《基于材料检验检测的数据验证和自动判定AI模型》——苏州热工研究院有限公司材料检验检测副主任工程师李远

2025年11月14日，苏州热工研究院有限公司材料检验检测副主任工程师李远在深圳核博会“AI+核能创新应用场景路演”上发表《基于材料检验检测的数据验证和自动判定AI模型》主旨报告。

演讲介绍了苏州热工研究院在材料检验检测中引入人工智能的实践，目标是解决传统流程中数据重复性验证慢、结果判定依赖人工翻阅标准且易误判的问题。项目构建了人机协同的智能检测系统，通过重复性验证、结论判定和自然语言处理知识库三类能力提升效率与准确性，并已在实验室部署取得明显成效。

关键点
1. 汇报主题与应用方向（00:14）
演讲者李远来自苏州热工研究院有限公司，分享如何利用人工智能为材料检验检测赋能，提升传统关键领域的效率与准确性。

2. 传统检测流程的主要痛点（00:39）
实验室过去需要人工反复计算核电金属材料检测数据、核对重复性，并翻阅大量标准来判断材料是否合格。研究所每年处理两万多份样品、出具五千多份报告，传统流程中数据验证约需十分钟，结果判定约需十五到三十分钟，存在耗时、疲劳出错和标准理解偏差风险。

3. 人机协同的智能检测系统（01:57）
项目构建的系统并非取代专家，而是作为专家的 AI 助手。系统由三大技术支柱构成：基于机器学习异常检测的重复性验证模块、规则引擎加机器学习的结论判定模块，以及基于自然语言处理的标准知识库能力。

4. 重复性验证实现秒级完成（02:14）
重复性验证模块通过机器学习异常检测算法自动识别数据异常点，并判断是否满足标准要求。原本需要约十分钟的人工验证，现在可在秒级完成，准确率达到百分之九十九。

5. 双引擎结论判定兼顾确定性与复杂性（02:34）
结论判定模块采用规则引擎与机器学习双引擎驱动：规则引擎处理明确条款，机器学习模型从历史数据和专家判定中学习，用于处理模糊地带和复杂情况，使 AI 决策接近专家水平。

6. 自然语言处理构建结构化标准知识库（02:59）
系统通过命名实体识别与语义理解模型，将几十本标准规范转化为机器可识别、可计算的结构化知识库，使检验员不再依赖人工查找标准，而是实现标准主动服务检验过程。

7. 知识库准确率与标准结构化效率提升（03:30）
在知识库建设中，项目不仅提取检测项目和限制要求等明确信息，还通过专家标注和规则补全处理“轻微偏差”“可接受”等模糊表述。知识库准确率从初期百分之八十八提升到百分之九十八以上，新标准结构化从过去人工四小时以上缩短到系统两分钟完成。

8. 复杂材料判定案例（04:04）
在不锈钢多元素含量判定等复杂任务中，规则引擎快速处理明确元素限制，AI 模型综合判断元素间相互影响，最终实现判定准确率百分之百。

9. 实验室部署后的成效（04:24）
系统已在实验室部署运行。数据重复性验证从十分钟缩短到秒级，报告出具整体效率提升约百分之五十，人为误判降低百分之九十以上，统计范围内差错报告降为零，同时释放资深专家并降低新员工培训成本。

10. 项目竞争优势（05:08）
项目优势包括规则引擎加 AI 的双引擎能力，既处理确定性条款又应对复杂情况；系统可随着专家反馈持续学习，形成闭环进化；同时将检测标准的深度理解固化为可计算的知识图谱，形成行业知识壁垒。

11. 推广价值与未来方向（05:49）
项目证明 AI 技术可以为产品质量筑牢基础，并为传统行业数字化转型提供可复制样本。未来希望将其打造为实验室智慧大脑，推动检测结果行业互认，并推广至电力、航空等高要求工业领域。

12. 总结与愿景（06:14）
演讲者将项目概括为三件事：让重复繁琐工作自动化，让专家经验和知识软件化，让标准文档智能化。项目展示了 AI 与工业融合能够提升效率、保证安全并创造价值。

时间线
00:11 - 演讲开场，演讲者介绍身份，并提出以 AI 赋能材料检验检测、提升效率与准确性为主题。
00:39 - 通过实验室日常工作场景说明传统材料检测流程的繁重性，并引出数据验证慢、结果判定难两大问题。
01:57 - 进入解决方案介绍，说明系统定位为专家助手，并概述重复性验证、结论判定和自然语言处理知识库三大技术支柱。
03:23 - 进一步展开技术落地细节，重点说明标准知识库建设、模糊表述处理和复杂材料判定中的双引擎协同。
04:24 - 展示系统在实验室运行后的效果，包括效率提升、误判减少、差错报告降低以及人员能力释放。
05:08 - 总结项目优势，强调双引擎架构、闭环学习能力和行业知识图谱带来的竞争力。
05:49 - 展望项目的行业价值和未来推广方向，包括实验室智慧大脑、检测结果互认以及向更多工业领域扩展。
06:14 - 演讲收尾，概括项目对自动化、知识软件化和标准智能化的贡献，并表达对智能检测新时代的期待与感谢。

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)：

AI赋能核电材料检验检测的智能化实践与行业价值

2025年11月14日，在深圳核博会“AI+核能创新应用场景路演”上，苏州热工研究院有限公司材料检验检测副主任工程师李远作了题为《基于材料检验检测的数据验证和自动判定AI模型》的主旨报告，重点介绍人工智能技术在材料检验检测中的应用实践。该项目面向核电材料检测这一高安全要求场景，旨在通过AI提升检测效率、结果准确性和质量管控能力，为核电站安全运行提供更可靠的技术支撑。

苏州热工研究院每年需要处理两万多份样品、出具五千多份检测报告，检测结果与核电设备和材料质量密切相关。传统检测过程中，检测员不仅要人工计算数据重复性，还要查阅大量标准规范，对材料是否符合要求作出判断。这一流程耗时较长，数据重复性验证平均需要约十分钟，报告结论判定通常还需十五到三十分钟。由于标准条款复杂、表述不一，人工理解和判断容易出现偏差，长时间重复劳动也会增加疲劳导致的错误风险。

针对这些痛点，项目提出建设人机协同的智能检测系统，将AI定位为专家的高效助手，而不是替代专家。系统通过自动化、知识化和智能化手段，辅助检测人员完成数据验证、标准查询和结果判定，使检测流程从依赖人工经验逐步转向数据驱动与知识驱动相结合的模式。

该系统主要依托三项核心技术。第一是重复性验证模块，利用机器学习异常检测算法自动识别检测数据中的异常点，并判断其是否满足相关标准要求。第二是结论判定模块，采用“规则引擎+机器学习”的双引擎模式：规则引擎负责处理明确、可量化的标准条款，机器学习模型则用于综合判断更复杂的检测场景。第三是自然语言处理智慧大脑，通过命名实体识别和语义理解，将标准规范中的检测项目、限制要求、适用条件等内容转化为机器可识别、可计算的结构化知识库。

在关键技术落地中，系统并不只是简单提取标准中的显性信息，还需要处理“轻微偏差”“可接受”等模糊表述。为提高知识库可靠性，项目引入专家标注和规则补全机制，将过去依靠专家经验理解的标准条款固化为明确规则和结构化知识。借助这一能力，新标准的结构化处理时间由人工数小时缩短到系统约两分钟完成，大幅提升了标准更新和应用效率。

在判定环节，双引擎协同机制体现出较强优势。对于元素含量限制、指标阈值等明确要求，规则引擎能够确保判定结果的确定性和一致性；对于涉及多因素关联、元素间影响或复杂条件组合的情况，AI模型可以辅助进行综合判断，从而兼顾规则执行的严谨性与复杂场景处理的灵活性。

从应用成效看，系统显著提升了材料检验检测效率和质量水平。数据重复性验证由过去约十分钟缩短至秒级，报告出具整体效率提升约50%，平均周期缩短至约十一天。在质量控制方面，人为误判降低90%以上，统计范围内差错报告降为零。系统还释放了资深专家的时间，使其能够从大量重复性事务中解放出来，更多投入前沿技术研发。同时，新员工可借助系统生成规范、准确的报告，降低学习门槛和培训成本。

该项目的核心竞争力主要体现在双引擎技术路线、闭环进化能力和行业知识壁垒三个方面。规则引擎保障明确条款判定的稳定性，AI模型提升复杂情况处理能力；系统可根据专家反馈持续学习，形成越用越智能的行业专属知识系统；对检测标准的深度理解被固化为可计算的知识图谱，也形成了难以复制的专业能力。

从行业意义看，该系统不仅能够提升核电材料检测准确性，保障产品质量和核电安全运行，也为传统材料检验检测行业数字化转型提供了可复制、可推广的样本。通过标准结构化和智能化应用，检测流程正在从“人找标准”转向“标准找人”，有助于提高标准使用效率、减少理解偏差，并增强检测结论的一致性。

面向未来，项目将继续完善系统能力，推动其发展为实验室检测、判定和知识管理的“智慧大脑”。同时，团队还将探索行业内检测数据与结果的共享互认，提升协同效率，并将相关能力拓展至电力、航空等更多高要求工业领域。报告最后指出，该项目的核心实践在于让重复繁琐工作自动化、让专家经验和知识软件化、让标准文档智能化，体现了AI与工业场景深度融合所带来的实际价值。