集1：pLSTM-SA、2D-CNN、SVM、TransGAT、GCN、GNN_LSTM，在噪声强度为0.01时，准确率分别为86.68±6.70%、95.12±1.95%、23.35±0.009%、65.8±1.11%、76.80±5.66%、70.31±4.06%、88.20±2.82%，F1值分别为86.68±6.80%、95.18±1.92%、10.41±0.74%、96.60±1.12%、76.41±5.84%、69.15±4.61%、88.18±2.86%；在噪声强度为0.03时，准确率分别为75.41±8.64%、87.13±4.62%、27.89±2.39%、92.58±1.11%、61.45±9.90%、60.07±3.74%、69.29±3.89%，F1值分别为75.41±8.84%、87.15±4.69%、16.98±1.87%、92.57±1.15%、60.47±10.73%、57.00±5.17%、69.51±3.85%。表(a)数据集2：在相同噪声强度下，各模型的准确率及F1值与数据集1相近。表(a)数据集3：在相同噪声强度下，各模型的准确率及F1值进一步降低。图20展示了不同间歇性噪声水平下各对比模型的准确率箱线图。相反，包括先前在连续背景噪声环境下表现优异的FC-GNN(LSTM)在内的图聚合模型，其性能出现严重下降。这暴露出图网络在处理特定瞬态异常时的根本结构缺陷：由于其局部消息传递机制，单个节点的极端值扭曲会通过空间连接逐级扩散放大，从而严重破坏诊断基础。传统浅层SVM模型也同样面临严重问题，由于其数据分布和决策边界会被大振幅脉冲严重扰乱，准确率降至20%–30%区间。总体而言，虽然Transformer凭借全局计算能力能够有效应对稀疏的瞬态脉冲，但那些过度依赖空间节点聚合的架构，在此类局部电磁干扰环境下存在固有的泛化限制。在复杂条件下——即分布偏移与极端噪声同时存在的环境下对所提出的FC-GNN(LSTM)及主流算法进行压力测试后，可以明显看出它们的适用范围存在差异。FC-GNN(LSTM)在连续背景干扰（如低信噪比、多通道噪声）环境下具有明显优势；而传统深度网络（2D-CNN、GAT）在复合干扰环境下会出现严重波动甚至失效，SVM则因容量限制导致平均准确率较低。相比之下，所提出的模型能够始终保持较高的准确率下限和较低的方差。例如在噪声强度为0.05时，其他深度模型的准确率会降至20%以下，而FC-GNN(LSTM)的准确率可稳定在60.42%，这充分证明了图拓扑结构在空间上抑制连续噪声方面的有效性。不过，当面临极端分布偏移和间歇性脉冲时，该模型也会出现问题。在数据偏移率为3%时，严重扭曲的时间序列形态会削弱LSTM的特征提取能力，反而使得SVM凭借更简单的决策边界获得更高的稳定性。在间歇性脉冲噪声环境下，Transformer通过自注意力机制在全球范围内稀释稀疏异常，表现更为出色。而包括所提出模型在内的基于图的方法，则会因局部消息传递导致孤立脉冲在图中传播放大，进而破坏全局特征，性能出现明显下降。综上所述，没有任何一种架构能够普遍解决所有干扰场景的问题。虽然FC-GNN(LSTM)能为连续噪声和轻微分布偏移提供稳健的解决方案，但其抑制瞬态脉冲空间传播的能力仍有提升空间。5.3 可解释性分析为了使智能诊断系统能够在核电站的高风险决策场景中得到有效应用，它们不仅需要提供高精度的诊断结果，还需确保决策逻辑的透明度。为阐明所提出GNN模型的内部推理机制，本节通过故障置信度分布热图和路径注意力分布曲线，定量分析模型在特征聚合过程中对不同传感器节点的关注程度。5.3.1 清洁数据场景以SGTR故障为例，图21展示了预测置信度随时间的变化情况。故障发生时，SGTR的置信度迅速上升，始终领先于其他类别。即便在存在严重分布偏移的数据集3中，尽管初始上升幅度略有减弱且存在轻微的背景波动，该模型仍能稳定识别目标故障，没有出现误分类。这表明GNN的邻域聚合机制能有效缓解单节点特征偏移带来的不确定性，展现出出色的泛化能力和故障容忍度。图22展示了SGTR故障的传播路径，图23则呈现了其一级邻节点的参数曲线。可以看出，尽管不同故障严重程度会导致数值有所差异，但模型捕捉到的底层趋势十分相似。图24显示了数据集1–3中SGTR故障传播图中各子路径的注意力分布曲线，表明模型在推理过程中会根据这些趋势给出一致的置信度评分。值得注意的是，在故障严重程度相对较低的数据集3中，1号电加热器在故障发生后230秒短暂停止工作，导致传感器数据突然下降。但由于采用了多故障模式学习机制，模型自动调整了各子路径的权重以适应这一突发状况。如图24(a)所示，模型自动聚焦于最具区分度的故障传播路径。这一机制有效平滑了异常影响，提升了模型的决策能力。为进一步量化模型决策过程的透明度和可靠性，图25展示了不同数据集下全局可解释性评分随时间的变化曲线。对于数据集2，评分迅速上升并稳定在接近1.0的最大值附近，说明实时特征注意力分布与SGTR故障的标准先验认知模式高度一致。而数据集3的评分则呈现出不同的变化轨迹：虽然最初会上升并稳定在0.9左右，但在200秒后开始出现持续且显著的下降。这一下降趋势正是由1号电加热器在230秒停止工作这一物理异常导致的。由于模型动态调整了各子路径的注意力权重以适应这一突然的局部数据下降，其实时注意力分布不可避免地偏离了标准基准模式，从而导致可解释性评分出现下降。这一现象证明，所提出的评分机制不仅能验证正常诊断过程的合理性，还能精准捕捉并可视化模型在应对动态过程扰动时的内部适应行为。5.3.2 噪声环境下的表现在上述全局评估基础上，图26展示了在不同退化数据场景下，SGTR故障（数据集1）各子路径的注意力权重随时间的变化情况，以此进一步研究模型的鲁棒性和自适应能力。如图26(a)和(b)所示，在不同信噪比噪声和等功率噪声作用下，各子路径的注意力权重变化曲线几乎完全重合。这种高度一致性表明模型具有出色的稳定性，其特征提取机制几乎不受全局连续背景噪声的影响。而图26(c)则展现了模型对累积性漂移噪声的自适应响应。在轻微漂移条件（-0.5%和-1%）下，注意力分布保持稳定，但在严重漂移条件（-3%，黄色曲线）下，权重开始出现明显差异。具体而言，随着基准偏差的累积，模型会动态调整对不同子路径的依赖程度，展现出逐步补偿传感器缓慢退化能力。此外，图26(d)还展示了模型对间歇性噪声的快速实时响应。在较高噪声强度（-3%和-5%）下，注意力权重会出现剧烈的局部波动。通过对比这些不同场景下的表现，可以发现数据退化程度与模型内部认知偏差之间存在明显关联。在良性或静态噪声条件下，模型能与训练集中学习的先验知识保持高度一致，体现出了强大的诊断信心。而在动态且严重的退化条件下，干扰强度越大，模型的实时注意力分布偏离标准基准的程度就越显著。为从宏观层面了解模型在数据退化过程中的认知动态，图27展示了上述各类噪声场景下SGTR故障的全局可解释性评分变化曲线。对于静态且均匀的干扰，如等功率噪声（0.01、0.03、0.05）和轻度信噪比噪声（SNR60），可解释性评分始终保持在较高水平且十分稳定，几乎始终处于1.0附近。这一宏观观察结果表明，在可控噪声环境下，模型的全局决策逻辑与标准先验模式高度一致。随着信噪比进一步恶化（SNR50、SNR40），评分虽会暂时下降，但随后会稳定在某一水平。这说明模型能够快速建立新的、稳定的特征聚焦策略，以应对升高的背景噪声。而针对漂移噪声的曲线则直观体现了模型对累积性退化的响应情况：轻微漂移（0.5%、1%）仅会导致评分出现轻微但稳定的下降，而严重漂移场景（3%，青色曲线）则会出现持续的下降趋势。这一渐进式下降从数学上反映了模型在不断主动补偿传感器累积误差的过程中，逐渐偏离基准模式的情况。最后，间歇性噪声场景下的可解释性评分最低且波动最大。由于间歇性噪声会带来随机、突发的数据峰值，模型不得不处于持续的动态注意力调节状态。评分大幅偏离最高值（降至0.4–0.8区间），直观体现了模型为过滤这些瞬态异常而必须付出的巨大调整努力。总体而言，图27证实了所提出的全局可解释性评分是一种高度敏感的指标。它成功将模型的黑盒式鲁棒性机制转化为可测量的变化曲线，证明在恶劣环境中较低的评分反映了模型为应对干扰而付出的主动补偿力度，而非诊断失败。5.3.3 可解释性方法的对比为了为所提出的可解释性评估方法提供参考，图28和图29展示了在数据集1的基准条件下，传统可解释人工智能技术——即SHAP和LIME——对SGTR故障产生的解释结果。如图28所示，SHAP群图为SGTR（数据集1）场景的特征贡献提供了全局视角，清晰展现了特定变量（如特征9、特征10）对模型输出的影响大小和方向。类似地，图29展示了LIME的特征重要性分析结果，该方法通过局部线性近似来识别决定特定SGTR预测结果的关键决策阈值（如特征62≤0.00）。在这类标准条件下，这两种方法都能在数学层面识别出最具影响力的输入变量。然而，将这些传统的归因方法应用于连续工业故障诊断时，存在固有局限性。首先，它们本质上仅限于静态特征重要性分析，只能提供某一时刻的变量权重快照，完全忽略了故障随时间的发展趋势、空间拓扑结构以及因果传播路径。其次，它们无法在动态诊断过程中提供标准化的、定量的可解释性评分。SHAP和LIME的输出仅为无界数值或归因值，这类原始数值无法被标准化为严格的、有界指标（如(0, 1]区间），因此无法持续监测模型的内部认知模式是否与人类的先验知识相符。因此，尽管SHAP和LIME可作为事后特征排序的有用工具，但它们并不适用于动态运行环境。它们无法回答“当前模型的诊断逻辑到底有多可靠、多易理解”这一关键问题，这也凸显了本研究提出的基于时间序列轨迹匹配的标准化全球可解释性评分的必要性。5.3.4 注意力分布的重复实验为研究模型的学习行为，我们进行了十次独立的训练试验，每次均采用不同的随机初始化参数。图30展示了这些试验所得到的子路径注意力权重的时间变化轨迹。这些结果揭示了模型认知模式中共识与分歧之间令人着迷的相互作用。下载：下载高分辨率图像（754KB）下载：下载全尺寸图像图30. 多个独立模型中SGTR故障子路径的时间轨迹一致性。一方面，所有子路径的时间趋势在十个模型实例中都保持一致，这表明该模型捕捉到了故障演变的统一“时间框架”——就像十位经验丰富的工程师诊断机械故障一样；尽管他们拥有不同的专业背景，但都会聚焦于相同的临界症状。另一方面，我们观察到绝对注意力权重存在明显的数值差异。这类似于不同的人进行评估：虽然他们都能正确识别出核心问题，但个人的关注点和主观侧重可能会有所不同。在我们的模型中，这种数值差异反映了故障传播图固有的高维性和非线性，即存在多条“近乎最优”的路径能够得出相同的诊断结论。这种灵活性并不意味着不稳定，反而表明模型保持了基于共识的稳健逻辑，能够在不牺牲诊断精度的前提下避开不同的局部最优解。通过平衡一致的物理理解与自适应的数值权重，该模型确保了诊断的准确性及可解释性。5.3.5 成本计算与可扩展性随着故障类型数量的显著增加，系统在计算可扩展性和维护方面面临双重挑战。从时间角度来看，实时诊断延迟主要由基于DTW的匹配算法的并行执行决定。由于每种需要监测的故障类型都需要与其特定的标准历史模式进行对比对齐，因此总计算成本会随故障类别数量的增加而呈线性增长，其表达式为O(K,N2)，其中K代表故障类别的数量，N代表序列长度。在我们的实现中，该模型具备了高效的推理速度，每个样本的平均延迟仅为6.5957毫秒，完全满足核电站实时监控的毫秒级要求。虽然可解释性模块由于需要执行DTW过程而在计算上更为复杂，但对于300秒的时间窗口，其处理时间约为0.78秒，这一时间对于非关键的辅助诊断支持来说已经足够低。为了在K值增加时仍保持这种效率，我们的系统采用了并行执行框架，确保不同故障类别的诊断和可解释性任务不会造成计算瓶颈。然而，每种故障的标准注意力分布（基于训练集的历史数据）取决于故障的具体严重程度以及运行条件。当现场运行条件发生变化（如功率水平调整）或设备老化导致基准值偏移时，就需要重新收集数据并重新计算标准化参考参数。否则，可解释性得分将持续偏低，从而导致误报。6. 结论本研究提出了故障因果图神经网络（FC-GNN），以解决核电站智能诊断中的“黑箱”问题及稳定性难题。我们的主要发现如下：(1)标准化因果构建：通过整合基于DTW的相关性筛选、物理空间拓扑结构以及专家校准方法，我们建立了标准化的故障因果图。这种融合了物理知识的建模方法相比纯专家知识驱动的方法表现更为出色，在面对未见过的故障严重程度时，能够使弱特征提取器（如FC层）的准确率提升20个百分点以上。(2)复杂环境下的稳定性：FC-GNN(LSTM)版本在应对复合噪声和分布偏移方面具有更强的抗干扰能力。它能够有效利用图拓扑结构来抑制连续的空间噪声，在5%的等功率噪声环境下仍能保持60%的准确率，而传统的深度网络在此情况下的准确率通常会降至20%以下。(3)定量可解释性：我们提出了一种基于注意力-DTW的全局可解释性评分机制，该机制能够为模型的推理过程提供实时的定量验证。这一评分通过精准反映内部注意力分布与领域内已知故障模式之间的一致性，为决策提供可靠的支持。(4)适用范围限制：在该模型在出现3%的严重分布偏移或间歇性脉冲噪声的情况下，其性能会受到限制，因为过度依赖局部消息传递反而可能传播而非过滤掉孤立异常。这些发现明确了该模型目前的适用边界，并为未来的改进方向提供了思路，例如引入注意力阻断或异常节点隔离机制。(5)对模拟数据的依赖：虽然仿真平台能够高度逼真地模拟反应堆的主回路，但本研究本质上还是依赖于模拟的故障数据。仿真环境无法完全呈现现实世界中存在的随机性、未建模的动态扰动以及复杂的传感器老化效应。在将所提出的框架应用于实际场景之前，使用规模更大的测试设施数据或真实的运行数据来进行验证仍是至关重要的。总之，本研究实现了诊断精度、稳定性以及推理可解释性之间的协同优化，为在核电等安全关键领域可靠应用智能运维技术提供了可行的技术路径。未来工作：现有的数据驱动的开集故障诊断模型难以应对故障演变过程中的波动（如严重程度变化），这往往会导致已知故障演变类型与具有相似特征的未知故障之间的误分类。为了解决这一问题，我们后续的研究将基于注意力分析开发一种开集诊断框架。具体而言，我们将利用所提出的全局可解释性评分以及子路径注意力分布来判断某个样本的注意力模式是否偏离了所有已知的故障模式——即便该样本的原始特征与某种已知故障类型相似。这种基于注意力的开集诊断方法旨在克服现有开集模型的局限性，比如不可靠的不确定性估计以及未知故障排除决策的可解释性较差等问题，从而提升核电站在实际应用中的适应性。CRediT作者贡献说明王欣：概念构思、数据整理、形式分析、研究调查、方法设计、项目管理、软件开发、监督指导、验证分析、可视化处理、初稿撰写。王航：概念构思、资金筹措、研究调查、资源协调、论文审阅与编辑。彭敏军：数据整理、资金筹措、研究调查、资源协调。郝成明：研究调查、项目管理、论文审阅与编辑。