基于卷积神经网络和注意力机制的反应堆关键设备异常试验数据识别方法研究

来源：核动力工程杂志2025年第6期北京时间：

作者：周成宁, 刘才学, 周涵, 刘易松, 陈雪莹, 罗能, 汪量子

单位：1.中国核动力研究设计院先进核能技术全国重点实验室，成都，610213；2.哈尔滨工业大学机电工程学院，哈尔滨，150001；

摘要：为解决核动力关键设备试验数据日趋复杂且规模激增导致的异常数据难以有效识别问题，本文提出一种基于卷积神经网络和注意力机制的深度学习模型（CNN-att），设计了异常数据植入的故障模拟试验，并采用准确率、精确率、召回率和F1分数等多项指标进行系统性评估。实验结果显示，所提模型在单类与多类异常检测任务中均展现出了卓越的性能，尤其是在二元分类任务中，受试者工作特征曲线与坐标轴围成的面积（AUC）得分高达0.99，与传统深度学习模型相比，本文提出的方法在预测准确性和模型鲁棒性方面均具有显著优势。本文提出的基于CNN-att学习方法有效提升了核动力关键设备试验数据的异常识别能力，在反应堆试验数据异常识别领域具有广泛的应用潜力。

关键词：试验数据, 异常注入, 深度学习, 卷积神经网络, 注意力机制

基金资助：四川省自然科学基金（2023NSFSC0861）；中国核动力研究设计院原创基金（KJCX2022YC111）