2025年11月13日，中核武汉核电运行技术股份有限公司副总工程师蔡家藩在深圳核博会核电厂在役检查论坛发表《AI技术在燃料组件池边检测中的应用》主旨报告。
演讲围绕核电燃料组件的实验性无损检测流程，重点介绍外观检查、超声检测、涡流单棒检测及氧化膜测量等环节，并阐述AI在缺陷识别、路径规划与信号分析中的应用价值。核心观点是AI可显著提升检测效率与一致性、支持预测性维护，但在安全与监管场景下仍需解决“黑匣子”可解释性与可信验证问题。
关键点：
1. 报告主题与检测范围：燃料组件检查的数字化与AI应用（00:00）
介绍报告主题为“数字驱动”，分享AI技术在燃料组件实验检查中的应用，覆盖外观检查、超声检查、涡流单棒检查以及后续氧化膜测量等内容，并强调本次重点聚焦外观与无损检测数字化。
2. 实验检查的定位与整体流程：从运行监测到大修离线定位与原因分析（01:37）
说明实验检查不同于常规预防性检查，主要为后续燃料研究与“辐照/福兆效应”等分析提供数据证据；梳理流程：运行阶段通过活度监测与水化学取样判断破损迹象，换料阶段进行外观与在线“啜吸/磋细”检查，大修阶段开展离线啜吸（加热式/真空式）、超声定位到具体漏棒并进行修复，最后拔除破损单棒做制造/运行/设计原因分析，为燃料设计与堆心运行提供依据。
3. 基于视觉的尺寸与外观检测：精度瓶颈、耐辐照成像与AI自动识别（05:03）
提到行业在视觉尺寸测量（格架横向尺寸、棒径、间隙等）已开展工作，但当前精度（如宽度约0.05毫米、棒间隙约0.2毫米）仍难满足无人化检测需求，呼吁高校与研究机构合作攻关。外观检查中存在相机耐辐照、反射镜+屏蔽方案、图像“噪点/斑点/雾化”处理等挑战；由于缺陷目标小、样本少、背景复杂，人眼难以稳定识别异物与刮擦，AI用于自动识别与结果可视化可显著提升效率与可靠性，并采用小样本扩增等策略落地应用。
4. 超声检测的AI增强：路径规划与宽频特征识别避免漏判（08:57）
解释超声检测原理：燃料棒破损后进水形成能量泄露通道，通过超声波绕扫可定位漏棒。AI主要用于两方面：其一用软件规划运动/扫描路径，提高走位精度与波形一致性；其二对规则信号进行快速数据分析，尤其针对宽频、多频段幅度整体降低的特征，用AI提取特征与相对幅度变化，比单看某个波幅或依赖人工更不易漏判，计算从分钟级缩短到秒级。
5. 涡流单棒检测与自动分析：缺陷定位、周向角度判断与双引擎算法（12:59）
说明涡流检测用于先定位缺陷大致位置，再配合视频针对性观察破口形貌；采用“双线圈/双波”与“阵列/镇链（用于判断周向角度）”等方式把目标角度转到视野中提高可见性。涡流信号自动分析采用“双引擎”：深度学习+特征规则识别，建立十七八类规则并用对消法等快速识别进行初筛；并介绍从计划管理、信号采集、协同控制、泥渣测量到分析等形成多套软件体系，能力测试结果与国外水平相当。
6. 氧化膜测量的自动化：涡流“提离效应”与减少人工差异（15:42）
介绍氧化膜厚度测量基于涡流“提离效应”，氧化膜为非导电材料，等效为探头与导体的距离变化；当前精度可达±5微米。强调人工在曲线多点识别上易产生较大差异（不同人员给出不同结果），应将规则与特征输入软件/AI，使其自动识别代表真实状态的测量区段，提升一致性与准确性。
7. 数字驱动展望：提效、预测性维护与监管可解释性挑战（17:13）
提出三点展望：第一，AI可提升检验精度与效率，减少人工误判，通过学习可持续提升可靠性；第二，基于历史数据可实现预测性维护与多维度趋势呈现，为后续处置提供建议，并举例说明大数据分析可揭示人工不易察觉的差异与改进点；第三，在许可制与能力验证背景下，AI可能被视为“黑匣子”，需强化可解释性、与监管协同机制及专家评估可信度建设，以满足安全与监管要求。
时间线：
00:00 - 开场介绍报告人与主题：AI在燃料组件检查（无损检测）中的应用，强调数字驱动背景。
01:37 - 说明实验检查的重要性与定位，并概述从运行监测、换料检查到大修离线检测、修复与原因分析的全流程。
05:03 - 讨论视觉尺寸测量的精度瓶颈与无人化挑战，介绍外观检查成像难题及AI自动识别/可视化的落地应用。
08:57 - 讲解超声检测原理，并重点说明AI在扫描路径规划与宽频特征信号识别中的作用，提升速度与准确性。
12:59 - 介绍涡流单棒检测用于缺陷定位与辅助视频确认，阐述深度学习+规则特征的自动分析软件体系。
15:42 - 说明氧化膜测量（涡流提离效应）及其精度，强调用软件/AI减少人工判读差异。
17:13 - 总结数字驱动与AI的价值：提效、预测性维护；并提出监管与安全场景下的可解释性与可信验证问题。
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赋能燃料组件池边检测，中核武汉探索无损检测智能化新路径
中核武汉核电运行技术股份有限公司副总工程师蔡家藩围绕“AI技术在燃料组件池边检测中的应用”作专题分享，介绍了人工智能在燃料组件外观检查、超声检测、涡流检测和氧化膜测量等无损检测环节中的实践进展。与常规预防性再检查不同，实验检查更强调为后续燃料研究、辐照效应研究提供数据证据。随着事故经验反馈不断深化，行业对燃料组件检查的重视程度持续提升，数字驱动和智能化检测也逐步从技术探索走向工程应用。
燃料组件检查贯穿运行、卸料、大修和后续分析等多个阶段。在运行阶段，技术人员可通过γ活度监测和定期水化学取样，判断组件整体状态以及是否存在破损迹象。进入卸料阶段后，外观检查已从传统“四面”观察发展到“五面”甚至更多视角检查，并结合在线啜吸检查对疑似组件进行初步定位。大修阶段则通过离线啜吸检查，包括加热式和真空式方法，并结合超声检测，将问题进一步定位到具体泄漏燃料棒，为后续修复提供依据。若具备燃料组件修复能力，可减少重配燃料带来的经济成本和工期影响；同时，拔出破损单棒开展制造、运行、设计等方面的根因分析，也能够反哺燃料设计优化和堆芯运行决策。
在外观视觉检查方面，AI主要用于识别燃料组件表面的破损、刮擦、刻痕、间距异常和异物等问题，并形成缺陷位置的可视化结果。燃料组件池边检测环境复杂，摄像头耐辐照能力有限，通常需要借助反射镜和屏蔽措施实现成像；图像还可能存在模糊、强噪点、斑点干扰等问题，需要通过软件算法进行增强和去噪。传统人工逐帧复核面对海量图像时效率较低，也容易漏检小目标缺陷或复杂背景中的异常。通过引入自动识别技术，可在一定程度上替代纯人工筛查，提高检查效率和结果可靠性。针对真实缺陷样本数量不足的问题，团队采用小样本扩增等方法提升模型可用性，相关软件已在多个现场应用，实现缺陷自动标注和检查结果呈现。
超声检测则主要服务于泄漏燃料棒识别。燃料棒破损进水后，会形成能量泄漏通道，超声波绕行探测时可出现相应特征变化，从而为定位泄漏棒提供依据。AI在这一环节的提升主要体现在路径规划、自动控制和宽频特征识别等方面。通过软件规划更直、更准确的扫描路径，可提高波形可比性和检测稳定性；在信号分析上，AI不再仅依赖单点波幅高低，而是识别各频段整体幅度降低的宽频特征，降低漏判风险。相比人工观察，AI能够在复杂频散和局部变化条件下保持一致性，并在秒级完成大规模数据计算和特征提取。
涡流检测在单棒缺陷定位和自动分析中发挥着重要作用，尤其适合作为视频检查的辅助定位手段。检测时可先利用涡流确定缺陷的大致位置，再在特定点位通过视频进行针对性观察，从而更清晰地识别破口形貌并提高可检出性。在配置上，双线圈可用于区域定位，阵列探头可用于周向角度判定，便于旋转对准后开展精确观察。在自动分析方面，系统采用深度学习与特征规则识别并行的“双引擎”模式，建立了约17至18类信号规则，并结合对消法等快速筛选机制，实现缺陷初筛与分类。相关软件体系覆盖计划管理、信号采集、协同控制、泥渣或沉积测量以及数据分析等模块，可适配旋转探头和平面探头。经过国际对比测试，相关性能已接近国外水平。
氧化膜测量同样需要软件和AI参与判读。其基本原理是利用涡流“提离效应”：氧化膜为非导电材料，相当于改变了探头与金属基体之间的距离，因此可通过信号变化反推氧化膜厚度。目前该项测量精度约为±5微米。由于测量曲线点位多、人工判读主观性较强，不同人员给出的厚度结果可能存在差异，因此需要通过规则化特征提取和软件自动判定代表性测点，提高结果的一致性和准确性。
在视觉尺寸测量方面，格架横向尺寸、燃料棒直径、棒间隙等项目已开展检测应用，但现有精度距离无人化检测和高精度测量要求仍有差距。例如，宽度测量精度约为0.05毫米，间隙测量精度约为0.2毫米，仍难以完全满足更高标准的工程需求。蔡家藩表示，相关领域正面向更高精度的挑战指标，期待与高校、研究院所等单位开展合作，共同提升关键测量能力。
随着燃料组件检测数据不断积累，数字驱动和AI应用将进一步提升检测精度、效率和可靠性。AI可基于规则和学习机制降低误判，提高检测结果的稳定性与复现性，并随着数据量增长持续优化模型表现。未来，通过汇聚历史检查数据，还可开展趋势分析和策略建议，以更加直观的方式辅助运维和处置决策。大数据结构化后，还可能带来“经验外发现”，例如识别不同材料、不同工艺条件对微小缺陷检出能力的影响，为燃料制造、运行管理和设计改进提供新的证据支撑。
不过，AI在核电检测领域的深入应用仍面临可解释性和监管接受度挑战。由于部分算法存在“黑匣子”观感，在许可制和能力验证要求下，必须建立可解释、可审查、可复核的算法机制和证据链，使检测结果能够经受专家评估和监管审查。只有让AI判断过程更加透明、依据更加充分，智能化检测才能在燃料组件池边检查中发挥更稳定、更可靠的工程价值。
