Модель на основе Transformer–XGBoost для диагностики отказов в CPR1000

Почему умные сигналы тревоги важны в атомной энергетике

Атомные электростанции опираются на сложную сеть труб, клапанов и датчиков, которые должны работать согласованно. Во время нештатных ситуаций пульт управления может оказаться завален мигающими индикаторами и быстро меняющимися показаниями, которые человеку трудно интерпретировать. В этой статье исследуется, как новый тип искусственного интеллекта может в реальном времени фильтровать этот поток данных, помогая операторам обнаруживать опасные отказы в реакторе CPR1000 до того, как они перерастут в критическую ситуацию. Таким образом предлагается будущее, в котором машины выступают бдительными партнёрами, незаметно отслеживая ранние признаки проблем, которые люди под давлением могут пропустить.

Цифровая страховка для сложных реакторов

Авторы сосредоточились на китайской установке CPR1000 — сложной системе, контролируемой десятками ключевых измерений, таких как температура, давление, уровень и расход воды. В нормальном режиме эта сеть датчиков уже перегружает внимание человека; при аварии, когда срабатывает множество сигналов одновременно, понять реальное положение дел становится ещё сложнее. Цель команды — превратить сырые сигналы в автоматическую оценку «состояния здоровья» установки, чтобы вместо наблюдения за отдельными числами операторы могли видеть, какой именно отказ развивается, и действовать быстро и уверенно.

Обучение симулятора для генерации редких аварий

Поскольку реальные аварии на АЭС к счастью редки, исследователи обратились к высокоточной модели‑симулятору PCTRAN, способному воспроизводить поведение установки CPR1000 в разных условиях. Они создали инструмент на Python под названием AutoSave‑PCTRAN, который автоматически запускает симулятор, вводит отказы различной степени тяжести и фиксирует показания всех датчиков во времени. Многократными симуляциями трёх особенно серьёзных сценариев — потери теплоносителя, разрыва паропровода внутри гермооболочки и разрыва трубы в парогенераторе — вместе с нормальной работой они собрали 120 000 примеров того, как ведут себя датчики до и во время каждого типа события.

Как гибридный ИИ учится по сигналам реактора

Подача всех 92 доступных каналов датчиков в алгоритм была бы неэффективной и шумной, поэтому команда сначала применила процедуру отбора признаков, чтобы выделить шесть наиболее информативных сигналов, таких как ключевые уровни воды, радиационные мониторы и инвентарь теплоносителя. Эти потоки формируют короткие временные окна данных, которые поступают в современную модель анализа последовательностей — Transformer, умеющую выявлять тонкие закономерности, разворачивающиеся в течение нескольких секунд. Вместо простого да/нет ответa Transformer сворачивает каждое временное окно в компактный набор числовых признаков, отражающих динамику системы.

От закономерностей к точным меткам отказов

Сжатые представления, выходящие из Transformer, затем передаются в ансамблевый метод решений XGBoost, который хорошо работает с классификацией сложных данных при тщательной настройке. Для поиска лучших гиперпараметров авторы применяют «интеллектуальный поиск», вдохновлённый стратегиями охоты китов, что помогает модели не застревать в посредственных решениях. Обучение и тестирование проводят с жёсткой кросс‑валидацией, чтобы систему неоднократно проверять на новых сочетаниях смоделированных случаев. Такая двухэтапная архитектура сочетает способность глубинного обучения обрабатывать временные ряды с более традиционным решающим механизмом, способным чётко разграничивать типы отказов.

Насколько хорошо система обнаруживает опасность

По результатам испытаний гибридная модель смогла чётко различать нормальную работу, разрыв паропровода, разрыв трубы парогенератора и потерю теплоносителя с впечатляющей надёжностью. По всем четырём состояниям точность, полнота и F1‑метрика превышали 98%, а в отдельных случаях достигали 100%. Важно, что допущенные ошибки в основном ограничивались границей между двумя паровыми отказами, которые естественно дают похожие паттерны сигналов. Даже там уровень неверной классификации оставался ниже 2%. По сравнению с использованием только Transformer или только XGBoost комбинированный подход уменьшил число ошибочных диагнозов на несколько процентных пунктов — значимое улучшение для критически важной системы безопасности.

Что это значит для повседневной безопасности

Для неспециалиста вывод ясен: это исследование демонстрирует, что современный ИИ может выступать в роли крайне внимательного помощника в диспетчерских АЭС, одновременно наблюдая множество датчиков и распознавая ранние признаки серьёзных отказов. Сворачивая поток чисел в ясное, своевременное указание на развивающуюся проблему, система может дать операторам ценное дополнительное время и ясность, снижая риск неверного решения в условиях шумной сигнализации. Хотя исследование пока опирается на смоделированные данные и требует дальнейших испытаний с реальными помехами, оно очерчивает перспективный путь к более надёжной, ориентированной на человека системе безопасности в атомной энергетике.

Цитирование: 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

Ключевые слова: безопасность атомной энергетики, диагностика отказов, машинное обучение, transformer XGBoost, мониторинг реактора