(19)國(guó)家知識(shí)產(chǎn)權(quán)局路貴州大學(xué)西校區(qū)(72)發(fā)明人馮毅雄胡炳濤洪兆溪趙澤田所(普通合伙)50217GO6N3/0442(2023.01)一種核電機(jī)組質(zhì)量缺陷源分析及全價(jià)值鏈(57)摘要體涉及一種核電機(jī)組質(zhì)量缺陷源分析及全價(jià)值結(jié)構(gòu)化數(shù)據(jù)、日志、文本和傳感器時(shí)序數(shù)據(jù)，通過(guò)及CRF序列標(biāo)注，構(gòu)建混合存儲(chǔ)的數(shù)據(jù)資源池；SO2采用動(dòng)態(tài)剪枝的改進(jìn)Apriori算法挖掘關(guān)聯(lián)衡，分析缺陷成因；S03構(gòu)建含多類(lèi)型節(jié)點(diǎn)、關(guān)系21.一種核電機(jī)組質(zhì)量缺陷源分析及全價(jià)值鏈追溯方法，其特征在于，包括如下步驟：S01多模態(tài)數(shù)據(jù)特征提取與數(shù)據(jù)資源池構(gòu)建：收集核電裝備在設(shè)計(jì)、制造、施工和調(diào)試全價(jià)值鏈的結(jié)構(gòu)化質(zhì)量數(shù)據(jù)、半結(jié)構(gòu)化日志文件、非結(jié)構(gòu)化文本報(bào)告及傳感器時(shí)序數(shù)據(jù)，構(gòu)建多模態(tài)數(shù)據(jù)集，采用BIO標(biāo)注法對(duì)非結(jié)構(gòu)化文本中的缺陷實(shí)體進(jìn)行標(biāo)記，結(jié)合BERT雙向編碼模型融合語(yǔ)義、位置及段落特征，生成動(dòng)態(tài)上下文向量表示；通過(guò)BiGRU-Attention網(wǎng)絡(luò)提取關(guān)鍵語(yǔ)義特征，利用雙向門(mén)控循環(huán)單元捕獲文本上下文依賴(lài)關(guān)系，引入CRF條件隨機(jī)場(chǎng)并結(jié)合維特比算法，對(duì)設(shè)備故障實(shí)體進(jìn)行序列標(biāo)注，輸出最優(yōu)標(biāo)簽路徑；將多模態(tài)處理后的信息存儲(chǔ)于圖數(shù)據(jù)庫(kù)與關(guān)系型數(shù)據(jù)庫(kù)混合架構(gòu)，構(gòu)建數(shù)據(jù)資源池；SO2多維度缺陷成因分析與樣本平衡處理：對(duì)規(guī)范化后的質(zhì)量數(shù)據(jù)執(zhí)行動(dòng)態(tài)剪枝策略，通過(guò)壓縮非頻繁項(xiàng)集、預(yù)剪枝單元素低頻項(xiàng)集，并引入提升度(Lift)量化關(guān)聯(lián)規(guī)則的正負(fù)相關(guān)性，利用卡方檢驗(yàn)計(jì)算特征與缺陷的相關(guān)性；針對(duì)不平衡數(shù)據(jù)集，利用非支配排序遺傳算法生成差異化訓(xùn)練子集；SO3動(dòng)態(tài)知識(shí)圖譜構(gòu)建與追溯：知識(shí)圖譜建模：設(shè)計(jì)包括質(zhì)量問(wèn)題表現(xiàn)、設(shè)備對(duì)象、成值；輸入質(zhì)量事件后，通過(guò)實(shí)體鏈接技術(shù)匹配圖譜節(jié)點(diǎn)，結(jié)合正則匹配與概率路徑搜索逆向追溯缺陷源頭，按概率降序輸出追溯鏈條。2.根據(jù)權(quán)利要求1所述的核電機(jī)組質(zhì)量缺陷源分析及全價(jià)值鏈追溯方法，其特征在于，文本標(biāo)注。3.根據(jù)權(quán)利要求1所述的核電機(jī)組質(zhì)量缺陷源分析及全價(jià)值鏈追溯方法，其特征在于，給定核電質(zhì)量文本描述句w=[W1,W?,…,Wi,…,Wn],經(jīng)BERT處理后得到文本描述句對(duì)應(yīng)向量x=[x?,X?,…,Xi,…,Xn],其中W代表質(zhì)量文本描述句第i個(gè)字，x,代表第i個(gè)字的字向量，n為質(zhì)量文本描述句中字的數(shù)量。4.根據(jù)權(quán)利要求1所述的核電機(jī)組質(zhì)量缺陷源分析及全價(jià)值鏈追溯方法，其特征在于，所述S01中BiGRU-Attention的BiGRU部分將GRU網(wǎng)絡(luò)正向與反向輸出拼接以提取文本語(yǔ)義其中，Xt為t時(shí)刻的輸入字向量；ht表示隱藏狀態(tài)向量，ht-1表示時(shí)間步t-1隱藏狀態(tài)向量，ht在時(shí)間步t候選隱藏狀態(tài)向量，Wzx輸入Xt到更新門(mén)Zt的權(quán)重矩陣，Wzh表示隱藏狀態(tài)ht-1到更新門(mén)Zt的權(quán)重矩陣，Wrx輸入Xt到更新門(mén)rt的權(quán)重矩陣，Wrh表示隱藏狀態(tài)3(K)、Value向量(V)為特征矩陣投影變化后的新4大且分類(lèi)準(zhǔn)確度高的訓(xùn)練子集，NSGAII算法先隨機(jī)生成初始種群，經(jīng)選擇、交叉和變異產(chǎn)生子代種群，重復(fù)直至滿足停止標(biāo)準(zhǔn)。8.根據(jù)權(quán)利要求1所述的核電機(jī)組質(zhì)量缺陷源分析及全價(jià)值鏈追溯方法，其特征在于，所述S03從核電智能施工平臺(tái)、施工管理平臺(tái)、物聯(lián)網(wǎng)平臺(tái)系統(tǒng)采集結(jié)構(gòu)化、半結(jié)構(gòu)化和非結(jié)構(gòu)化數(shù)據(jù)，節(jié)點(diǎn)設(shè)計(jì)包括質(zhì)量問(wèn)題表現(xiàn)、發(fā)生對(duì)象、產(chǎn)生原因；關(guān)系設(shè)計(jì)包含裝備與責(zé)任9.根據(jù)權(quán)利要求1所述的核電機(jī)組質(zhì)量缺陷源分析及全價(jià)值鏈追溯方法，其特征在于，所述S03中，在質(zhì)量追溯時(shí)，識(shí)別實(shí)體、關(guān)系和現(xiàn)象信息，生成標(biāo)準(zhǔn)化查詢驅(qū)動(dòng)知識(shí)圖譜搜索，采用推理模型結(jié)合正則匹配方式追溯，利用節(jié)點(diǎn)概率屬性計(jì)算路徑概率，按概率順序輸出追溯結(jié)果。5一種核電機(jī)組質(zhì)量缺陷源分析及全價(jià)值鏈追溯方法技術(shù)領(lǐng)域[0001]本發(fā)明屬于核電裝備質(zhì)量管控技術(shù)領(lǐng)域，涉及一種核電機(jī)組質(zhì)量缺陷源分析及全價(jià)值鏈追溯方法。背景技術(shù)[0002]核電作為一種清潔能源，在全球能源結(jié)構(gòu)中占據(jù)著重要地位。核電機(jī)組的安全穩(wěn)定運(yùn)行對(duì)于保障能源供應(yīng)、減少環(huán)境污染具有關(guān)鍵意義。然而，核電裝備具有巨系統(tǒng)、長(zhǎng)役工、調(diào)試等多個(gè)復(fù)雜過(guò)程，管控流程的復(fù)雜性導(dǎo)致核電裝備存在質(zhì)量缺陷源標(biāo)定難以準(zhǔn)確、質(zhì)量管控溯源困難等問(wèn)題。[0003]傳統(tǒng)質(zhì)量追溯方法具有局限性。因?yàn)閭鹘y(tǒng)的核電裝備質(zhì)量追溯方法通常是成立專(zhuān)家組，依據(jù)企業(yè)既定質(zhì)量追溯流程進(jìn)行逐級(jí)排查。這一過(guò)程高度依賴(lài)專(zhuān)家經(jīng)驗(yàn)，缺乏智能化分析手段。在實(shí)際操作中，核電系統(tǒng)內(nèi)各平臺(tái)資源相互獨(dú)立，互通極為困難，使得追溯流程冗長(zhǎng)。從時(shí)間成本來(lái)看，整個(gè)追溯周期可能長(zhǎng)達(dá)3個(gè)月以上，耗[0004]質(zhì)量缺陷會(huì)對(duì)核電安全與效益產(chǎn)生顯著影響。在核電裝備運(yùn)行過(guò)程中，任何質(zhì)量缺陷和故障不僅會(huì)降低生產(chǎn)效率，還可能引發(fā)嚴(yán)重的安全事故。例如，核電機(jī)組關(guān)鍵設(shè)備的故障可能導(dǎo)致核反應(yīng)堆停堆，影響正常發(fā)電，造成巨大經(jīng)濟(jì)損失。同時(shí)，一旦發(fā)生核安全事故，對(duì)周邊環(huán)境和公眾健康將帶來(lái)不可估量的危害。此外，質(zhì)量問(wèn)題還會(huì)影響核電站建設(shè)的進(jìn)度，增加投資成本，降低核電項(xiàng)目的社會(huì)與經(jīng)濟(jì)效益，對(duì)核電行業(yè)的可持續(xù)發(fā)展構(gòu)成嚴(yán)重[0005]隨著信息技術(shù)的飛速發(fā)展，智能化手段在各行業(yè)得到廣泛應(yīng)用。在核電領(lǐng)域，構(gòu)建基于核電產(chǎn)品質(zhì)量異常追溯的信息物理融合系統(tǒng)，利用智能化技術(shù)整合提煉質(zhì)量追溯相關(guān)數(shù)據(jù)資源，建立結(jié)構(gòu)化信息表達(dá)體系，實(shí)現(xiàn)質(zhì)量缺陷的快速、準(zhǔn)確追溯，已成為保障核電質(zhì)量安全、提高經(jīng)濟(jì)效益的迫切需求。通過(guò)智能化追溯方法，可以有效提高質(zhì)量追溯的效率和準(zhǔn)確性，及時(shí)采取措施防止或緩解事故的發(fā)生發(fā)展，確保核電機(jī)組的安全可靠運(yùn)行。缺陷成因分析方法”,利用自然語(yǔ)言處理技術(shù)提取文本關(guān)鍵詞，形成標(biāo)準(zhǔn)化缺陷目標(biāo)與原因，通過(guò)卡方檢驗(yàn)篩選特征，結(jié)合隨機(jī)森林算法訓(xùn)練模型，并采用遺傳算法優(yōu)化參數(shù)，以提高缺陷成因分析的準(zhǔn)確性。該方法能處理核電文本數(shù)據(jù)的標(biāo)準(zhǔn)化問(wèn)題，優(yōu)化模型提高準(zhǔn)確率，但僅側(cè)重于缺陷成因分析，在全價(jià)值鏈追溯方面存在不足，未涵蓋從設(shè)計(jì)到運(yùn)行維護(hù)等全流程的追溯。專(zhuān)利CN117973512A“一種基于知識(shí)圖譜推理的工程開(kāi)挖質(zhì)量缺陷追溯方法”,通過(guò)整合多源數(shù)據(jù)和專(zhuān)家知識(shí)構(gòu)建知識(shí)圖譜，利用圖數(shù)據(jù)庫(kù)存儲(chǔ)查詢，結(jié)合知識(shí)圖譜推理和概率判斷識(shí)別質(zhì)量缺陷根源并提供解決辦法。此方法在知識(shí)整合和推理方面具有優(yōu)勢(shì)，但應(yīng)用于核電領(lǐng)域時(shí)，需針對(duì)核電裝備的特殊性進(jìn)行調(diào)整，如核電數(shù)據(jù)的高敏感性、復(fù)雜的技術(shù)流程等，目前尚未充分考慮這些因素。6[0007]綜上所述，現(xiàn)有方法在解決核電質(zhì)量缺陷源分析及全價(jià)值鏈追溯問(wèn)題上均有一定的局限性。為滿足保障核電質(zhì)量安全、提高經(jīng)濟(jì)效益的需求，本發(fā)明旨在結(jié)合多種智能化技術(shù)，構(gòu)建全面、高效的核電機(jī)組質(zhì)量缺陷源分析及全價(jià)值鏈追溯方法，實(shí)現(xiàn)從設(shè)計(jì)、制造到運(yùn)行維護(hù)全流程的質(zhì)量缺陷快速、準(zhǔn)確追溯，提高質(zhì)量追溯效率和準(zhǔn)確性，確保核電機(jī)組的安全可靠運(yùn)行。發(fā)明內(nèi)容[0008]本發(fā)明提供一種核電機(jī)組質(zhì)量缺陷源分析及全價(jià)值鏈追溯方法，解決核電裝備質(zhì)量管控中缺陷源標(biāo)定難、溯源效率低等問(wèn)題。一種核電機(jī)組質(zhì)量缺陷源分析及全價(jià)值鏈追溯方法，包括如下步驟：S01多模態(tài)數(shù)據(jù)特征提取與數(shù)據(jù)資源池構(gòu)建：收集核電裝備在設(shè)計(jì)、制造、施工和調(diào)試全價(jià)值鏈的結(jié)構(gòu)化質(zhì)量數(shù)據(jù)、半結(jié)構(gòu)化日志文件、非結(jié)構(gòu)化文本報(bào)告及傳感器時(shí)序數(shù)據(jù)，構(gòu)建多模態(tài)數(shù)據(jù)集，采用BIO標(biāo)注法對(duì)非結(jié)構(gòu)化文本中的缺陷實(shí)體進(jìn)行標(biāo)記，結(jié)合BERT雙向編碼模型融合語(yǔ)義、位置及段落特征，生成動(dòng)態(tài)上下文向量表示；通過(guò)BiGRU-Attention網(wǎng)絡(luò)提取關(guān)鍵語(yǔ)義特征，利用雙向門(mén)控循環(huán)單元捕獲文本上下文依賴(lài)關(guān)系，引入CRF條件隨機(jī)場(chǎng)并結(jié)合維特比算法，對(duì)設(shè)備故障實(shí)體進(jìn)行序列標(biāo)注，輸出最優(yōu)標(biāo)簽路徑；將多模態(tài)處理后的信息存儲(chǔ)于圖數(shù)據(jù)庫(kù)與關(guān)系型數(shù)據(jù)庫(kù)混合架構(gòu)，構(gòu)建數(shù)據(jù)資源池；S02多維度缺陷成因分析與樣本平衡處理：對(duì)規(guī)范化后的質(zhì)量數(shù)據(jù)執(zhí)行動(dòng)態(tài)剪枝策略，通過(guò)壓縮非頻繁項(xiàng)集、預(yù)剪枝單元素低頻項(xiàng)集，并引入提升度(Lift)量化關(guān)聯(lián)規(guī)則的正負(fù)相關(guān)性，利用卡方檢驗(yàn)計(jì)算特征與缺陷的相關(guān)性；針對(duì)不平衡數(shù)據(jù)集，利用非支配排序遺傳算法生成差異化訓(xùn)練子集；SO3動(dòng)態(tài)知識(shí)圖譜構(gòu)建與智能追溯：知識(shí)圖譜建模：設(shè)計(jì)包括質(zhì)量問(wèn)題表現(xiàn)、設(shè)備賦予閾值；輸入質(zhì)量事件后，通過(guò)實(shí)體鏈接技術(shù)匹配圖譜節(jié)點(diǎn)，結(jié)合正則匹配與概率路徑搜索逆向追溯缺陷源頭，按概率降序輸出追溯鏈條。[0010]本方案的原理與優(yōu)點(diǎn)在于：針對(duì)核電裝備全價(jià)值鏈產(chǎn)生的異構(gòu)數(shù)據(jù)如結(jié)構(gòu)化質(zhì)量數(shù)據(jù)、半結(jié)構(gòu)化日志、非結(jié)構(gòu)化文本、傳感器時(shí)序數(shù)據(jù)，采用BIO標(biāo)注法精準(zhǔn)標(biāo)記文本中的缺陷實(shí)體如設(shè)備名稱(chēng)、故障現(xiàn)象，利用BERT雙向編碼模型融合語(yǔ)義、位置及段落特征，將文本轉(zhuǎn)化為動(dòng)態(tài)上下文向量，解決傳統(tǒng)詞向量無(wú)法表征多義性的問(wèn)題。通過(guò)BiGRU-Attention網(wǎng)絡(luò)捕獲文本上下文依賴(lài)關(guān)系，結(jié)合注意力機(jī)制篩選關(guān)鍵語(yǔ)義特征，再利用CRF條件隨機(jī)場(chǎng)結(jié)合維特比算法進(jìn)行序列標(biāo)注，輸出設(shè)備故障實(shí)體的最優(yōu)標(biāo)簽路徑，實(shí)現(xiàn)從非結(jié)構(gòu)化文本到結(jié)構(gòu)化實(shí)體信息的精準(zhǔn)提取。最終將多模態(tài)數(shù)據(jù)統(tǒng)一存儲(chǔ)于圖數(shù)據(jù)庫(kù)與關(guān)系型數(shù)據(jù)庫(kù)混合架構(gòu)，構(gòu)建包含實(shí)體向量、時(shí)序特征及關(guān)聯(lián)關(guān)系的數(shù)據(jù)資源池，為后續(xù)分析提供多維數(shù)據(jù)支撐。[0011]在多維度缺陷成因分析與樣本平衡處理階段，首先對(duì)規(guī)范化數(shù)據(jù)執(zhí)行動(dòng)態(tài)剪枝策略：通過(guò)壓縮非頻繁項(xiàng)集、預(yù)剪枝單元素低頻項(xiàng)集，減少冗余計(jì)算；引入提升度量化關(guān)聯(lián)規(guī)則的正負(fù)相關(guān)性，篩選強(qiáng)關(guān)聯(lián)規(guī)則，解決傳統(tǒng)Apriori算法無(wú)法區(qū)分正負(fù)關(guān)聯(lián)的缺陷，利用卡方檢驗(yàn)計(jì)算特征與缺陷的相關(guān)性，篩選關(guān)鍵影響因素，結(jié)合隨機(jī)森林算法構(gòu)建可視化樹(shù)7位置和段落特征生成綜合特征向量n,再經(jīng)Transformer編碼器得到文本對(duì)應(yīng)向量到文本描述句對(duì)應(yīng)向量x=[x1,x?,…,xi,…,xn],8其中，P(XUY),事件X和事件Y同時(shí)發(fā)生的概率，P(X)為事件X發(fā)生的概率，同出現(xiàn)的概率就越高。NSGAII生成差異性大且分類(lèi)準(zhǔn)確度高的訓(xùn)練子附圖說(shuō)明9具體實(shí)施方式[0028]實(shí)施例1,如圖1所示，一種核電機(jī)組質(zhì)量缺陷源分析及全價(jià)值鏈追溯方法，包括如下步驟：S01多模態(tài)數(shù)據(jù)特征提取與數(shù)據(jù)資源池構(gòu)建：收集核電裝備在設(shè)計(jì)、制造、施工和調(diào)試全價(jià)值鏈的結(jié)構(gòu)化質(zhì)量數(shù)據(jù)、半結(jié)構(gòu)化日志文件、非結(jié)構(gòu)化文本報(bào)告及傳感器時(shí)序數(shù)據(jù)，構(gòu)建多模態(tài)數(shù)據(jù)集，采用BIO標(biāo)注法對(duì)非結(jié)構(gòu)化文本中的缺陷實(shí)體進(jìn)行標(biāo)記，結(jié)合BERT雙向編碼模型融合語(yǔ)義、位置及段落特征，生成動(dòng)態(tài)上下文向量表示；通過(guò)BiGRU-Attention網(wǎng)絡(luò)提取關(guān)鍵語(yǔ)義特征，利用雙向門(mén)控循環(huán)單元捕獲文本上下文依賴(lài)關(guān)系，引入CRF條件隨機(jī)場(chǎng)并結(jié)合維特比算法，對(duì)設(shè)備故障實(shí)體進(jìn)行序列標(biāo)注，輸出最優(yōu)標(biāo)簽路徑；將多模態(tài)處理后的信息存儲(chǔ)于圖數(shù)據(jù)庫(kù)與關(guān)系型數(shù)據(jù)庫(kù)混合架構(gòu)，構(gòu)建數(shù)據(jù)資源池；SO2多維度缺陷成因分析與樣本平衡處理：對(duì)規(guī)范化后的質(zhì)量數(shù)據(jù)執(zhí)行動(dòng)態(tài)剪枝策略，通過(guò)壓縮非頻繁項(xiàng)集、預(yù)剪枝單元素低頻項(xiàng)集，并引入提升度(Lift)量化關(guān)聯(lián)規(guī)則的正負(fù)相關(guān)性，利用卡方檢驗(yàn)計(jì)算特征與缺陷的相關(guān)性；針對(duì)不平衡數(shù)據(jù)集，利用非支配排序遺傳算法生成差異化訓(xùn)練子集；SO3動(dòng)態(tài)知識(shí)圖譜構(gòu)建與智能追溯：知識(shí)圖譜建模：設(shè)計(jì)包括質(zhì)量問(wèn)題表現(xiàn)、設(shè)備賦予閾值；輸入質(zhì)量事件后，通過(guò)實(shí)體鏈接技術(shù)匹配圖譜節(jié)點(diǎn)，結(jié)合正則匹配與概率路徑搜索逆向追溯缺陷源頭，按概率降序輸出追溯鏈條。[0029]針對(duì)核電裝備全價(jià)值鏈產(chǎn)生的異構(gòu)數(shù)據(jù)如結(jié)構(gòu)化質(zhì)量數(shù)據(jù)、半結(jié)構(gòu)化日志、非結(jié)構(gòu)化文本、傳感器時(shí)序數(shù)據(jù)，采用BIO標(biāo)注法精準(zhǔn)標(biāo)記文本中的缺陷實(shí)體如設(shè)備名稱(chēng)、故障解決傳統(tǒng)詞向量無(wú)法表征多義性的問(wèn)題。通過(guò)BiGRU-Attention網(wǎng)絡(luò)捕獲文本上下文依賴(lài)關(guān)系，結(jié)合注意力機(jī)制篩選關(guān)鍵語(yǔ)義特征，再利用CRF條件隨機(jī)場(chǎng)結(jié)合維特比算法進(jìn)行序列標(biāo)注，輸出設(shè)備故障實(shí)體的最優(yōu)標(biāo)簽路徑，實(shí)現(xiàn)從非結(jié)構(gòu)化文本到結(jié)構(gòu)化實(shí)體信息的精準(zhǔn)提取。最終將多模態(tài)數(shù)據(jù)統(tǒng)一存儲(chǔ)于圖數(shù)據(jù)庫(kù)與關(guān)系型數(shù)據(jù)庫(kù)混合架構(gòu)，構(gòu)建包含實(shí)體向量、時(shí)序特征及關(guān)聯(lián)關(guān)系的數(shù)據(jù)資源池，為后續(xù)分析提供多維數(shù)據(jù)支撐。[0030]在多維度缺陷成因分析與樣本平衡處理階段，首先對(duì)規(guī)范化數(shù)據(jù)執(zhí)行動(dòng)態(tài)剪枝策略：通過(guò)壓縮非頻繁項(xiàng)集、預(yù)剪枝單元素低頻項(xiàng)集，減少冗余計(jì)算；引入提升度量化關(guān)聯(lián)規(guī)則的正負(fù)相關(guān)性，篩選強(qiáng)關(guān)聯(lián)規(guī)則，解決傳統(tǒng)Apriori算法無(wú)法區(qū)分正負(fù)關(guān)聯(lián)的缺陷，利用卡方檢驗(yàn)計(jì)算特征與缺陷的相關(guān)性，篩選關(guān)鍵影響因素，結(jié)合隨機(jī)森林算法構(gòu)建可視化樹(shù)狀圖，直觀展示缺陷傳播路徑。針對(duì)核電數(shù)據(jù)中缺陷的樣本不平衡問(wèn)題，采用非支配排序遺傳算法生成差異化訓(xùn)練子集，優(yōu)化隨機(jī)森林分類(lèi)邊界，提升少數(shù)類(lèi)缺陷的識(shí)別精度。[0031]在動(dòng)態(tài)知識(shí)圖譜構(gòu)建與智能追溯階段，設(shè)計(jì)包含質(zhì)量問(wèn)題表現(xiàn)、設(shè)備對(duì)象、成因、為節(jié)點(diǎn)賦予質(zhì)量標(biāo)準(zhǔn)閾值、歷史發(fā)生概率等屬性，構(gòu)建動(dòng)態(tài)知識(shí)圖譜，當(dāng)輸入質(zhì)量事件時(shí)，通過(guò)實(shí)體鏈接技術(shù)匹配圖譜節(jié)點(diǎn)，結(jié)合正則匹配與概率路徑搜索逆向追溯缺陷源頭，優(yōu)先輸出高概率追溯鏈條，同時(shí)通過(guò)時(shí)序關(guān)聯(lián)分析鎖定缺陷所屬階段，關(guān)聯(lián)責(zé)任方節(jié)點(diǎn)，形成完整的追溯報(bào)告。升了信息提取的精度，為缺陷源分析和追溯提供了可靠的數(shù)據(jù)基礎(chǔ)；在從文本中提取與質(zhì)行文本向量轉(zhuǎn)化和關(guān)鍵語(yǔ)義特征提取時(shí)，模型可以依據(jù)標(biāo)注結(jié)果，聚焦于被標(biāo)記為實(shí)體的落特征生成綜合特征向量Vn,再經(jīng)Transformer編碼器得到文本對(duì)應(yīng)向量到文本描述句對(duì)應(yīng)向量x=[x1,x?,…,x;,…,xn],其中W;代表質(zhì)量文本描述句A其中，P(XUY),事件X和事件Y同時(shí)發(fā)生的概率，P(X)為事件X發(fā)生的概率，析依據(jù)雜的核電質(zhì)量數(shù)據(jù)特征中精準(zhǔn)篩選出與目標(biāo)變量(如質(zhì)量缺陷)相關(guān)性最強(qiáng)的關(guān)鍵特異性，基于這些子集訓(xùn)練出的決策樹(shù)也各不相同，最終構(gòu)建的隨機(jī)森林包含了多樣化的決策樹(shù)。這種多樣性使得隨機(jī)森林在面對(duì)不同的核電質(zhì)量數(shù)據(jù)時(shí)，能夠從多個(gè)角度進(jìn)行分析和判斷，增強(qiáng)了模型的泛化能力。即使遇到新的或未完全覆蓋的質(zhì)量缺陷情況，模型也能憑借多樣化的決策樹(shù)組合，給出相對(duì)合理的分析結(jié)果，提高了模型對(duì)復(fù)雜多變的核電裝備質(zhì)量數(shù)據(jù)的適應(yīng)能力。[0048]所述S03從核電智能施工平臺(tái)、施工管理平臺(tái)、物聯(lián)網(wǎng)平臺(tái)系統(tǒng)采集結(jié)構(gòu)化、半結(jié)構(gòu)化和非結(jié)構(gòu)化數(shù)據(jù)，節(jié)點(diǎn)設(shè)計(jì)包括質(zhì)量問(wèn)題表現(xiàn)、發(fā)生對(duì)象、產(chǎn)生原因；關(guān)系設(shè)計(jì)包含裝備與責(zé)任方、設(shè)備與子構(gòu)件組成的多重關(guān)系；屬性設(shè)計(jì)包括質(zhì)量標(biāo)準(zhǔn)、節(jié)點(diǎn)概率；從核電智能施工平臺(tái)、施工管理平臺(tái)、物聯(lián)網(wǎng)平臺(tái)系統(tǒng)采集結(jié)構(gòu)化、半結(jié)構(gòu)化和非結(jié)構(gòu)化數(shù)據(jù)，能獲取核電機(jī)組全生命周期的豐富信息。結(jié)構(gòu)化數(shù)據(jù)如施工進(jìn)度、設(shè)備參數(shù)等，提供精確的量化信息，可用于直接分析和對(duì)比；半結(jié)構(gòu)化數(shù)據(jù)如施工日志、質(zhì)量檢查報(bào)告，包含詳細(xì)的過(guò)程記錄，有助于了解質(zhì)量問(wèn)題產(chǎn)生的背景；非結(jié)構(gòu)化數(shù)據(jù)如現(xiàn)場(chǎng)圖片、操作手冊(cè)等，補(bǔ)充了難以用固定格式表達(dá)的信息，能挖掘潛在的質(zhì)量影響因素。多平臺(tái)數(shù)據(jù)融合能全面還原質(zhì)量事件發(fā)生的場(chǎng)景，避免信息缺失，為后續(xù)的追溯和分析提供充分的數(shù)據(jù)支持。[0049]所述S03中，在質(zhì)量追溯時(shí)，識(shí)別實(shí)體、關(guān)系和現(xiàn)象信息，生成標(biāo)準(zhǔn)圖譜搜索，采用推理模型結(jié)合正則匹配方式追溯，利用節(jié)點(diǎn)概率屬性計(jì)算路徑概率，按概率順序輸出追溯結(jié)果，通過(guò)確定質(zhì)量事件中的關(guān)鍵實(shí)體，如涉及的設(shè)備、部件，明確實(shí)體間的關(guān)系，以及掌握質(zhì)量問(wèn)題的具體現(xiàn)象，能夠快速鎖定質(zhì)量問(wèn)題的核心要素。以主蒸汽過(guò)濾器中盲目排查，精準(zhǔn)定位到可能導(dǎo)致問(wèn)題的關(guān)鍵環(huán)節(jié)，提高追溯的準(zhǔn)確性和針對(duì)性；生成標(biāo)準(zhǔn)化查詢驅(qū)動(dòng)知識(shí)圖譜搜索，使追溯過(guò)程更加高效有序。標(biāo)準(zhǔn)化查詢能夠快速在知識(shí)圖譜中匹配相關(guān)信息，避免了無(wú)目的的遍歷，大大縮短了查找時(shí)間。知識(shí)圖譜以結(jié)構(gòu)化的方式存儲(chǔ)和組織數(shù)據(jù)，能夠迅速定位到與質(zhì)量問(wèn)題相關(guān)的節(jié)點(diǎn)和關(guān)系，提高信息獲取的速度。在面對(duì)復(fù)雜的核電系統(tǒng)和大量的質(zhì)量數(shù)據(jù)時(shí)，這種高效的搜索方式能夠快速篩選出有用信息，減少追溯時(shí)間成本，及時(shí)對(duì)質(zhì)量問(wèn)題做出響應(yīng)，保障核電機(jī)組的穩(wěn)定運(yùn)行。[0050]實(shí)施例2S1:利用核電裝備在設(shè)計(jì)、制造、施工和調(diào)試的全價(jià)值鏈過(guò)程累積的較多的質(zhì)量事件數(shù)據(jù)以及質(zhì)量特性短語(yǔ)對(duì)質(zhì)量數(shù)據(jù)進(jìn)一步實(shí)施關(guān)鍵信息抽取，提取出包含質(zhì)量缺陷的相關(guān)信息形成數(shù)據(jù)資源池，能夠在未來(lái)出現(xiàn)相似質(zhì)量問(wèn)題時(shí)，基于構(gòu)建的數(shù)據(jù)資源池進(jìn)行對(duì)比分析，快速進(jìn)行缺陷源定位與溯源分析。[0051]S2:在核電設(shè)備建造、運(yùn)行全生命周期中，會(huì)在各個(gè)階段出現(xiàn)各類(lèi)問(wèn)題，采用了三種質(zhì)量缺陷成因分析方法，分別是基于改進(jìn)Apriori的核電裝備質(zhì)量缺陷關(guān)聯(lián)挖掘、基于特征工程的核電裝備缺陷成因分析、基于NSGALL-RF的樣本不平衡下核電裝備缺陷成因分析。[0052]S3:針對(duì)知識(shí)圖譜構(gòu)建與應(yīng)用，構(gòu)建核電裝備質(zhì)量追溯領(lǐng)域知識(shí)圖譜通用設(shè)計(jì)方法，以知識(shí)圖譜為底層，來(lái)設(shè)計(jì)產(chǎn)品質(zhì)量異常追溯過(guò)程。將知識(shí)圖譜技術(shù)應(yīng)用于核電裝備全價(jià)值鏈追溯領(lǐng)域，包括質(zhì)量追溯知識(shí)體系設(shè)計(jì)以及下游任務(wù)的應(yīng)用。S11:由于核電缺陷信息實(shí)體提取類(lèi)別較少，因此采用BI0進(jìn)行標(biāo)注。BIO標(biāo)注將B表示實(shí)體開(kāi)頭，I表示實(shí)體中間或尾部，0表示非實(shí)體。如對(duì)“xxx年xx月xx日，王某某發(fā)現(xiàn)xx機(jī)組汽輪機(jī)產(chǎn)生火花，導(dǎo)致發(fā)電機(jī)轉(zhuǎn)速超過(guò)xxx值，存在xxx風(fēng)險(xiǎn)?！边M(jìn)行標(biāo)注，樣例如下：發(fā)/0現(xiàn)/0x/B-crewx機(jī)/I-crew組/I-cerw汽/B-Equiment輪機(jī)/I-Equiment產(chǎn)生/0火/B-在xxx風(fēng)險(xiǎn)。[0054]S12:構(gòu)建抽取核電裝備質(zhì)量實(shí)體的模型首先需要先對(duì)標(biāo)注過(guò)的關(guān)鍵信息文本進(jìn)行文本向量轉(zhuǎn)化。文本的向量表示本質(zhì)上是用一個(gè)向量來(lái)表示詞、句子、文章、整本書(shū)籍等，有很多種不同的表示學(xué)習(xí)方式。我們采用BERT方式來(lái)進(jìn)行文本向量，BERT是一種對(duì)文本進(jìn)行編碼的表示模型，可以將一段文本轉(zhuǎn)化為一組向量表示，且向量融合了文本的全局語(yǔ)義信息。[0055]通過(guò)融合語(yǔ)義特征、位置特征和段落特征后得到綜合特征向量Vn,再將融合后的x=[x?,x?,…,x,…,x],其公式表示如下所示：x=BERT(w)[0056]給定核電質(zhì)量文本描述句w=[w?,W?,…,Wi,…,Wn],經(jīng)BERT后得到文本描述句對(duì)應(yīng)向量x=[x?,x?,…,xi,…,xn],其中W;代表質(zhì)量文本描述句第i個(gè)字，X;代表第i個(gè)字的字向量。[0057]S121:在完成文本向量的轉(zhuǎn)換后，采用BiGRU-Attention中提取文本中與故障設(shè)備及相關(guān)描述的關(guān)鍵語(yǔ)義特征，縮小解譯范圍。然后通過(guò)Attention機(jī)制從提取的語(yǔ)義信息中篩選出與設(shè)備質(zhì)量缺陷相關(guān)特征信息并忽略次要信息，輸出關(guān)鍵語(yǔ)義特征矩陣。BiGRU是GRU網(wǎng)絡(luò)輸出的正反向拼接，GRU計(jì)算過(guò)程如下所示：[0058]其中，Xt為t時(shí)刻的輸入字向量；ht表示隱藏狀態(tài)向量，ht-1表示時(shí)間步t-1隱藏狀態(tài)向量，h在時(shí)間步t候選隱藏狀態(tài)向量，Wzx輸入Xt到更新門(mén)Zt的權(quán)重矩陣，Wzh表示隱藏狀態(tài)ht-1到更新門(mén)Zt的權(quán)重矩陣，Wrx輸入Xt到更新門(mén)rt的權(quán)重矩陣，Wrh表示隱藏狀態(tài)ht-1到重置門(mén)rt的權(quán)重矩陣，Whx表示輸入Xt到候選隱藏狀態(tài)h的權(quán)重矩陣，br重置門(mén)rt的偏置向量，bz為更新門(mén)zt的偏置向量，Zt表示更新門(mén)，控制信息進(jìn)入下一個(gè)狀態(tài)；rt表示重置門(mén)，決定信息的留舍。更新門(mén)和重置門(mén)共同決定隱藏狀態(tài)h的輸出，*表示哈達(dá)瑪積(Hadamard)。將GRU網(wǎng)絡(luò)輸出h進(jìn)行正反向拼接得到BiGRU單個(gè)文字Xt提取對(duì)應(yīng)的特征輸出，公式如下所示：[0060]S122:得到文本語(yǔ)義特征矩H后，將句子中的每個(gè)字都與其他字做一次相似性計(jì)[0064]S125:最優(yōu)路徑規(guī)劃方法解決相鄰標(biāo)簽之間的依賴(lài)關(guān)系并計(jì)算出相鄰標(biāo)簽之間的[0071]其中，y*表示通過(guò)維特比算法優(yōu)化目標(biāo)函數(shù)后得到的最佳預(yù)測(cè)標(biāo)簽，根據(jù)上述公式計(jì)算得到預(yù)測(cè)最優(yōu)序列，預(yù)測(cè)每個(gè)字對(duì)應(yīng)的標(biāo)簽概率，具有最大標(biāo)簽概率對(duì)應(yīng)的文字組合即為所提取的故障設(shè)備。[0072]S13:核電質(zhì)量追溯關(guān)系抽取模型與核電裝備質(zhì)量實(shí)體抽取模型一樣，先通過(guò)BERT將標(biāo)注好的文本完成文本向量轉(zhuǎn)化，再通過(guò)BiGRU-Attention提取到關(guān)鍵語(yǔ)義特征ATT。[0073]S131:將關(guān)鍵語(yǔ)義特征輸出ATT作為MLP輸入，使用MLP對(duì)ATT進(jìn)行微調(diào)。調(diào)試四個(gè)階段的可能性，取輸出概率最高值為最終確定的質(zhì)量缺陷所屬階段，形成了基于MLP的分類(lèi)問(wèn)題。[0075]S133:MLP對(duì)提取的關(guān)鍵語(yǔ)義特征信息進(jìn)行壓縮與非線性融合，綜合考慮每個(gè)字對(duì)輸出的貢獻(xiàn)，每層的權(quán)值大小代表了每個(gè)字特征對(duì)輸出影響的占比，具體計(jì)算過(guò)程如下：質(zhì)量文本描述句經(jīng)BERT-BiGRU-Attention計(jì)算后得到關(guān)鍵語(yǔ)義特征向量ATT,ATT降維處理使得每個(gè)字對(duì)應(yīng)一個(gè)數(shù)值，得到降維后的文本向量字對(duì)輸出的貢獻(xiàn)，計(jì)算公式如下：0=f(m),其中輸出O為四維向量，表示四個(gè)階段對(duì)應(yīng)[0076]S134:通過(guò)上述信息標(biāo)注策略、文本向量轉(zhuǎn)化技術(shù)和特征抽取技術(shù)對(duì)質(zhì)量文本的特征信息提取，得到質(zhì)量缺陷對(duì)應(yīng)的關(guān)鍵信息，用數(shù)據(jù)庫(kù)對(duì)質(zhì)量文本一缺陷信息進(jìn)行結(jié)構(gòu)化存儲(chǔ)，形成數(shù)據(jù)資源池為后續(xù)缺陷源標(biāo)定與追溯提供支持。[0077]所述S2具體為：S21:核電質(zhì)量事件單中記錄大量缺陷文本數(shù)據(jù)，包含缺陷現(xiàn)象與成因分析等信息，引入關(guān)聯(lián)關(guān)系挖掘方法，自動(dòng)獲取事件單中核電設(shè)備質(zhì)量缺陷與原因間的關(guān)聯(lián)關(guān)系為構(gòu)建基于知識(shí)的缺陷分類(lèi)模型提供基礎(chǔ)。[0078]S211:根據(jù)核電質(zhì)量事件單數(shù)據(jù)信息繁雜、幾余度高等特點(diǎn)，對(duì)原始數(shù)據(jù)進(jìn)行規(guī)范化處理，獲得原因與現(xiàn)象表征。[0079]S212:通過(guò)改進(jìn)Apriori算法挖掘缺陷現(xiàn)象與原因、原因與原因間的關(guān)聯(lián)關(guān)系。[0080]S213:采用Apriori算法挖掘核電設(shè)備缺陷原因的關(guān)聯(lián)規(guī)則，其核心思想是通過(guò)兩步挖掘和多次遞歸迭代，尋找數(shù)據(jù)中的頻繁項(xiàng)集，通過(guò)k項(xiàng)集迭代產(chǎn)生k+1項(xiàng)集，直到?jīng)]有最大項(xiàng)集產(chǎn)生，最終將數(shù)據(jù)集中關(guān)聯(lián)關(guān)系最大的事務(wù)挖掘出來(lái)。[0081]S214:針對(duì)規(guī)范化質(zhì)量事件單數(shù)據(jù)，對(duì)原因和現(xiàn)象之間頻繁項(xiàng)集的生成步驟進(jìn)行描述，并設(shè)定最小支持度和置信度閾值。[0082]S215:掃描事務(wù)數(shù)據(jù)庫(kù)，得到候選1—項(xiàng)集C1:{A},{B},{C},{D},{E},其中項(xiàng)集{D}的支持度小于設(shè)定閾值，其余項(xiàng)集大于支持度設(shè)定閾值，則頻繁1-項(xiàng)集L為{A},{B},{C},{E}。[0083]S216:L進(jìn)行自連接操作得到候選2一項(xiàng)集C?:{A,B},{A,C},{A,E},{B,C},{B,E},{C,E},其中所有項(xiàng)集的子集均包含在L,經(jīng)過(guò)支持度計(jì)算，符合閾值的項(xiàng)集為{A,C},{B,C},B,E/因此他們歸屬為頻繁2一項(xiàng)集L?。E}。[0085]S218:最后，由L進(jìn)行自連接產(chǎn)生候選4一項(xiàng)集為空集，算法執(zhí)行結(jié)束。計(jì)算頻繁[0086]S219:基于頻繁項(xiàng)集的生成規(guī)則和篩選準(zhǔn)則，做出了如下改進(jìn)：(1)針對(duì)頻繁項(xiàng)集生成搜索過(guò)程浪費(fèi)了大量時(shí)間和數(shù)據(jù)庫(kù)空間的問(wèn)題，提出了壓縮數(shù)據(jù)庫(kù)的方式減小數(shù)據(jù)空間的使用。每一次掃描中，確定為非頻繁項(xiàng)集的集合直接從數(shù)據(jù)庫(kù)中刪除，避免下次遍歷數(shù)據(jù)庫(kù)時(shí)重復(fù)篩選搜索，減少空間和時(shí)間的浪費(fèi)。[0087](2)利用頻繁項(xiàng)集的性質(zhì)進(jìn)行篩選，采用事先剪枝的方法刪除非必需的項(xiàng)集，即對(duì)某k項(xiàng)集中的單元素進(jìn)行出現(xiàn)次數(shù)計(jì)算，其次數(shù)小于k次，那么包含該元素的項(xiàng)集不屬于頻繁k+1項(xiàng)集，則將包含該元素的項(xiàng)集進(jìn)行預(yù)先剪枝操作，只需要搜索特定的最小項(xiàng)事務(wù)分支節(jié)點(diǎn)，而不是重復(fù)搜索全部數(shù)據(jù)庫(kù)，加快連接速度，減少候選項(xiàng)集產(chǎn)生的數(shù)[0088](3)為了降低冗余規(guī)則的產(chǎn)生和分析和干擾，引入提升度的概念對(duì)關(guān)聯(lián)規(guī)則進(jìn)行輔助判定。針對(duì)某頻繁k項(xiàng)集的提升度定義為：[0089]其中，P(XUY),事件X和事件Y同時(shí)發(fā)生的概率，P(X)為事件X發(fā)生的概率，和是相互獨(dú)立的，二者無(wú)關(guān)；當(dāng)lift大于1時(shí)事務(wù)和Y是正相關(guān)的，且L值越大表示二者間的相關(guān)性越高，其共同出現(xiàn)的概率就越高。[0090]通過(guò)引入提升度的概念，可以得到缺陷現(xiàn)象和原因、原因和原因之間的相關(guān)程度提升度數(shù)值越大，二者之間相關(guān)性越高，因此，能夠更好地理解質(zhì)量事件單中缺陷現(xiàn)象與原因之間的相關(guān)性和影響程度，對(duì)核電設(shè)備缺陷關(guān)聯(lián)關(guān)系、工程師的現(xiàn)場(chǎng)判斷具有輔用，同時(shí)，為后續(xù)算法分類(lèi)模型分析提供理論基礎(chǔ)和分析依據(jù)。[0091]S22:在得到故障信息后，通過(guò)信息標(biāo)注策略、文本向量轉(zhuǎn)化技術(shù)和特征抽取技術(shù)對(duì)質(zhì)量文本的特征信息提取，得到質(zhì)量缺陷對(duì)應(yīng)的關(guān)鍵信息，用數(shù)據(jù)庫(kù)對(duì)質(zhì)量文本一缺陷信息進(jìn)行結(jié)構(gòu)化存儲(chǔ)，形成數(shù)據(jù)資源池為后續(xù)缺陷源標(biāo)定與追溯提供支持。[0092]S221:在得到提取過(guò)的信息后，我們需要構(gòu)建隨機(jī)森林算法模型。隨機(jī)森林采用自主采樣法隨機(jī)抽取數(shù)據(jù)集，這樣保證每個(gè)樣本被抽中的概率是相同的，在得到樣本集后，構(gòu)[0094]S223:卡方檢驗(yàn)用于測(cè)量與類(lèi)別值無(wú)關(guān)的特征出現(xiàn)分布的離散度，計(jì)算單個(gè)特征利用進(jìn)化的方法來(lái)選擇特征和樣本的子集，在兼顧采樣保留重要樣本和特征信息的基礎(chǔ)[0097]S231:通過(guò)NSGAII生成差異性大且分類(lèi)準(zhǔn)確度高的訓(xùn)練子集，NSGAII所獲得[0100]每條染色體由樣本及特征組成，可視作取到某些樣本和某些特征。下圖描述了斷過(guò)程進(jìn)行描述，詳細(xì)流程圖如圖3所示。S31:根據(jù)核電裝備全生命周期質(zhì)量狀態(tài)演化圖譜以及質(zhì)量追溯使用的質(zhì)量數(shù)據(jù)資源特征，針對(duì)核電領(lǐng)域裝備質(zhì)量追溯問(wèn)題，設(shè)計(jì)基于知識(shí)圖譜的核電裝備質(zhì)量智能追溯[0104]S311:用于質(zhì)量追溯的相關(guān)數(shù)據(jù)可從核電公司內(nèi)部的核電智能施工平臺(tái)，例如NICE平臺(tái)、施工管理平臺(tái)、物聯(lián)網(wǎng)平臺(tái)等系統(tǒng)獲取數(shù)據(jù)來(lái)源(包括結(jié)構(gòu)化數(shù)據(jù)、半結(jié)構(gòu)化數(shù)[0105]S312:融合三維模型一體化的核電裝備質(zhì)量特性數(shù)據(jù)、質(zhì)量狀態(tài)演化圖譜、質(zhì)量計(jì)劃數(shù)據(jù)，提取其中質(zhì)量關(guān)鍵特性信息與質(zhì)量狀態(tài)傳遞等追溯關(guān)聯(lián)知識(shí)，對(duì)質(zhì)量追溯圖譜形成有益補(bǔ)充。[0106]S313:節(jié)點(diǎn)設(shè)計(jì)包括質(zhì)量問(wèn)題表現(xiàn)節(jié)點(diǎn)、質(zhì)量問(wèn)題發(fā)生對(duì)象節(jié)點(diǎn)、質(zhì)量問(wèn)題產(chǎn)生原發(fā)生對(duì)象節(jié)點(diǎn)與核電裝備/核電裝備子構(gòu)件節(jié)點(diǎn)可以重合，重合時(shí)該節(jié)點(diǎn)擁有兩個(gè)節(jié)點(diǎn)標(biāo)[0107]S314:關(guān)系設(shè)計(jì)包括：裝備/構(gòu)件/設(shè)及階段與責(zé)任方的關(guān)系，設(shè)備與設(shè)備子構(gòu)件之間的組成關(guān)系，質(zhì)量問(wèn)題表現(xiàn)與質(zhì)量問(wèn)題發(fā)生對(duì)象之間的關(guān)聯(lián)關(guān)系，質(zhì)量問(wèn)題與導(dǎo)致質(zhì)量問(wèn)題發(fā)生的原因之間的關(guān)系，設(shè)備/構(gòu)件制造安裝流程流轉(zhuǎn)關(guān)系。[0108]S315:屬性設(shè)計(jì)包括：設(shè)備/構(gòu)件的質(zhì)量標(biāo)準(zhǔn)與正常狀態(tài)屬性，節(jié)點(diǎn)在總事件空間出現(xiàn)的概率屬性，以及對(duì)節(jié)點(diǎn)或者關(guān)系的補(bǔ)充描述等。[0109]S32:當(dāng)有新的核電裝備質(zhì)量追溯任務(wù)產(chǎn)生時(shí)，通過(guò)對(duì)輸入的質(zhì)量事件進(jìn)行智能分析，識(shí)別出質(zhì)量事件的實(shí)體、實(shí)體關(guān)系和質(zhì)量問(wèn)題現(xiàn)象信息，生成標(biāo)準(zhǔn)化查詢事件驅(qū)動(dòng)知識(shí)圖譜搜索。在質(zhì)量追溯知識(shí)圖譜中定位質(zhì)量問(wèn)題狀態(tài)表現(xiàn)所對(duì)應(yīng)的節(jié)點(diǎn)、屬性與關(guān)系作為錨點(diǎn)，沿核電裝備質(zhì)量形成路徑對(duì)質(zhì)量問(wèn)題發(fā)生的對(duì)象進(jìn)行逆向追溯，并根據(jù)相關(guān)歷史質(zhì)量問(wèn)題發(fā)生位置、質(zhì)量問(wèn)題狀態(tài)表現(xiàn)與原因、設(shè)備正常狀態(tài)信息進(jìn)行逐級(jí)比較和關(guān)聯(lián)分析，給出質(zhì)量問(wèn)題產(chǎn)生原因的推理結(jié)果，并判斷質(zhì)量問(wèn)題所屬階段，形成質(zhì)量缺陷產(chǎn)生一現(xiàn)象一對(duì)象—涉及階段的追溯鏈條。(1)經(jīng)過(guò)現(xiàn)場(chǎng)檢查發(fā)現(xiàn)，主蒸汽過(guò)濾器法蘭螺栓力矩不足，導(dǎo)致漏氣現(xiàn)象出現(xiàn)；(2)蒸汽過(guò)濾器法蘭墊片為齒形墊片對(duì)安裝要求較高，墊片本身及安裝過(guò)程中稍有偏差就容易導(dǎo)致漏S321:根據(jù)質(zhì)量追溯知識(shí)體系的設(shè)計(jì)原則，識(shí)別出的命名實(shí)體為：“主蒸汽過(guò)濾器”氣”,識(shí)別出的質(zhì)量問(wèn)題發(fā)生對(duì)象為：“主蒸汽過(guò)濾器法蘭”,識(shí)別出的原因?yàn)椋骸傲夭蛔恪毕?，“漏汽”與“主蒸汽過(guò)濾器法蘭”屬于質(zhì)量問(wèn)題表現(xiàn)與質(zhì)量問(wèn)題發(fā)生對(duì)象之間的關(guān)聯(lián)關(guān)系，“漏汽”與“力矩不足”“安裝偏差”屬于質(zhì)量問(wèn)題[0111]S322