针对对抗性攻击的核反应堆鲁棒故障诊断：一种基于二次残差脉冲神经网络的方法

《Applied Soft Computing》：Robust fault diagnosis for nuclear reactors against adversarial attacks: A quadratic-residual spiking neural network approach

　　摘要：控制棒驱动机构（CRDM）是核反应堆堆芯中唯一常规激活的组件，通过精确控制棒的位置直接调节反应堆功率。由于安全性的要求，CRDM的故障诊断必须在不利扰动下具备鲁棒性，而不仅仅是在理想的实验室条件下实现高精度。由于CRDM的振动信号具有丰富的瞬态特性和事件驱动性，它们会受到启动瞬态、负荷跟踪操作、热液压波动和白盒对抗性扰动的强烈影响。尽管连续模型在干净的数据集上可以实现高精度，但其高输入输出敏感性和连续激活函数使它们容易受到基于梯度的对抗性扰动的影响。这种脆弱性与核仪器所需的鲁棒性标准相冲突。为了解决这个问题，提出了一个白盒对抗性鲁棒训练和推理框架。该框架有三个新颖的特点：首先，我们设计了一个尖峰神经网络（Adversarial-SNN）框架，其中分类器和攻击者共享一个骨干网络，从而消除了对单独对抗性判别器的需求；这种设计简化了对抗性训练流程并减少了参数冗余；其次，尖峰骨干网络结合了二次残差路径和竞争权重共享，降低了经验输入输出敏感性；第三，二次残差攻击者作为基于梯度的扰动分支，用于探测分类器的决策稳定性。在CRDM和公开数据集上的广泛实验表明，Adversarial-SNN在严重扰动下仍能保持与干净数据相当的准确性。

引言：核电站（NPP）的安全运行是一项基本要求。切尔诺贝利、福岛和三里岛等历史事件是重要的提醒。虽然严重核事故的概率很低，但其影响可能是长期的，并可能影响环境、经济乃至整个社会[1,2]。为了避免这些事件，国际核安全标准要求关键安全系统在最不利的可信运行条件下展现出扰动鲁棒性。这些标准包括国际原子能机构（IAEA）发布的标准[3]以及电气和电子工程师协会（IEEE）为数字仪器制定的标准[4]。在这个严格的监管框架内，控制棒驱动机构（CRDM）占据着独特的临界位置。如图1所示，CRDM是核电站堆芯中唯一常规激活的机械系统，它通过电磁线圈驱动的钩爪组件来控制中子吸收棒的执行和抽出。CRDM对于反应堆的启动、关闭、负荷跟踪操作期间的功率调节以及紧急关闭至关重要。这些棒的插入深度会调节中子通量，插入越深，中子吸收越多，反应堆功率越低；相反，抽出则会减少吸收并增加反应堆功率。因此，一旦CRDM因机械退化或电磁异常而偏离正常运行，反应性控制可能会受到影响，安全裕度也会降低。

CRDM安装在反应堆压力容器内，工作在高温和高辐射环境中，并受到冷却剂引起的振动以及一次回路中的热-液压耦合的影响。在这种条件下，需要一个抗扰动的CRDM故障诊断机制。

基于物理的方法依赖于对CRDM中耦合并发的电磁、机械和热过程的精确多物理建模，但这实际上很难实现。统计建模方法则依赖于稳定性假设或已知的数据分布，但对于统计特性随运行条件变化的CRDM信号来说，这些假设难以维持。这些限制促使人们采用了基于人工神经网络（ANN）的方法，这些方法可以直接从数据中学习非线性映射，而无需显式的分布假设或详细的机制模型[5][6]。最近的研究探索了多种深度学习架构用于CRDM故障诊断。Xu等人[7]使用GRU自动编码器学习了CRDM的潜在表示，但没有解决对抗性鲁棒性问题或测试时输入损坏的问题。Wang等人[8]依赖于集成经验模态分解和变压器前端，引入了假设准稳定性的手工预分解，扩大了攻击面。He等人[9]在马尔可夫转移场图像上使用了改进的卷积神经网络（CNN）和非支配排序遗传算法II，但依赖于预处理流程并假设评估信号是干净的。Li等人[10]通过经验模态分解和CNN减少了域差异，处理的是协变量漂移而不是对抗性扰动或推理时的防御。Shin等人[11]采用可解释的深度学习来支持核电站异常状态的诊断，通过选择关键监控参数。Wang等人[12]在数据受限条件下提出了半监督的核动力系统故障诊断方法。

这些方法虽然表现良好，但有一个根本性的限制：它们仅针对干净数据的准确性进行优化，没有纳入与安全相关的核组件所需的抗扰动鲁棒性要求。这一疏忽非常重要，因为现代神经网络（NNs）对对抗性扰动表现出众所周知的脆弱性[[13], [14], [15], [16]]，包括在安全和可靠性导向的工程应用中[17]。对于人类观察者来说几乎察觉不到的小幅度、基于梯度的输入修改，可以通过连续的网络层被放大，最终改变分类决策。从机制上讲，这种脆弱性源于分段线性激活函数（例如ReLU）的局部线性和雅可比矩阵的链式连接，这使得有效的Lipschitz常数变大。沿着梯度方向制作的损失最大化扰动会在层间传播和放大，从而影响诊断输出的可信度。根据国际原子能机构SSR-2/1等核安全标准，与安全相关的诊断系统应在扰动可信条件下保持可靠。然而，大多数现有的基于ANN的CRDM诊断方法都是为干净数据的准确性优化的，并没有针对这种扰动鲁棒性标准进行明确设计或评估。传统的ANN鲁棒性增强技术（例如Lipschitz正则化、对抗性平滑、随机防御等）仍然停留在相同的连续计算范式中，因此无法从根本上消除基于梯度的扰动放大。这种脆弱性不是实现上的缺陷，而是连续可微函数组合的结构属性。

要在传统ANN架构中解决基于梯度的鲁棒性问题，需要结构上中断扰动的逐层放大，而不仅仅是依赖相同的连续计算范式内的正则化。尖峰神经网络（SNN）提供了一种精确的不连续计算机制。与传统使用连续激活函数的网络不同，SNN通过膜电位跨越触发阈值时产生的离散尖峰事件来处理信息[18]。这种受生物学启发的不连续计算通过Heaviside或阈值函数实现，打破了基于梯度的扰动所利用的链式规则连续性，抑制了在推理时的小幅度、输入对齐的变化。

受到这些结构特性的启发，SNN已被用于故障诊断应用。Zuo等人[19]在尖峰编码之前应用了局部均值分解，并进一步开发了更深层次的概率SNN以提高表示能力[20]。Chen等人[21]开发了一种低延迟的SNN用于轴承故障诊断，强调快速高效的推理。Wang等人[22]将基于SNN的诊断扩展到自动驾驶车辆中的传感器故障检测。

尽管如此，现有的基于SNN的诊断流程假设了干净的测试条件，依赖于领域特定的预处理，并且与强大的CNN/Transformer基线相比在准确性上存在差距。对SNN鲁棒性的并行研究表明了几个问题：首先，尖峰编码可能会忽略微妙的扰动[23][24]；其次，SNN在扰动下可以胜过广泛应用的卷积、残差和循环架构[25]；第三，对抗性正则化训练可以提高韧性[26]。然而，这些方法主要基于理论，实证验证仅限于图像基准测试，并且没有针对CRDM信号的强非稳定性、丰富的瞬态特性和低信噪比特征进行设计。此外，传统的对抗性正则化训练仅关注单一模型的输入扰动，而没有特别优化网络结构以控制梯度传播。

为了解决这一差距，我们提出了Adversarial-SNN，这是一个抗扰动训练和推理框架，它集成了三个专为关键安全CRDM故障诊断设计的协同特性：(1) 提出一个对抗性训练和推理框架，其中攻击者和分类器共享一个共同的二次残差尖峰神经网络（QRes-SNN）骨干；与使用独立攻击生成和分类网络的传统对抗性学习方案不同，该框架在共享的特征表示内执行扰动生成和故障分类，从而消除了对额外对抗性判别器的需求，降低了架构复杂性；(2) 设计了一个在攻击者和分类器之间共享权重的QRes-SNN骨干，旨在学习抗干扰的瞬态表示；通过结合二次残差特征提取和稀疏尖峰动态，该骨干增强了CRDM故障特征的鲁棒性，同时在多种扰动类型下降低了经验输入输出敏感性；(3) 为了鲁棒训练，使用共享骨干的QRes-SNN攻击者在多个攻击预算下生成基于梯度的扰动，提供了对分类器模型鲁棒性的明确压力测试。

本文的其余部分安排如下：第2节介绍对抗性攻击和防御的技术背景；第3节详细介绍了Adversarial-SNN框架的结构和技术方面；第4节提供了在不同参数化的FGSM攻击下的实验结果以及比较研究；第5节总结了本文并概述了未来研究的方向。

技术背景：本工作的目标是开发一个诊断模型F，即使在存在对抗性扰动的情况下也能准确识别CRDM故障类型。形式上，模型F可以表示为：??:(???(??),???(??))→????，其中???(??)表示时间??时传感器捕获的测量值，???(??)表示??时的恶意篡改值。????∈{C1?,C2?,C3?,C4?,C5?,C6?,C7}表示时间??时的CRDM故障类型，其详细解释见表1。

恶意扰动：Adversarial-SNN框架通过无判别器的设计解决了传统对抗性架构与关键安全CRDM故障诊断之间的根本不兼容性问题。我们不对单独的二元判别器进行训练，而是直接在多类QRes-SNN分类器上进行对抗性训练。该框架由两个功能不同的组件组成：攻击者和分类器，它们共享相同的QRes-SNN骨干和权重。

CRDM数据集和可重复性协议：为了验证所提出框架的有效性和泛化能力，我们在来自中国核动力设计研究院（NPIC）的私有CRDM数据集上进行了实验，然后展示了其对其它敏感信号的机械系统的适用性。模型训练使用以下超参数：学习率为0.05，批量大小为128，SGD优化器和动量为0.9。CRDM数据集是一个私有数据集。

结论与展望：本文提出了Adversarial-SNN，这是一种用于关键安全CRDM的鲁棒故障诊断框架。它旨在解决高干净数据准确性和白盒对抗性扰动CRDM数据之间的冲突，后者限制了传统深度学习方法的应用。关键创新在于使用共享骨干的对抗性架构将攻击者和分类器统一在单个QRes-SNN中。通过持续的最小-最大训练，它促进了鲁棒的决策学习并减少了系统的脆弱性。

CRediT作者贡献声明：吴学志：撰写——原始草稿、方法论、调查、概念化；陈忠书：撰写——原始草稿、验证、方法论；丁永奇：验证、调查；王福：验证、资源管理、数据整理；Enrico Zio：撰写——审阅与编辑、监督；左林：监督、项目管理；刘宇：撰写——审阅与编辑、监督、资金获取、概念化。

利益冲突声明：作者声明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：作者感谢科学挑战项目（合同编号TZ2025003）、国家自然科学基金（批准编号72271044和72331002）以及四川省科学技术计划（批准编号2025ZYD0190）的资助支持。

吴学志 | 陈忠书 | 丁永奇 | 王福 | Enrico Zio | 左林 | 刘宇
中国电子科技大学机械与电气工程学院，四川成都，611731，中国