Ein Transformer–XGBoost-basiertes Modell zur Fehlerdiagnose für CPR1000

Warum intelligentere Alarme in der Kernenergie wichtig sind

Kernkraftwerke arbeiten mit einem komplexen Geflecht aus Rohrleitungen, Ventilen und Sensoren, die alle perfekt zusammenwirken müssen. In ungewöhnlichen Situationen können die Leitstände von blinkenden Anzeigen und sich schnell ändernden Messwerten überflutet werden, schneller als ein Mensch sie interpretieren kann. Dieser Beitrag untersucht, wie eine neue Form künstlicher Intelligenz in Echtzeit durch diesen Datenstrom waten kann, um Bediener dabei zu unterstützen, gefährliche Fehler in einem Druckwasserreaktor CPR1000 zu erkennen, bevor sie eskalieren. Damit weist er in Richtung einer Zukunft, in der Maschinen als wachsame Partner agieren und frühzeitige Warnzeichen liefern, die Menschen unter Druck übersehen könnten.

Ein digitales Sicherheitsnetz für komplexe Reaktoren

Die Autorinnen und Autoren konzentrieren sich auf eine chinesische CPR1000-Anlage, ein komplexes System, das durch Dutzende wichtiger Messgrößen wie Temperatur, Druck, Wasserstand und Durchfluss überwacht wird. Im normalen Betrieb überfordert dieses Sensornetz bereits die menschliche Aufmerksamkeit; in einem Notfall, wenn viele Alarme gleichzeitig ertönen, wird die Interpretation dessen, was tatsächlich geschieht, noch schwieriger. Das Ziel des Teams ist, diese Rohsignale in eine automatische „Gesundheitsstatus“-Bewertung zu überführen, sodass Bediener statt einzelner Zahlen erkennen können, welcher konkrete Fehler sich abspielt, und schnell sowie sicher reagieren können.

Dem Simulator beibringen, seltene Unfälle zu erzeugen

Da reale Kernunfälle glücklicherweise selten sind, nutzten die Forschenden einen hochrealistischen Simulator namens PCTRAN, der das Verhalten einer CPR1000-Anlage unter vielen Bedingungen nachbilden kann. Sie entwickelten ein Python-Werkzeug namens AutoSave‑PCTRAN, das den Simulator automatisch startet, Fehler mit variierender Schwere einfügt und alle Sensorwerte über die Zeit aufzeichnet. Durch wiederholte Simulation dreier besonders schwerwiegender Szenarien—Kühlmittelverlust, Dampfleitungsschaden innerhalb des Containments und ein Bruch in einem Rohr des Dampferzeugers—sowie des Normalbetriebs sammelten sie 120.000 Beispiele dafür, wie sich die Sensoren der Anlage vor und während jeder Ereignisart verhalten.

Wie die hybride KI aus Reaktorsignalen lernt

Alle 92 verfügbaren Sensorkanäle in einen Algorithmus einzuspeisen wäre ineffizient und verrauscht, daher nutzte das Team zunächst ein Merkmal-Auswahlverfahren, um die sechs aussagekräftigsten Signale zu identifizieren, etwa wichtige Wasserstände, Strahlungsmonitore und Kühlmittelbestände. Diese Datenströme bilden kurze Zeitfenster, die in ein modernes Sequenzanalysemodell namens Transformer eingespeist werden, das besonders gut darin ist, subtile Muster über viele Sekunden zu erkennen. Anstatt eine einfache Ja‑/Nein‑Antwort zu liefern, verdichtet der Transformer jedes Zeitfenster zu einem kompakten Satz numerischer Merkmale, der erfasst, wie sich das System entwickelt.

Von Mustern zu präzisen Fehlerkennzeichnungen

Die vom Transformer verdichteten Muster werden anschließend in eine Ensemble-Entscheidungsmethode namens XGBoost eingespeist, die besonders gut darin ist, komplexe Daten bei sorgfältiger Abstimmung zu klassifizieren. Um die besten Einstellungen zu finden, wenden die Autorinnen und Autoren einen „intelligenten Such“-Ansatz an, der von Walsuchstrategien inspiriert ist und verhindert, dass das Modell in mittelmäßigen Lösungen stecken bleibt. Training und Test erfolgen mit strenger Kreuzvalidierung, sodass das System wiederholt mit neuen Kombinationen simulierten Fällen herausgefordert wird. Dieses zweistufige Design verbindet die Stärke des Deep Learning im Umgang mit Zeitreihen mit einer traditionelleren Entscheidungsmaschine, die scharfe Grenzen zwischen unterschiedlichen Fehlertypen ziehen kann.

Wie gut das System Gefahren erkennt

Im Ergebnis konnte das hybride Modell Normalbetrieb, Dampfleitungsbruch, Rohrbruch im Dampferzeuger und Kühlmittelverlust mit bemerkenswerter Zuverlässigkeit auseinanderhalten. Über alle vier Zustände lagen Genauigkeit, Recall und F1‑Werte über 98 %, in einigen Fällen erreichten sie sogar 100 %. Wichtig ist, dass die aufgetretenen Fehler größtenteils auf die Grenze zwischen zwei dampfbezogenen Fehlern beschränkt waren, die naturgemäß ähnliche Sensormuster erzeugen. Selbst dort blieb die Fehlklassifikationsrate unter 2 %. Im Vergleich zur ausschließlichen Nutzung des Transformers oder nur von XGBoost reduzierte der kombinierte Ansatz Fehlinterpretationen um mehrere Prozentpunkte—eine bedeutsame Verbesserung in einer sicherheitskritischen Umgebung.

Was das für die tägliche Sicherheit bedeutet

Für Nicht‑Spezialisten ist die Botschaft klar: Diese Forschung zeigt, dass moderne KI als hochsensible Assistenz in Leitständen von Kernkraftwerken dienen kann, viele Sensoren gleichzeitig überwacht und frühe Signaturen schwerwiegender Fehler erkennt. Indem das System eine Flut von Zahlen auf eine klare, zeitnahe Anzeige darüber verdichtet, welches Problem sich entwickelt, könnte es den menschlichen Bedienern eine entscheidende Zeit- und Handlungsklarheit verschaffen und so die Wahrscheinlichkeit reduzieren, dass ein verwirrendes Alarmszenario zu einer Fehlentscheidung führt. Obwohl die Studie noch auf simulierten Daten beruht und weitere Tests mit realer Störungsvollrauschen erforderlich sind, skizziert sie einen vielversprechenden Weg zu verlässlicherer, menschenzentrierter Sicherheit in der Kernenergie.

Zitation: Peng, Z., Lei, J., Ni, Z. et al. A transformer–XGBoost based model to fault diagnosis for CPR1000. Sci Rep 16, 11276 (2026). https://doi.org/10.1038/s41598-026-38211-5

Schlüsselwörter: Sicherheit in Kernkraftwerken, Fehlerdiagnose, maschinelles Lernen, Transformer XGBoost, Reaktorüberwachung