2021年第20卷第3期
□张婧王梦月宋磊聂洪权
【内容摘要】随着核电领域对核电厂状态监测和智能诊断技术重视程度的不断提高，越来越多先进的智能诊断技术在核电领域展开应用，动态不确定因果图人工智能理论是一种基于先验知识的人工智能技术，主要用于解决动态不确定性因
果关系的表达和推理，是将概率论与确定论方法相结合的技术，其在核电领域具有较高的理论优势和应用潜力。【关键词】DUCG；智能诊断；人工智能；核电厂
【作者简介】张婧（1985 ），女，河北廊坊人，中国核电工程有限公司工程师，硕士；研究方向：仪器仪表设计、核电设计王梦月，宋磊，聂洪权；中国核电工程有限公司
一、概述
随着近年来人工智能技术在各个领域中取得的快速发展和长足进步，人工智能技术势必会成为今后数字化、智能化核电的重要发展方向。动态不确定性因果图（DUCG，Dy-namic Uncertainty Causality Grap
h）是一项相对成熟的人工智能技术，主要用于解决动态不确定性因果关系的表达与推理，从而实现各类复杂系统的故障智能诊断和预测功能。DUCG技术具有结构简单、响应速度快、容错性能好、可解释性和可追溯性强等优点［1］，对于核电厂各类异常工况的自动诊断和预测均具有独到优势，加之其已在部分核电厂中开展了相关研究，取得了一些成功经验，因此在核电厂事故和故障智能诊断领域必将拥有广阔的应用前景。
目前核电机组中已有的专家诊断系统主要是针对电厂事故的诊断与决策，而针对电厂一般性故障的智能诊断系统目前还尚属空缺。该部分故障涉及范围更广，出现频率更高，对电厂日常运行的扰动更大，对操纵员的诊断和操作要求更高，对于智能诊断系统的需求也更加迫切。因此，利用新的人工智能技术，开发针对核电厂系统或设备级故障的智能诊断系统，对于避免人员决策失误、早期预防核电事故、减少非计划停堆、提高电厂可靠性和经济性方面，均具有重要意义。
二、DUCG理论介绍
（一）DUCG背景介绍。由于目前需要被诊断与监测的过程对象日益复杂，存在着越来越多的不确定因果关系，单一的基于数据或知识的定量分析方法已不能很好地满足实际故障诊断的需求，因此，分析及处理不确定因果关系类知识或信息所釆用的表达方式，以及建立基于该知识表达的推理计算方法是目前智能诊断领域研究的关键问题之一。20世纪80年代Pearl教授提出的贝叶斯网络成为目前解决
不确定因果关系问题的有效方法。在贝叶斯网络的基础上，20世纪90年代，张勤教授提出了一种基于概率的知识表达和推理模型———动态因果图（DCD，Dynamic Causality Dia-gram）。在动态因果图的基础上，张勤教授进一步提出了动态不确定因果图［2］（DUCG，Dynamic Uncertainty Causality Graph），其增加了条件作用事件和缺省事件。
DUCG是一种基于先验知识的人工智能技术，用于解决动态不确定性因果关系的表达和推理，是将概率论与确定论方法相结合的技术，其利用因果图将复杂系统的逻辑关系具体化，采用图形化的变量详尽、清晰地表达了父变量与子变量之间的不确定因果关系，克服了贝叶斯网络在单赋值情况下适用的知识的简洁表达和推理方法在多赋值情况下不适用的缺陷［3］。 （二）DUCG理论原理。DUCG的理论体系［4］主要分为S －DUCG（用于单赋值情况）和M－DUCG（用于多赋值情况），由于M－DUCG更为适用于核电厂等复杂的工业系统，因此本文仅对M－DUCG理论进行研究。M－DUCG是一种有向有环图（DCG）或有向无环图（DAG），由代表图形变量的节点和代表因果关系的有向箭头共同组成，这些特别定义的图形变量按照功能可分为节点变量和连接变量两类。
M－DUCG的节点变量主要包括以下5种类型
飞燕外传txt下载，见表1。
表1M－DUCG节点变量表
变量类型图形符号定义
B变量初因变量（方形），用于表示初始故障（初因事件、根原因）。
X变量过程变量（圆形），用于表示故障导致的现象、特征、后果等（X变量添加过程中需要定义对应的测点）。
D变量未知原因变量（五边形），用于表示无法探知根原因的初始故障。
G变量逻辑变量（半圆形），用于表示变量之间的逻辑关系（相当于逻辑门）。
BX变量组合变量（双环形），用于表示一组初因变量。
DUCG模型均以初因变量为起点，关联若干过程变量或
其它变量，不同变量之间通过连接变量（箭头）表示因果关
系，箭头的起点表示原因，终点表示结果，如图1所示。其
中，箭头既可以是实线，表示一般因果关系，也可以是虚线，
表示条件因果关系（即在满足一定条件下，因果关系才成
立）；箭头既可以是单向箭头，也可以是双向箭头（即互为因
2021年第20卷第3期
图1DUCG 专家知识库树状图示例
果关系）。此外，图中变量所示编码，如B 102，1、X 6，2、X 12，0等，
B 102、X 6、X 12为变量本身的编号，后边的0、
1、2……代表变量所处状态，系统默认0代表变量处于正常状态，微笑图书室
1、3、5……代表变量处于低1、maped
低2、低3……状态，2、4、6……代表变量处于高1、高
2、高3……状态；若变量只有正常、异常两种状态，则通常用1代表异常状态。
图2条件概率表（CPT ）示例
河南金蝉养殖
另外，为表征因果关系之间的不确定性，
DUCG 专家知识库树状图中还引入了条件概率表（CPT ）的概念，如图2所示。其中，条件概率表中每一列代表该列所属变量状态下导致出现另一变量可能状态的条件概率值。例如在图2中，第2列中所列的数值分别表示在B 102变量处于状态1（异常状态）的
情况下，
X 6变量处于状态1和状态2的概率分别为0.4和0.6。由此可知，CPT 中每列的概率之和不应大于1，而对于每行的概率之和无特殊要求。此外，由于DUCG 自身的算法
特性，
CPT 中不要求所有位置都必须填写数值，而仅需要对关注的状态填写概率值，
DUCG 即可通过稀疏矩阵的方式计算出各故障发生的概率。
考虑到M －DUCG 不能如实反映和解释负反馈的动态变
化，进一步提出了立体DUCG 理论［5］
，立体因果图呈现了事
件的发展过程，对因果推理提供了有效的解释［4］
。
三、
DUCG 技术的竞争优势与现有基于DCS 自身逻辑的自动诊断功能相比，
DUCG 技术是基于确定论与概率论相结合的方法，可处理具有不确定性的因果关系，事故情景涵盖面广，结果容错性好，同时可
甄别虚假信号，
可避免由于DCS 自身故障导致的错误诊断结果；DUCG 专家知识库树状图的内部逻辑可不同于DCS 系统自身的逻辑，具有高度的独立性，满足多样性要求；此外，DUCG 技术灵活性高，可扩展性强，同样适用于DCS 范围外的各类系统故障。
与现有其它人工智能技术（如神经元网络、模糊逻辑、贝
叶斯网络）相比，
基于神经元网络的故障诊断技术的推理主要基于大数据学习及参数拟合，诊断过程多处于黑箱状态，不具备问题跟踪与追溯能力；基于模糊逻辑的故障诊断技术的模糊关系规则获取困难；基于贝叶斯网络的故障诊断方法对于不确定性数据要求较高，而实际情况下不确定性数据的获取往往较为困难，难以满足方法要求；而基于DUCG 技术
的故障诊断方法以先验知识为基础，
诊断过程全程具有可解释性和可追溯性，可对故障进行跟踪预测和问题回溯，由于其采用因果关系的不完备表达，结构更简单，所需信息量更
少，
响应速度更快。四、
DUCG 技术在核电领域面临的挑战检验核电厂技术水平的两项重要指标是安全性和经济性，提高核电厂的安全性主要依靠减少人因失误，提高核电
厂的经济性需要减少非计划停堆，
DUCG 智能诊断技术对以上两个方面都能给予很好的支持。同时，
DUCG 智能诊断技术依然面临以下几方面的挑战［6］
：一是早期发现和诊断。二是确诊。三是鲁棒性。四是发现新故障的能力。五是辨识多重故障的能力。六是诊断结果的可解释性。七是适应性。八是合理的存储和计算条件要求。
在实际的核电厂故障诊断的应用过程中，
DUCG 技术仍有以下问题亟待解决［3］
：DUCG 智能诊断在核电领域应用的前提是建立核电厂相关系统的知识库，由于核电厂是具有高可靠性的复杂工业系统，事故发生概率极低，专家的专业知
识尤为重要，
因此提高知识库建模所需专家知识的获取效率，使知识库更加科学、完善是当前的首要问题。此外，核电
厂存在着复杂的因果逻辑关系，
DUCG 的知识库也会相应的复杂、庞大，这就需要提升DUCG 的推理效率。五、结语
DUCG 智能诊断技术以因果图的形式进行不确定性知识
的简洁表达，
提供了多赋值因果关系的简洁表达与精确推理的方法，以链式逻辑展开高效地实现多连通因果关系的分解，给出了不依赖于观测数据的精确性和知识库完备性的灵
北京农业职业学院国际教育学院活动态推理算法，
成功解决因果逻辑循环以及模糊或虚假信号下的不确定性推理问题。DUCG 智能诊断技术可应用于复杂工业系统故障诊断和预测，在核电领域应用中也展现出较高的理论优势和应用潜力。
【参考文献】［1］张勤．用原创的DUCG 人工智能技术提高核电站的安全
性和可用度［
J ］．中国核电，2018，11（1）：59 68［2］ZHANG Qin．Dynamic uncertain causality graph for knowl-edge representation and reasoning ：Discrete DAG cases ［J ］．Jour-nal of Computer Science and Technology ，2012，27：1 23［3］张勤．DUCG ：一种新的动态不确定因果知识的表达和推
理方法（I ）：离散、
静态、证据确定和有向无环图情况［J ］．计算机学报，
2010，33（4）：625 651［4］赵越．用于核电站故障诊断和规程改进的DUCG 理论及
应用研究［
D ］．清华大学，2017［5］张勤，董春玲．一种构造立体DUCG 智能系统用于动态故
障诊断的方法：中国，
偶合症
201310718596．4［P /OL ］．2015－04－15［2017－3－6］．http ：//www2．soopat．com /Patent /201310718596？lx =FMSQ#this．Vol．103745261B ［6］S．Dash ＆V．Venkatasubramanian．Challenges in the in-dustrial applications of fault diagnostic systems ［J ］．Computers ＆Chemical Engineering ，24（2000）：785 791［7］包新杰，范阳华，张湛，景中奇，等．动态不确定因果图（DUCG ）在鞍区疾病中的诊断价值［J ］．中国微侵袭神经外科
杂志，2018，6［8］焦洋，张湛，黄晓明，等．基于动态不确定因果图人工智能
诊断模型对以关节痛为主诉风湿性疾病的诊断价值［J ］
．中华临床免疫和变态反应杂志，
2019，8
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议