2025年11月13日，清华大学教授黄晓津在深圳核博会核能仪控数智化论坛发表《AI技术在核能仪控中的创新应用》主旨报告。
报告围绕人工智能技术在核电仪控中的创新应用展开，重点说明其在保障安全、提升效率、减少人员失误方面的意义。报告展示了AI在设计辅助、操纵员智能支持、异常诊断、规程推荐和智能控制优化等场景中的尝试，并强调当前仍处于初始阶段，未来将向更高层次的人机协作和人类监督方向发展。
关键点
1. 报告主题与结构（00:27）
黄晓津教授介绍报告主题为人工智能技术在核电仪控中的创新应用，内容包括AI+在核电仪控中的意义、若干应用尝试，以及总结与展望。
2. AI+核电仪控的主要意义（01:05）
从国家层面看，人工智能在核能领域的应用重点包括安全管控和智能运维，如人员、设备、环境不安全状态识别，安全预警、智能应急响应、智能监测、诊断预测等。报告认为核电仪控未来的重要方向是保障安全、提升效率、减少人员失误。
3. 核电仪控中的重点应用方向（01:49）
报告提出AI可用于设计工作的自动化、文件规范化与标准化，提高效率和准确性；也可用于大量运行参数的实时监控，帮助操纵员评估状态和趋势；在先进堆型中，还可辅助概念设计和人机协同分工。
4. 设计辅助面临大模型幻觉问题（03:12）
在工程设计中直接使用大语言模型存在事实性幻觉风险。报告举例说明，当询问某高温堆控制保护系统冗余架构时，大模型生成的内容看似完整但实际错误，若缺乏专业判断容易误导使用者。
5. 克服幻觉的技术路径（04:16）
报告比较了提示词工程、知识库检索和模型微调等方法，认为目前检索增强生成技术更可能为仪控设计提供帮助。其基本思路是将问题与外部文档结合，通过相似文档检索后交由大模型生成响应，以增强回答依据。
6. 大模型与外部工具协同（05:36）
除幻觉问题外，大模型还需要与外部数据源和工具协同工作。报告介绍了模型上下文协议，用于连接大模型与外部工具，通过客户端、服务器和资源层建立安全通信、调用工具、检索数据并返回标准化结果。
7. AI辅助设计的三个示例（06:42）
报告展示了设计规范查询、报警系统文件编制和设计文件审核三个场景。AI可依据规范回答查询并标注文献来源，可将一号机组报警设计文件修改为二号机组相关文件，也可生成审核报告，发现设计文件与导则相比存在的缺失内容。
8. 操纵员支持系统的功能定位（09:21）
操纵员支持系统用于协助执行高级心理处理任务，包括运行状态监测、状态评估与预测、故障诊断和操作计划推荐。引入AI后，系统可从状态监测、报警、规程支持和智能控制等方面进一步增强对操纵员的辅助能力。
9. 可解释的状态异常识别（11:14）
报告提出可解释状态监测与异常识别框架，强调核电系统不仅要给出识别结果，还要说明原因和依据。该框架包含识别模块和解释模块，通过神经网络、时域和频域特征、注意力机制提取信号关联，并在异常后解释信号变化与正常信号的差异。
10. 网络安全异常探测（12:55）
针对核电场景中正常样本多、异常样本少且不平衡的问题，报告介绍了利用自编码器神经网络进行异常探测的方法。系统使用正常数据训练并确定边界，推理阶段落在边界外的信号视为异常；对于模糊边界区域仍需要结合先验知识和人员判断。
11. 报警与故障诊断的可解释框架（14:12）
报告提出面向核电异常和事故诊断的可解释框架，通过DCS运行信号、区域划分、特征提取和图神经网络建立机理联系，向操纵员提供正常或异常判断、异常位置和异常特征三类支持信息。
12. 主氦风机卡车故障示例（15:35）
在高温堆模拟机案例中，主氦风机卡车故障会影响一回路、二回路、给水和蒸汽等系统。系统基于多个节点生成诊断报告，指出可能故障类型、异常发生区域及异常信号变化，从而辅助操纵员判断事故状态和原因。
13. 规程智能支持与验证（16:49）
报告介绍了AI辅助规程执行的思路，包括实时数据识别、规程条件选择、智能推荐、语音交互和规范查询。相关系统在模拟机平台上进行了验证，结果显示可较好满足规程一致性、规范性和实施性要求。
14. 安全强化学习用于智能控制优化（18:46）
在智能控制方面，报告提出安全强化学习策略：底层仍采用常规PID控制器，通过强化学习调整设定值进行优化，而不是直接替代控制。其目标是在升降功率等过程中优化动态轨迹，减小参数波动，同时保持闭环稳定性。
15. 总结与发展方向（19:56）
报告总结目前工作主要集中在设计辅助、操纵员支持系统和优化控制等方面，但仍处于初始阶段。按照人工智能应用等级，当前已基本达到人类主导阶段，正在推进人机协作，未来目标是向人类监督方向发展。
时间线
00:00 - 主持人介绍黄晓津教授及报告题目，报告主题聚焦人工智能技术在核电仪控中的创新应用。
00:27 - 报告开场说明整体目录，并引出AI+核电仪控在政策、行业需求和工程实践中的意义。
03:12 - 进入设计辅助部分，讨论大语言模型在工程设计中的幻觉、知识检索增强、模型微调以及外部工具协同等关键问题。
06:42 - 展示AI在仪控设计中的具体尝试，包括规范查询、报警文件编制和设计文件审核。
09:21 - 转向电厂运行侧，介绍操纵员支持系统的定义、任务分解和AI增强方向。
11:14 - 展开操纵员智能支持的案例，依次介绍状态异常识别、网络安全探测、报警诊断和故障解释。
16:49 - 介绍规程智能支持系统，包括条件推荐、语音交互、规范查询以及模拟机验证。
18:46 - 讨论智能控制与安全强化学习，强调在保持传统控制稳定性的前提下利用AI进行优化。
19:56 - 报告总结AI在核电仪控中的阶段性工作和未来发展方向，强调AI的目标是辅助人更安全、高效地运行电站。
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)：
清华大学黄晓津教授：人工智能正加速赋能核电仪控创新应用
在题为《人工智能技术在核电仪控中的创新应用》的报告中，清华大学核能与新能源技术研究院黄晓津教授围绕人工智能赋能核电仪控的重要意义、典型应用探索以及未来发展方向进行了系统阐述。报告指出，随着核电安全要求持续提升、先进堆型加快发展以及数字化仪控系统不断演进，人工智能正在成为提升核电站设计质量、运行安全性、决策效率和人员可靠性的重要技术手段。
从国家政策和行业需求看，人工智能在核电仪控领域的应用具有明确方向。一方面，人工智能可用于人员、设备和环境不安全状态的智能识别，支撑安全预警和应急响应；另一方面，可通过智能监测、预警、诊断和预测，提高机组运行状态感知能力和优化运行水平。对于核电仪控系统而言，其核心诉求始终围绕保障安全、提升效率和减少人员失误展开。人工智能的引入，有助于在设计、审查、运行监测、报警分析和规程执行等环节提供辅助判断，降低人为错误风险。
面向小型模块化堆、高温气冷堆等未来先进堆型，人工智能的作用更加突出。新型反应堆在概念设计阶段需要更高效的设计辅助工具，而一名操纵员管理多个反应堆模块等新场景，也对人机功能分配提出了新的要求。这意味着核电仪控系统不仅要实现自动化，更要逐步向智能化和协同化发展。
在人工智能辅助核电仪控设计方面，黄晓津教授重点分析了大语言模型的应用潜力与挑战。大语言模型虽然具备较强的文本理解和生成能力，但在专业工程领域容易出现“事实性幻觉”，即生成看似合理却并不准确的技术内容，可能误导非专业人员。同时，大模型本身并不具备直接访问专业数据、调用工程工具和执行具体任务的能力，需要与外部系统协同工作。
针对这些问题，报告提出了多种技术路径，包括提示词工程、知识库检索增强、模型微调以及检索增强生成技术等。其中，基于外部标准、规范和设计文档构建专业知识库，再结合大模型生成能力，可以为核电仪控设计提供更可靠的辅助支持。通过模型上下文协议等方式，大模型还可与外部数据源、工具和服务集成，实现安全通信、信息检索、工具调用和结果返回。
在具体应用场景中，人工智能可用于设计规范查询、报警系统文件编制和设计文件审核。例如，设计人员可基于标准规范知识库询问条款适用要求、技术依据和引用来源；在报警系统文件编制中，系统可根据已有机组报警设计文件自动完成文件复制、机组号替换、编码替换和报警点名修改；在文件审核中，人工智能可结合导则和规范，对设计文件的一致性、完整性和符合性进行检查，并生成审核报告和修改建议。这些应用能够帮助年轻设计人员更快理解法规和设计要求，减少文件遗漏、错误和不一致问题，提高设计效率和文件质量。
操纵员支持系统是人工智能赋能核电仪控的另一项重要内容。报告指出，操纵员支持系统的本质，是协助操纵员完成信息处理、解释、抽象化、状态判断和决策支持等高级心理处理任务。在核电站运行过程中，操纵员需要持续完成状态监控与检测、状态评估与预测、故障诊断与操作推荐、规程执行与操作控制等工作。随着系统复杂度提高，传统支持方式已难以完全满足复杂工况下的认知需求。
人工智能可推动操纵员支持系统向智能化升级，将状态识别、异常诊断、规程推荐、语音交互和控制优化等能力融入系统之中。其目标并不是替代操纵员，而是更有效地帮助操纵员判断机组状态、理解异常原因并采取正确动作。在状态感知与异常识别方面，可解释人工智能框架尤为重要。神经网络可用于处理核电厂时序信号和多变量耦合关系，识别系统是否处于异常状态；解释模块则通过信号变化、相似度对比和特征分析说明异常原因，为操纵员提供可理解、可验证的判断依据。
报告特别强调，可解释性是人工智能进入核电仪控系统的关键。对于核电运行而言，仅给出“正常”或“异常”的判断远远不够，系统还必须说明判断依据、关键变量、信号变化方向和异常特征。只有这样，操纵员才可能建立对智能系统的信任，并基于诊断证据采取后续措施。在技术实现上，可通过时域与频域特征提取、注意力机制等方法识别运行信号中的动态特征和变量之间的耦合关系。
在网络安全探测方面，人工智能同样具有应用价值。核电网络安全检测面临样本极度不平衡的问题，正常样本数量多，异常样本少，甚至缺乏重复性，传统监督学习方法难以建立可靠模型。基于自编码器的异常检测方法可使用正常数据训练神经网络，使其学习正常运行状态的特征边界；在推理阶段，当新信号超出正常边界时，系统即可将其视为异常。报告同时指出，边界划分不能完全依赖算法，还需要结合核电系统机理、信号处理经验和专家知识，并对难以明确判断的区域引入模糊边界，保留人工判断空间，以减少误报和漏报。
报警识别与故障诊断是操纵员支持系统中的关键环节。报警系统是主控室中帮助操纵员发现异常工况的重要手段，也是事故诊断的重要入口。人工智能可结合系统结构划定监测区域和节点，通过分布式控制系统采集运行信号，并进行编码和特征提取；同时结合先验知识和图神经网络建立系统部件之间的关联关系，从而形成可解释的异常与故障诊断框架。该框架可向操纵员提供三类支持：判断当前系统是否异常，定位异常可能发生的区域或节点，并解释异常信号的变化方向、幅度和特征。
在高温气冷堆模拟机验证案例中，研究人员设置了主风机卡涩故障场景，覆盖一回路、二回路、给水、蒸汽等相关区域，并建立多个诊断节点。系统能够输出故障类型、异常位置和异常信号变化等诊断报告，为操纵员判断事故状态提供辅助。这类研究表明，人工智能不仅可以发现异常，还可以帮助操纵员理解异常背后的系统关联和演化逻辑。
在规程计划与人机交互方面，人工智能可围绕实时数据获取、状态识别和规程条件选择发挥作用。当系统识别到异常状态并触发多个规程条件时，可列出候选规程并给出推荐结果，帮助操纵员在复杂工况下快速找到符合要求的操作路径。智能语音交互、大语言模型知识库查询、颜色与界面提示等方式，也可减轻操纵员信息处理负担，提高规程执行的清晰度和规范性。
相关系统可采用浏览器/服务器架构实现规程支持功能，硬件层面则可采用类似数字化仪控系统的分布式架构，并在模拟机平台上对多类规程和特殊故障场景进行验证。应用结果表明，人工智能辅助规程执行有助于确保操作建议与规程要求一致，提高操作流程的规范性，降低操纵员在复杂工况下的认知压力。
在智能控制与优化领域，报告强调核电控制系统必须首先保证闭环稳定性和安全性。在此前提下，人工智能可用于优化运行性能，例如改善功率升降过程中的动态轨迹，减少关键参数波动。黄晓津教授提出，安全强化学习在核电控制中的应用不应直接替代底层控制器，而应在保留传统比例积分微分控制器或协调控制器的基础上，对控制器设定值进行优化。这样既能发挥人工智能的优化能力，又能保持控制系统的基本稳定性和安全边界。
仿真验证结果显示，与传统控制方法相比，基于强化学习的优化策略在升降功率过程中具有更好的动态表现，能够在安全约束下改善控制效果。这一思路体现了人工智能在核电控制领域的合理定位，即不是以高风险方式取代成熟控制系统，而是在传统控制架构之上提供优化能力。
目前，人工智能在核电仪控中的应用仍处于探索和初始发展阶段。在设计辅助方面，规范查询、文件编制和文件审核已经开展相关研究；在操纵员智能支持方面，状态识别、网络安全、报警诊断和规程推荐等方向正在推进；在优化控制方面，安全强化学习也已被尝试用于运行过程优化。未来，这些技术仍需进一步验证、完善和工程化，尤其需要在可靠性、可解释性、可验证性和人机协作机制方面持续深化。
从智能化等级看，当前多数应用仍处于人类主导阶段，人工智能主要提供辅助。随着技术成熟，核电仪控系统将逐步迈向更深入的人机协作阶段，由人工智能与操纵员、设计人员共同完成分析、判断和执行支持任务。更长远来看，人工智能可承担更多数据处理、状态分析和任务执行工作，而人类则负责监督、确认和最终决策。人工智能在核电仪控中的价值，不在于取代人或证明其比人更聪明，而在于帮助人更加安全、高效、可靠地设计和运行核电站。
