基于双重注意力自编码器的核时间序列数据可解释无监督多异常检测与时间定位

核工业正朝着更多新反应堆设计方向发展，下一代反应堆预计在规模和功率输出上更小。这些系统有可能以多变量时间序列数据的形式产生大量信息，可用于增强实时监控与控制。在此背景下，用于反应堆运行的远程自主或半自主控制系统的开发引起了广泛关注。实现此类系统的一个关键第一步是开发一个精确的诊断模块，能够检测并定位反应堆系统内的异常。近期研究提出了多种用于核领域异常检测的机器学习 (ML) 与深度学习 (DL) 方法。尽管取得了有前景的成果，但关键挑战依然存在，包括可解释性有限甚至缺失、无法获取真实世界数据以及异常事件稀缺，这阻碍了基准测试与特征刻画。大多数现有研究将这些方法视为黑盒，而近期工作强调了在安全关键领域对 ML/DL 输出具有更高可解释性的需求。在此，我们提出了一种基于带有双重注意力机制的 LSTM 自编码器的无监督方法，用于刻画真实世界反应堆辐射区域监控系统中的异常事件。该框架不仅包括检测，还包括事件定位，并使用来自 PUR-1 研究反应堆的复杂度递增的真实世界数据集进行了评估。注意力机制在特征和时间两个维度上运作，其中特征注意力对表现出异常模式的辐射传感器分配权重，而时间注意力则突出显示发生不规则性的特定时间步，从而实现定位。通过结合这些结果，该框架能够在单一统一网络内识别受影响的传感器以及每次异常的持续时间。