用于核电站故障诊断和安全运维的动态不确定因果图理论及应用研究

不确定知识表达和推理是当今人工智能领域的重要课题，可用于核电站安全运维等重要工业项目。贝叶斯网络是目前国际上最受欢迎的理论之一，但存在难以处理多状态简洁赋值和推理、静态逻辑循环、数据及结构动态变化、时滞、时序、数据缺乏、不完备或不精确等问题，难以应用于核电站等大型复杂工业系统。其它理论也存在类似问题。动态不确定因果图（Dynamical Uncertain Causality Graph，简称DUCG）是申请人为解决上述问题而初步提出的一种原始创新型的理论框架。本研究拟在以前研究成果的基础上，对DUCG在因果循环（负反馈）和对象动态变化等复杂工况下，进行实时在线的准确快速的故障诊断和预测的基础理论进行深入研究，提出切实可行的理论和算法，以解决核电站动态故障诊断及运维的实际应用问题。

本课题预计的所有目标均已达到。即已经提出DUCG（Dynamic Uncertain Causality Graph）理论的图形知识表达方法和基本的推理算法。结合课题负责人与中广核集团签订的“核电站安全运维智能专家系统平台研究开发”项目，对DUCG基础理论进行了深入研究，将DUCG理论开发为DUCG系统平台软件，并结合一个真实的核电站发电机系统进行了实际应用，结果令人满意，通过了中广核集团中科华核电技术研究院组织的两期专家验收。已发表两篇论SIC论文：[1] Q. Zhang. Dynamic uncertain causality graph for knowledge representation and reasoning: discrete DAG cases. JOURNAL OF COMPUTER SCIENCE AND TECHNOLOGY, 2012, 27 (1.): 1-23. [2] Q. Zhang, C. Dong, Y. Cui and Z. Yang. Dynamic uncertain causality graph for knowledge representation and reasoning: matrix and real application. IEEE TRANSACTIONS ON NEURAL NETWORKS AND LEARNING SYSTEMS, 2013, PP (99): 1-18。