面向核反应堆信号的一种一类可解释人工智能框架用于识别非平稳并发的伪数据注入
系统与控制
2025-08-19 v1 系统与控制
摘要
从模拟到完全数字化的仪器和控制系统，下一代先进核反应堆系统的演进将需要 robust 的机制来保障潜在数据完整性威胁的安全。一个挑战是对伪数据注入进行实时特征化，这类注入可以掩盖传感器信号，可能扰乱反应堆控制系统。尽管在反应堆系统中已在异常检测方面取得显著进展，但显示出伪数据注入可绕过基于统计阈值的线性时不变状态估计器和故障检测器。传感器信号的动态、非线性、多变量特性，以及固有的噪声和实际训练数据稀缺性，使得对此类威胁的特征化尤其是与预期过程异常的区分具有挑战性。本文提出了一种用于识别核反应堆信号中非平稳并发重放攻击的 eXplainable AI（XAI）框架，所需训练数据较少。该框架利用循环神经网络和残差分析的进展，结合修改后的SHAP算法和规则相关性。循环神经网络仅在正常运行数据上进行训练，而对于残差分析，我们引入一种自适应窗口技术以提高检测准确度。我们在Purdue核反应堆（PUR-1）的真实数据集上成功对该框架进行了基准测试。我们能够以高于0.93的检测准确率和小于0.01的误报率检测伪数据注入，区分于预期过程异常，并识别虚假信号的来源。
引用
@article{arxiv.2508.12428,
title = {A One-Class Explainable AI Framework for Identification of Non-Stationary Concurrent False Data Injections in Nuclear Reactor Signals},
author = {Zachery Dahm and Vasileios Theos and Konstantinos Vasili and William Richards and Konstantinos Gkouliaras and Stylianos Chatzidakis},
journal= {arXiv preprint arXiv:2508.12428},
year = {2025}
}