《人机耦合的核应急智能诊断与决策支持技术》——清华大学核能与新能源技术研究院、博士生萧星宇

2025年11月14日，清华大学核能与新能源技术研究院、博士生萧星宇在深圳核博会“AI+核能创新应用场景路演”上发表《人机耦合的核应急智能诊断与决策支持技术》主旨报告。

本报告介绍了人机耦合的核应急智能诊断与决策支持技术，旨在通过融合专家知识与人工智能，实现核事故后的快速机组状态诊断、参数预测、响应决策及人因可靠性评估。该方法具备普适性，适用于多种堆型，并在鲁棒性和实用性方面具有显著优势，已开发出原型软件并取得初步成效。

关键点
1. 项目背景与目标（00:10）
核应急作为核安全的最后防线，核心目标是减少事故对公众和环境的危害并降低经济损失。项目提出机组诊断、参数预测、响应决策和人因可靠性四大关键技术措施，解决领域知识利用不足、专家依赖度高、堆芯绑定严重及诊断速度慢等现存困境。

2. 普适性智能诊断方法（02:27）
项目特色是开发普适可推广的方法，适用于高温堆、压水堆和快堆等多种堆型，重点关注机组状态诊断和参数远像估计，提升快速准确诊断能力。

3. 机组诊断技术方案（03:00）
基于贝叶斯网络，构建高温气冷堆和压水堆的因果关系模型，实现事故状态及设备状态的快速准确诊断，解决报警信号多和参数缺失导致误判的问题。

4. 参数预测技术（04:36）
包含事故放射性物质原项估计和关键参数趋势预测，采用贝叶斯网络和级联多任务学习框架，实现秒级原像计算和超长时域关键参数趋势预测。

5. 响应决策辅助技术（05:37）
结合大元模型与耦合知识图谱，实现事故缓解过程的辅助决策，减少传统手动操作的耗时和依赖，提升决策效率和鲁棒性。

6. 人因可靠性与失误防控（07:00）
项目重点量化操作员人因失误风险，基于大元模型和多智能体框架实现自动化预警和防范，提升核电厂操作安全，相关成果已发表在顶级可靠性安全期刊。

7. 团队优势与技术积累（08:37）
团队具备丰富核应急研发经验，联合北京应用物理与计算数学研究所合作，突破传统信息看板与规则库，实现人机协同；融合贝叶斯网络减少对大数据依赖，具备良好鲁棒性和实用性，发表多篇国际顶级论文，拥有多项专利。

8. 成果推广与社会价值（09:55）
已开发出原型软件，推动核安全技术应用，提升公众对核安全的信任度，促进核能安全领域的技术进步与社会认可。

时间线
00:10 - 介绍项目背景、存在的技术难点及目标，强调核应急的重要性和当前面临的挑战。
02:27 - 阐述提出的普适智能诊断方法，覆盖多种核反应堆类型，重点关注机组诊断与参数估计。
03:00 - 详细讲解机组诊断的贝叶斯网络模型，提升事故诊断的速度和准确性。
04:36 - 介绍参数预测技术，结合贝叶斯网络和多任务学习，实现事故关键参数的实时和长时域预测。
05:37 - 展示响应决策辅助技术，通过知识图谱和大元模型支持事故应急决策，提升操作效率。
07:00 - 强调人因可靠性，量化操作员失误风险，结合多智能体框架实现预警和防控。
08:37 - 介绍团队优势、技术积累及国际领先地位，说明技术融合与突破。
09:55 - 说明技术成果的推广应用及其对提升核安全公众信任的价值。

AI 延伸阅读(下文由AI生成，其内容可能存在偏差，请注意甄别)：

人机协同赋能核应急智能诊断与决策支持

2025年11月14日，在深圳核博会“AI+核能创新应用场景路演”上，清华大学核能与新能源技术研究院博士生萧星宇作了题为《人机耦合的核应急智能诊断与决策支持技术》的主旨报告，围绕核应急场景下的智能诊断、参数预测、响应决策和人因可靠性等关键问题，介绍了团队在人工智能与核安全深度融合方面的技术探索与应用成果。

报告指出，核应急是核安全纵深防御体系中的最后一道防线，其核心目标是在事故发生后尽可能降低对公众、环境和经济社会运行造成的影响。核应急过程涉及机组状态诊断、关键参数预测、应急响应决策以及人员操作可靠性等多个环节，任何一个环节的迟滞或误判都可能影响后续处置效果。当前核应急技术仍面临多重挑战，例如专家知识和现场信息未能充分利用，对专家经验和信息输入质量依赖较高，不同堆型之间方法适配性差异明显，突发事故下难以实现快速诊断和长时域预测，同时操作员在高压环境中的知识技能也可能无法充分发挥。

针对机组诊断问题，项目提出利用贝叶斯网络构建事故演化中的因果关系模型，以应对海量报警信号带来的信息干扰和误判风险。团队分别面向高温气冷堆和压水堆设计了相应的贝叶斯网络模型，并将专家知识融入模型推理过程，使系统能够在极端事故或数据不完整情况下仍保持较高的状态估计能力。基于该方法开发的原型软件，可辅助实现对机组状态的快速、准确诊断，为应急响应争取时间窗口。

在参数预测方面，项目围绕放射性物质原项估计和关键参数趋势预测开展研究。放射性物质原项估计采用贝叶斯网络进行建模，有助于在事故信息不充分的情况下推断可能的释放情况。关键参数预测则引入级联多任务学习框架，将事故严重程度判断与参数变化趋势预测结合起来，实现压水堆事故关键参数的秒级估计，并进一步支持超长时域下的趋势研判。这类能力对于提前识别事故演化方向、制定防护行动和资源调配方案具有重要意义。

在响应决策支持方面，报告分析了传统应急操作流程的局限性。传统流程通常依赖人工查阅规程、专家讨论和经验判断，在复杂事故条件下可能存在响应速度不足、知识调用不充分和方案适应性有限等问题。项目将大模型与知识图谱相结合，构建纯文本知识图谱和向量化知识图谱，并通过图谱耦合提升决策支持的鲁棒性。相关系统还搭建了前后端技术框架，使应急人员能够更高效地获取规程依据、事故知识和处置建议，从而提升核应急决策效率。

报告还特别强调了人因可靠性在核应急中的重要作用。核电厂运行和应急处置高度依赖操作员行为，一次按钮误操作或判断偏差都可能引发严重后果。传统依靠专家知识进行人因风险分析的方法存在主观性较强、实时性不足等问题。项目引入大模型和多智能体框架，探索对人因失误风险进行自动化预警和预防。同时，团队利用高温气冷堆操作员负荷分布数据训练操作员负荷实时预测模型，使系统能够动态评估操作员认知负荷和工作压力，为制定科学的人因防范措施提供量化依据。

项目的竞争优势体现在团队基础、研究范式和技术融合能力上。该研究由清华大学核能与新能源技术研究院与北京应用物理与计算数学研究所联合推进，团队在核安全、反应堆工程、智能算法和应急决策等领域积累深厚，并具备较强的国际影响力。项目在研究范式上从传统“机器中心”转向“人机协同中心”，不仅关注算法对机组状态的判断，也重视专家知识、操作员行为和智能系统之间的协同作用。贝叶斯网络对专家知识的融合降低了模型对大规模事故数据的依赖，也增强了其在关键参数缺失场景下的适用性和预测精度。

从成果积累看，团队已在国际顶级期刊发表论文40余篇，并形成发明专利4项、软件著作权4项，体现出较强的持续研发能力和工程转化基础。相关原型软件面向核安全智能诊断与决策支持应用，可在未来核电厂应急演练、事故处置辅助、运行支持和人员培训中发挥作用。随着大模型、知识图谱、多智能体系统和国产人工智能模型的持续迭代，该技术有望进一步提升核应急体系的智能化水平，增强核设施安全运行能力，并推动公众对核安全的理解与信任。