核能是現代電力系統中重要的低碳能源，有助于保障能源安全與電力供應的穩定性。堆芯功率監測是核電站安全運行的關鍵環節。核電傳感器——自給能中子探測器（Self-powered Neutron Detectors，SPNDs）是核電廠反應堆功率監測的關鍵組件，能夠持續捕捉反應堆中子場的變化，并為功率評估、運行控制及安全保護提供必要的測量信息。因此，自給能中子探測器測量的準確性、穩定性和可靠性對于核電站的安全高效運行至關重要。
在實際的應用中，自給能中子探測器安裝在反應堆壓力容器內長期運行，其工控條件惡劣——高溫和強輻射，這使得頻繁維護、在線校準或直接更換變得困難。自給能中子探測器的故障可能表現為性能逐漸下降、性能漂移或突發失效。
自給能中子探測器示例
在變功率運行工況下，自給能中子探測器的測量信號呈現出顯著的功率相關非平穩特性，并且真實的故障樣本極度匱乏。因此，傳統的數據驅動方法在工況遷移過程中容易出現性能退化，難以滿足復雜運行場景下的可靠監測需求。
模型驅動方法通常基于反應堆點動力學模型或簡化的中子物理模型。該方法通過計算模型預測值與測量值之間的殘差，然后對殘差進行統計推斷，來識別和診斷自給能中子探測器的故障情況。該方法具有很強的物理可解釋性和一致性；然而，該方法對模型精度和計算復雜度較為敏感。在復雜的非線性條件或反應堆運行狀態變化的情況下，其適用性和泛化能力仍然有限。
近年來，深度學習等人工智能（AI）技術通過端到端特征學習方法被引入到自給能中子探測器的監測中。與傳統的方法相比，AI方法可以直接從原始信號中學習層次表示，并且能夠有效地對復雜的非線性依賴關系和時間動態進行建模。
麥姆斯咨詢獲悉，近期，中國科學院沈陽自動化研究所徐皚冬研究團隊提出了一種AI驅動的功率感知圖域自適應框架（Power-Aware Graph Domain Adaptation Framework，PAG-DAF）。具體而言，該框架首先利用多尺度時間特征提取技術捕捉多通道測量信號的動態特性，并構建功率感知圖結構，以顯式建模時間依賴性、傳感器耦合關系及功率調制效應。
AI驅動的功率感知圖域自適應框架
此外，該框架融合了邊條件消息傳遞與對抗性域對齊機制，旨在學習跨功率工況的魯棒表征，從而在無需目標域故障標簽的情況下提升跨工況故障檢測性能。基于真實的自給能中子探測器運行數據的實驗結果表明，該框架能夠在多種功率場景下實現可靠的跨工況監測與故障檢測，并有效降低由功率波動引起的誤報風險。
上述研究成果以A power-aware graph domain adaptation framework for variable-power fault detection of self-powered neutron detectors in nuclear power plants為題，發表于人工智能（AI）與智能系統應用領域國際期刊Expert Systems with Applications。
論文鏈接：
https://doi.org/10.1016/j.eswa.2026.132737
《量子傳感器技術及市場-2026版》
《傳感器技術及市場-2026版》
《MEMS產業現狀-2026版》
《磁傳感器產業現狀-2026版》
