CPR1000の故障診断のためのTransformer–XGBoostベースモデル

原子力で「賢い」アラームが重要な理由

原子力発電所は配管、弁、センサーが複雑に連係して動作することで成り立っています。異常事象が起きると、制御室は点滅する警報や刻々と変化する計測値であふれ、人間の直感だけでは追い切れない速さで情報が流れます。本論文は、新しい種類の人工知能がその大量のデータをリアルタイムでふるいにかけ、CPR1000型加圧水型炉で危険な故障をエスカレートする前に検知する手助けをする方法を探ります。こうした技術は、プレッシャー下で人が見逃しがちな初期兆候を静かに見守る、機械と人の協調した未来を示唆します。

複雑な原子炉に対するデジタルの安全網

著者らは中国のCPR1000原子力ユニットに着目しています。この複雑なシステムは温度、圧力、水位、流量など多数の重要な測定値で監視されており、通常運転下でも人間の注意は限界に達しがちです。緊急時に多くの警報が同時に鳴ると、実際に何が起きているかを解釈するのはさらに困難になります。チームの目標は、これらの生の信号を自動的な「健康状態」評価に変換し、個々の値を眺め続ける代わりに、どの具体的な故障が進行しているかを即座に把握できるようにすることです。

希少な事故を発生させるためにシミュレータを教える

実際の原子力事故は幸いにも稀であるため、研究者たちはPCTRANという高忠実度シミュレータに頼りました。PCTRANはCPR1000プラントの挙動を様々な条件下で模倣できます。彼らはAutoSave‑PCTRANというPythonツールを構築し、シミュレータを自動起動して重症度の異なる故障を注入し、時間経過に伴うすべてのセンサー読み取りを記録しました。冷却材喪失、格納容器内の蒸気ライン破断、蒸気発生器チューブの破裂という特に深刻な三つのシナリオと正常運転を繰り返しシミュレーションすることで、各事象の前後におけるプラントのセンサー挙動の例を12万件蓄積しました。

原子炉の信号から学習するハイブリッドAI

利用可能な92チャネルすべてをアルゴリズムに投入するのは非効率でノイズが多いため、まず特徴選択の手続きを用いて、主要な水位、放射線モニタ、冷却材在庫など、最も情報量の多い6つの信号を特定しました。これらの時系列を短い時間窓にまとめて、Transformerと呼ばれる最新の系列解析モデルに入力します。Transformerは数秒〜数十秒にわたって展開する微妙なパターンを捉えるのに優れています。Transformerは単純な二者択一の答えを出すのではなく、各時間窓をシステムの変化を表すコンパクトな数値特徴に蒸留します。

パターンを精密な故障ラベルへ変換する

Transformerが出力した凝縮された特徴は、その後XGBoostと呼ばれるアンサンブル決定法に供給されます。XGBoostは丁寧に調整すれば複雑なデータの分類に非常に強みを発揮します。最適な設定を見つけるために、著者らはクジラの狩猟戦略に着想を得た「インテリジェントサーチ」アプローチを適用し、モデルが平凡な解に陥らないようにしました。訓練と評価は厳格な交差検証で行われ、システムは繰り返し新しい組み合わせのシミュレーションケースに挑戦されます。この二段階設計は、時系列処理に強い深層学習と、異なる故障タイプの境界を鋭く引ける従来型の判定エンジンを融合させます。

システムの危険検知性能

最終的に、このハイブリッドモデルは正常運転、蒸気ライン破断、蒸気発生器チューブ破裂、冷却材喪失の四つを高い信頼性で識別できました。四状態全体にわたり、精度、再現率、F1スコアはいずれも98％を上回り、場合によっては100％に達しました。発生した誤判定の多くは、センサーパターンが自然に似通う二つの蒸気関連故障の境界に集中していましたが、それでも誤分類率は2％未満にとどまりました。単独のTransformerや単体のXGBoostと比べ、組み合わせた手法は誤診を数パーセントポイント削減しており、安全性が重要な環境では意味のある改善です。

日常の安全性に与える意味

専門外の読者への要点は明快です：本研究は現代のAIが原子力の制御室で高い警戒心を持つアシスタントとして機能し得ることを示しています。多数のセンサーを同時に監視し、重大な故障の早期サインを認識することで、膨大な数値群をどの問題が現れているかという明確でタイムリーな指示に要約し、人間のオペレータに重要な時間的余裕と判断の明瞭さを与える可能性があります。研究はまだシミュレーションデータに依存しており、実世界のノイズを含めたさらなる検証が必要ですが、より信頼性が高く人間中心の原子力安全への有望な道筋を描いています。

引用: 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

キーワード: 原子力の安全性, 故障診断, 機械学習, トランスフォーマー XGBoost, 原子炉監視