《基于故障因果路径与大模型语义锚定的核动力装置可解释AI故障定位系统》——哈尔滨工程大学核科学与技术学院博士研究生汪鑫

2025年11月14日，在深圳核博会“AI+核能创新应用场景路演”上发表《基于故障因果路径与大模型语义锚定的核动力装置可解释AI故障定位系统》主旨报告。

本次汇报介绍了哈尔滨工程大学提出的核动力装置可解释 AI 故障定位系统，核心思路是结合故障因果路径与大模型语义锚定，提升智能诊断的透明度与可信度。项目采用大模型辅助跨模态对比学习和故障因果子图推理两条技术路线，并通过核电厂仿真平台数据验证其在噪声和不同故障程度下的鲁棒性与解释能力。汇报还说明了该方案在竞争优势、行业推广和团队技术可行性方面的基础。

关键点
1. 项目定位与汇报内容（00:07）
汇报项目为“基于故障因果路径与大模型语义锚定的核动力装置可解释 AI 故障定位系统”，申报单位为哈尔滨工程大学，汇报人汪鑫。汇报将围绕项目概况、技术方案、实施成效、竞争优势、价值推广和技术可行性展开。

2. 核能安全推动可解释诊断需求（00:43）
核能作为稳定清洁能源，在能源转型和应对气候变化中具有重要性，但潜在泄露和事故风险带来安全担忧。现有智能诊断存在黑箱问题，会影响操纵员信任，因此核动力装置故障诊断需要更强的可解释性，以增强决策透明度并降低事故风险。

3. 预测性维护市场与应用背景（01:24）
汇报引用资料称，中国预测性维护市场在 2021 年至 2026 年复合增速为 43%，2026 年规模预计达到 32.14 亿美元。智能化运维被认为是未来趋势，可解释性人工智能已在制造业、电力、能源、航空航天和自动驾驶等领域有不同程度应用。

4. 双技术路线总体方案（02:00）
项目提出两条并行技术路线：一是通过大模型辅助的跨模态学习提升复杂场景下的诊断鲁棒性；二是借助故障因果关系的显性化建模，实现诊断逻辑透明化。两者分别强调语义锚定与因果解释。

5. 大模型辅助跨模态对比学习（02:25）
该方案先用 LSTM 对时间序列数据进行编码，并将 DeepSeek 模型本地化部署，通过文本语义输入让大模型学习文本与数据之间的关联，再进行对比学习。新数据输入后，模型判断故障类型，并输出鲁棒分类结果及不确定性量化能力。创新点包括冻结文本编码器、引导时间序列编码器拉近同类跨模态信息并推远异类信息，以及通过跨模态相似度曲线可视化置信度分布和识别边界。

6. 基于故障因果路径的可解释推理（03:44）
第二条路线以故障因果子图为输入，将核电厂故障源和传感器关系纳入建模。项目希望在知识驱动的故障因果图和阈值趋势推理基础上融入数据驱动框架，避免阈值设定和相似故障判别中的处理困难，并借助时空图神经网络对故障因果子图进行推理，输出故障类别以及子节点传感器的贡献概率。

7. 仿真验证场景与噪声测试（04:53）
为验证方案有效性，项目以一回路系统为对象，选取福建核电厂一号机组仿真平台，设置两个故障数据集，涵盖八种运行状态和不同故障程度。在场景三中加入不同高斯噪声，用于评估突发噪声环境下的模型诊断能力。

8. 大模型方案的鲁棒性表现（05:23）
实验显示，在无噪声和加入高斯噪声的数据集中，大模型辅助对比学习的相似度曲线仍能保持清晰分界，说明模型在噪声环境下具备鲁棒性并能稳定识别各类故障。与结合数据机制的 LSTM、二维卷积网络和 SOM 模型相比，传统数据驱动模型在不同故障程度和噪声条件下表现较差，汇报认为原因与其故障推理机制及对核电厂连续传感器数据特性的适配不足有关。

9. 故障因果模型的诊断与解释输出（06:49）
故障因果路径模型的建图基于空间关系、数据相关性分析和专业知识。在故障发生后，模型对每个故障节点和传感器节点进行聚合推理，得到不同故障模式下的概率分析；其准确率虽不如大模型方案，但优于传统数据驱动模型。模型还可同步输出诊断过程中各传感器的重要度，为操纵员提供传感器贡献和差异化特征信息。

10. 竞争优势、推广价值与可行性（08:19）
项目优势包括跨模态对比学习框架将大模型、对比学习和文本编码同步表征，拓展数据维度并强化决策支撑；故障因果子图遍历则从因果路径进行推理，提高透明度，并可定量解析节点连接强度和对最终故障结果的贡献。两个模型协同诊断可形成优势互补，大模型用于语义锚定以减少偏差，GNN 用于强化因果解释。团队已发表相关高水平论文，长期从事核工程与 AI 领域研究，具备 GPU 等算力条件，并与相关核电专业人员交流需求。

时间线
00:07 - 汇报人介绍项目名称、申报单位和汇报结构，明确主题是面向核动力装置的可解释 AI 故障定位系统。
00:43 - 汇报从核能安全、智能诊断黑箱问题、市场增长和可解释 AI 行业应用等方面说明项目需求背景。
02:00 - 进入技术方案部分，先提出大模型辅助跨模态学习与故障因果显性建模的双路线框架，随后分别展开模型机制和创新点。
04:53 - 进入实施成效部分，说明仿真平台、数据集、故障状态和噪声设置，并展示两类模型在鲁棒性、准确率和解释输出方面的结果。
08:19 - 最后总结方案的框架优势、因果推理优势和协同诊断价值，并介绍论文成果、团队基础、算力条件和行业需求交流情况。

AI 延伸阅读(下文由AI生成，其内容可能存在偏差，请注意甄别)：

基于故障因果路径与大模型语义锚定的核动力装置可解释AI故障定位系统路演报告总结

2025年11月14日，在深圳核博会“AI+核能创新应用场景路演”上，哈尔滨工程大学汪鑫围绕《基于故障因果路径与大模型语义锚定的核动力装置可解释AI故障定位系统》作主旨报告。报告聚焦核动力装置安全运行中的智能故障诊断问题，指出在全球能源转型和核能规模化发展的背景下，核能作为稳定清洁能源的战略价值持续提升，但其高安全敏感性决定了故障识别、故障源定位和运行风险控制必须更加及时、准确和可信。现有智能诊断模型虽然在分类识别方面具备一定能力，但普遍存在诊断逻辑不透明、推理过程难追溯、操作员难以信任等“黑箱”问题，难以完全满足核动力装置对高可靠、高透明诊断辅助工具的需求。

该项目以提升核动力装置智能诊断的可解释性、鲁棒性和工程适用性为核心目标，提出将故障因果路径显性化建模与大模型语义锚定相结合的技术路线。一方面，通过构建故障源、传感器节点及其传播关系组成的故障因果子图，使模型不只是给出故障类型判断，还能够呈现故障产生、传播和被传感器观测到的路径逻辑；另一方面，利用大模型的语义理解能力，将故障文本描述与时间序列运行数据进行跨模态对齐，增强模型在噪声干扰、故障程度变化和复杂运行场景下的稳定识别能力。两条技术路线分别对应“更准”和“更可信”的需求，并通过协同形成面向核动力智能化运维的可解释AI故障定位框架。

在行业需求方面，报告指出预测性维护市场正处于快速增长阶段，中国市场规模预计在2026年达到32.14亿美元，2021年至2026年复合增速约为43%。随着能源、电力、制造等工业系统复杂度不断提升，智能化运维已成为重要发展方向。对于核能行业而言，可信AI的需求更加突出，因为核动力系统不仅要求诊断结果准确，还要求诊断依据透明、可验证、可追溯。可解释人工智能在制造业、电力、航空航天、自动驾驶等领域已有应用基础，而核能场景对其提出了更高的安全约束和工程可信要求。

在技术实现上，项目首先提出基于大模型辅助对比学习的故障诊断方法。该方法使用LSTM对核动力装置运行过程中的时间序列传感器数据进行编码，提取关键时序特征；同时将DeepSeek等大模型进行本地化部署，引入故障文本描述作为语义输入，并冻结文本编码器，引导时间序列编码器学习与文本语义一致的跨模态特征表达。通过对比学习机制，同类别文本与数据特征在表征空间中更加接近，不同类别特征则被拉远，从而提升模型对不同故障类型的判别能力。该方法不仅能够输出故障分类结果，还可以提供相似度曲线、置信度分布和不确定性量化结果，帮助操纵员判断模型识别结果的可信程度。

大模型辅助方法的创新点在于将故障文本语义作为诊断特征学习的锚点，突破了传统模型仅依赖传感器数据进行模式识别的局限。通过跨模态语义锚定，模型能够利用文本中蕴含的故障机理描述强化时间序列特征表达，在面对噪声、不同故障程度和复杂工况时保持更强的抗干扰能力。相似度曲线和置信度分布的可视化输出，也使诊断结果从单一类别标签扩展为更具解释性的匹配趋势和识别边界展示，为后续人机协同决策提供了更充分的信息。

项目同时提出基于故障因果路径的可解释诊断方法。该方法将核动力装置中的故障源、传感器节点及其相互关系构建为故障因果子图，并融合知识驱动与数据驱动思路，在传统故障因果图和阈值趋势推理基础上引入图神经网络框架。通过针对不同故障模式分别构建因果子图并进行独立推理，模型能够沿着故障传播路径分析各传感器节点的响应特征，缓解传统知识驱动方法中阈值难以设定、相似故障难以区分的问题。模型最终不仅输出故障类型，还可给出传感器节点对诊断结果的贡献概率或重要度，使操纵员能够理解哪些变量在故障识别过程中发挥了关键作用。

在实验验证方面，项目以核电厂一回路系统为对象，选取福建核电厂一号机组仿真平台开展验证，构建了覆盖八种运行状态和不同故障程度的两个故障数据集。为考察模型鲁棒性，实验在部分场景中加入不同水平的高斯噪声，并对无噪声全数据集和加入噪声后的数据集进行对比分析。结果显示，基于大模型辅助对比学习的方法即使在高斯噪声干扰下，仍能保持较清晰的跨模态相似度曲线类别边界，并稳定识别各类故障。与LSTM、二维卷积神经网络、SOM等传统模型相比，该方法在不同故障程度和噪声环境下表现更加稳定。

报告也分析了传统数据驱动模型的局限。传统模型通常将整体运行数据直接输入网络进行分类，缺少对故障机理、传感器关联关系和故障传播路径的显式表达，因此在复杂故障机制建模方面存在不足。尤其是二维卷积神经网络等方法主要来源于图像识别领域，对核电厂传感器数据的连续性、时序性和物理关联适配不足，在噪声环境及相似故障场景下容易出现性能下降。这也说明，在核动力装置故障诊断中，仅依靠黑箱式数据拟合难以满足高安全场景需求，必须引入可解释机制和领域知识约束。

故障因果路径模型的实验结果进一步证明了显式因果建模的价值。项目基于空间关系、数据相关性分析和专家知识构建各类故障因果图，在故障发生后，模型对各传感器节点进行向前聚合推理，计算不同故障模式下的概率。虽然该方法整体诊断表现略低于大模型辅助对比学习方法，但相比传统数据驱动模型具有更好的诊断效果，并且在噪声环境下仍能保持较稳定的故障识别置信度趋势。更重要的是，该模型能够同步输出传感器重要度，为操纵员解释不同阶段传感器对故障识别的贡献提供依据。

项目的竞争优势体现在双模型协同诊断框架上。大模型辅助跨模态对比学习负责增强故障识别能力和鲁棒性，通过文本语义与运行数据联合表征减少诊断偏差；故障因果子图推理则负责提升诊断过程透明度，通过故障源、传感器节点和传播路径之间的关系揭示模型判断依据。二者形成优势互补：大模型提供强分类能力和复杂工况适应能力，图神经网络与因果图提供机理解释和贡献分析能力。相较于单一黑箱模型，该系统能够同时满足核动力装置故障诊断对准确性、稳定性、透明性和可信性的要求。

从推广价值看，该项目面向国家核电发展和核动力装置智能化运维需求，可为核能系统安全运行提供可解释故障诊断工具。通过输出相似度曲线、置信度分布、故障因果路径和传感器贡献度，系统能够帮助操作人员理解AI诊断结果，提升人机协同决策中的信任度。相关技术不仅适用于核动力装置，也可推广至能源、电力、航空航天等对安全性、可靠性和可解释性要求较高的工业场景。项目团队已发表三篇高水平论文，并与中国实验快堆、田湾核电、石岛湾核电等相关专业人员开展交流，进一步明确了工程应用需求。

在技术可行性方面，团队具备核工程与人工智能交叉研究基础，已开展可解释AI、大模型融合诊断等相关研究，并具备DeepSeek等大模型本地化部署能力，能够满足核工业对数据安全和模型部署环境的要求。团队拥有GPU等计算资源，可支撑模型训练、验证与后续优化。项目围绕核动力装置典型故障诊断场景设计，应用对象明确，技术路径完整，既回应了核能行业对安全可信智能运维的迫切需求，也为可解释人工智能在高安全工业系统中的落地提供了具有实践价值的解决方案。