CN120258632A 一种核电机组质量缺陷源分析及全价值链追溯方法 （贵州大学）

(19)国家知识产权局路贵州大学西校区(72)发明人冯毅雄胡炳涛洪兆溪赵泽田所(普通合伙)50217GO6N3/0442(2023.01)一种核电机组质量缺陷源分析及全价值链(57)摘要体涉及一种核电机组质量缺陷源分析及全价值结构化数据、日志、文本和传感器时序数据，通过及CRF序列标注，构建混合存储的数据资源池；SO2采用动态剪枝的改进Apriori算法挖掘关联衡，分析缺陷成因；S03构建含多类型节点、关系21.一种核电机组质量缺陷源分析及全价值链追溯方法，其特征在于，包括如下步骤：S01多模态数据特征提取与数据资源池构建：收集核电装备在设计、制造、施工和调试全价值链的结构化质量数据、半结构化日志文件、非结构化文本报告及传感器时序数据，构建多模态数据集，采用BIO标注法对非结构化文本中的缺陷实体进行标记，结合BERT双向编码模型融合语义、位置及段落特征，生成动态上下文向量表示；通过BiGRU-Attention网络提取关键语义特征，利用双向门控循环单元捕获文本上下文依赖关系，引入CRF条件随机场并结合维特比算法，对设备故障实体进行序列标注，输出最优标签路径；将多模态处理后的信息存储于图数据库与关系型数据库混合架构，构建数据资源池；SO2多维度缺陷成因分析与样本平衡处理：对规范化后的质量数据执行动态剪枝策略，通过压缩非频繁项集、预剪枝单元素低频项集，并引入提升度(Lift)量化关联规则的正负相关性，利用卡方检验计算特征与缺陷的相关性；针对不平衡数据集，利用非支配排序遗传算法生成差异化训练子集；SO3动态知识图谱构建与追溯：知识图谱建模：设计包括质量问题表现、设备对象、成值；输入质量事件后，通过实体链接技术匹配图谱节点，结合正则匹配与概率路径搜索逆向追溯缺陷源头，按概率降序输出追溯链条。2.根据权利要求1所述的核电机组质量缺陷源分析及全价值链追溯方法，其特征在于，文本标注。3.根据权利要求1所述的核电机组质量缺陷源分析及全价值链追溯方法，其特征在于，给定核电质量文本描述句w=[W1,W₂,…,Wi,…,Wn],经BERT处理后得到文本描述句对应向量x=[x₁,X₂,…,Xi,…,Xn],其中W代表质量文本描述句第i个字，x,代表第i个字的字向量，n为质量文本描述句中字的数量。4.根据权利要求1所述的核电机组质量缺陷源分析及全价值链追溯方法，其特征在于，所述S01中BiGRU-Attention的BiGRU部分将GRU网络正向与反向输出拼接以提取文本语义其中，Xt为t时刻的输入字向量；ht表示隐藏状态向量，ht-1表示时间步t-1隐藏状态向量，ht在时间步t候选隐藏状态向量，Wzx输入Xt到更新门Zt的权重矩阵，Wzh表示隐藏状态ht-1到更新门Zt的权重矩阵，Wrx输入Xt到更新门rt的权重矩阵，Wrh表示隐藏状态3(K)、Value向量(V)为特征矩阵投影变化后的新4大且分类准确度高的训练子集，NSGAII算法先随机生成初始种群，经选择、交叉和变异产生子代种群，重复直至满足停止标准。8.根据权利要求1所述的核电机组质量缺陷源分析及全价值链追溯方法，其特征在于，所述S03从核电智能施工平台、施工管理平台、物联网平台系统采集结构化、半结构化和非结构化数据，节点设计包括质量问题表现、发生对象、产生原因；关系设计包含装备与责任9.根据权利要求1所述的核电机组质量缺陷源分析及全价值链追溯方法，其特征在于，所述S03中，在质量追溯时，识别实体、关系和现象信息，生成标准化查询驱动知识图谱搜索，采用推理模型结合正则匹配方式追溯，利用节点概率属性计算路径概率，按概率顺序输出追溯结果。5一种核电机组质量缺陷源分析及全价值链追溯方法技术领域[0001]本发明属于核电装备质量管控技术领域，涉及一种核电机组质量缺陷源分析及全价值链追溯方法。背景技术[0002]核电作为一种清洁能源，在全球能源结构中占据着重要地位。核电机组的安全稳定运行对于保障能源供应、减少环境污染具有关键意义。然而，核电装备具有巨系统、长役工、调试等多个复杂过程，管控流程的复杂性导致核电装备存在质量缺陷源标定难以准确、质量管控溯源困难等问题。[0003]传统质量追溯方法具有局限性。因为传统的核电装备质量追溯方法通常是成立专家组，依据企业既定质量追溯流程进行逐级排查。这一过程高度依赖专家经验，缺乏智能化分析手段。在实际操作中，核电系统内各平台资源相互独立，互通极为困难，使得追溯流程冗长。从时间成本来看，整个追溯周期可能长达3个月以上，耗[0004]质量缺陷会对核电安全与效益产生显著影响。在核电装备运行过程中，任何质量缺陷和故障不仅会降低生产效率，还可能引发严重的安全事故。例如，核电机组关键设备的故障可能导致核反应堆停堆，影响正常发电，造成巨大经济损失。同时，一旦发生核安全事故，对周边环境和公众健康将带来不可估量的危害。此外，质量问题还会影响核电站建设的进度，增加投资成本，降低核电项目的社会与经济效益，对核电行业的可持续发展构成严重[0005]随着信息技术的飞速发展，智能化手段在各行业得到广泛应用。在核电领域，构建基于核电产品质量异常追溯的信息物理融合系统，利用智能化技术整合提炼质量追溯相关数据资源，建立结构化信息表达体系，实现质量缺陷的快速、准确追溯，已成为保障核电质量安全、提高经济效益的迫切需求。通过智能化追溯方法，可以有效提高质量追溯的效率和准确性，及时采取措施防止或缓解事故的发生发展，确保核电机组的安全可靠运行。缺陷成因分析方法”,利用自然语言处理技术提取文本关键词，形成标准化缺陷目标与原因，通过卡方检验筛选特征，结合随机森林算法训练模型，并采用遗传算法优化参数，以提高缺陷成因分析的准确性。该方法能处理核电文本数据的标准化问题，优化模型提高准确率，但仅侧重于缺陷成因分析，在全价值链追溯方面存在不足，未涵盖从设计到运行维护等全流程的追溯。专利CN117973512A“一种基于知识图谱推理的工程开挖质量缺陷追溯方法”,通过整合多源数据和专家知识构建知识图谱，利用图数据库存储查询，结合知识图谱推理和概率判断识别质量缺陷根源并提供解决办法。此方法在知识整合和推理方面具有优势，但应用于核电领域时，需针对核电装备的特殊性进行调整，如核电数据的高敏感性、复杂的技术流程等，目前尚未充分考虑这些因素。6[0007]综上所述，现有方法在解决核电质量缺陷源分析及全价值链追溯问题上均有一定的局限性。为满足保障核电质量安全、提高经济效益的需求，本发明旨在结合多种智能化技术，构建全面、高效的核电机组质量缺陷源分析及全价值链追溯方法，实现从设计、制造到运行维护全流程的质量缺陷快速、准确追溯，提高质量追溯效率和准确性，确保核电机组的安全可靠运行。发明内容[0008]本发明提供一种核电机组质量缺陷源分析及全价值链追溯方法，解决核电装备质量管控中缺陷源标定难、溯源效率低等问题。一种核电机组质量缺陷源分析及全价值链追溯方法，包括如下步骤：S01多模态数据特征提取与数据资源池构建：收集核电装备在设计、制造、施工和调试全价值链的结构化质量数据、半结构化日志文件、非结构化文本报告及传感器时序数据，构建多模态数据集，采用BIO标注法对非结构化文本中的缺陷实体进行标记，结合BERT双向编码模型融合语义、位置及段落特征，生成动态上下文向量表示；通过BiGRU-Attention网络提取关键语义特征，利用双向门控循环单元捕获文本上下文依赖关系，引入CRF条件随机场并结合维特比算法，对设备故障实体进行序列标注，输出最优标签路径；将多模态处理后的信息存储于图数据库与关系型数据库混合架构，构建数据资源池；S02多维度缺陷成因分析与样本平衡处理：对规范化后的质量数据执行动态剪枝策略，通过压缩非频繁项集、预剪枝单元素低频项集，并引入提升度(Lift)量化关联规则的正负相关性，利用卡方检验计算特征与缺陷的相关性；针对不平衡数据集，利用非支配排序遗传算法生成差异化训练子集；SO3动态知识图谱构建与智能追溯：知识图谱建模：设计包括质量问题表现、设备赋予阈值；输入质量事件后，通过实体链接技术匹配图谱节点，结合正则匹配与概率路径搜索逆向追溯缺陷源头，按概率降序输出追溯链条。[0010]本方案的原理与优点在于：针对核电装备全价值链产生的异构数据如结构化质量数据、半结构化日志、非结构化文本、传感器时序数据，采用BIO标注法精准标记文本中的缺陷实体如设备名称、故障现象，利用BERT双向编码模型融合语义、位置及段落特征，将文本转化为动态上下文向量，解决传统词向量无法表征多义性的问题。通过BiGRU-Attention网络捕获文本上下文依赖关系，结合注意力机制筛选关键语义特征，再利用CRF条件随机场结合维特比算法进行序列标注，输出设备故障实体的最优标签路径，实现从非结构化文本到结构化实体信息的精准提取。最终将多模态数据统一存储于图数据库与关系型数据库混合架构，构建包含实体向量、时序特征及关联关系的数据资源池，为后续分析提供多维数据支撑。[0011]在多维度缺陷成因分析与样本平衡处理阶段，首先对规范化数据执行动态剪枝策略：通过压缩非频繁项集、预剪枝单元素低频项集，减少冗余计算；引入提升度量化关联规则的正负相关性，筛选强关联规则，解决传统Apriori算法无法区分正负关联的缺陷，利用卡方检验计算特征与缺陷的相关性，筛选关键影响因素，结合随机森林算法构建可视化树7位置和段落特征生成综合特征向量n,再经Transformer编码器得到文本对应向量到文本描述句对应向量x=[x1,x₂,…,xi,…,xn],8其中，P(XUY),事件X和事件Y同时发生的概率，P(X)为事件X发生的概率，同出现的概率就越高。NSGAII生成差异性大且分类准确度高的训练子附图说明9具体实施方式[0028]实施例1,如图1所示，一种核电机组质量缺陷源分析及全价值链追溯方法，包括如下步骤：S01多模态数据特征提取与数据资源池构建：收集核电装备在设计、制造、施工和调试全价值链的结构化质量数据、半结构化日志文件、非结构化文本报告及传感器时序数据，构建多模态数据集，采用BIO标注法对非结构化文本中的缺陷实体进行标记，结合BERT双向编码模型融合语义、位置及段落特征，生成动态上下文向量表示；通过BiGRU-Attention网络提取关键语义特征，利用双向门控循环单元捕获文本上下文依赖关系，引入CRF条件随机场并结合维特比算法，对设备故障实体进行序列标注，输出最优标签路径；将多模态处理后的信息存储于图数据库与关系型数据库混合架构，构建数据资源池；SO2多维度缺陷成因分析与样本平衡处理：对规范化后的质量数据执行动态剪枝策略，通过压缩非频繁项集、预剪枝单元素低频项集，并引入提升度(Lift)量化关联规则的正负相关性，利用卡方检验计算特征与缺陷的相关性；针对不平衡数据集，利用非支配排序遗传算法生成差异化训练子集；SO3动态知识图谱构建与智能追溯：知识图谱建模：设计包括质量问题表现、设备赋予阈值；输入质量事件后，通过实体链接技术匹配图谱节点，结合正则匹配与概率路径搜索逆向追溯缺陷源头，按概率降序输出追溯链条。[0029]针对核电装备全价值链产生的异构数据如结构化质量数据、半结构化日志、非结构化文本、传感器时序数据，采用BIO标注法精准标记文本中的缺陷实体如设备名称、故障解决传统词向量无法表征多义性的问题。通过BiGRU-Attention网络捕获文本上下文依赖关系，结合注意力机制筛选关键语义特征，再利用CRF条件随机场结合维特比算法进行序列标注，输出设备故障实体的最优标签路径，实现从非结构化文本到结构化实体信息的精准提取。最终将多模态数据统一存储于图数据库与关系型数据库混合架构，构建包含实体向量、时序特征及关联关系的数据资源池，为后续分析提供多维数据支撑。[0030]在多维度缺陷成因分析与样本平衡处理阶段，首先对规范化数据执行动态剪枝策略：通过压缩非频繁项集、预剪枝单元素低频项集，减少冗余计算；引入提升度量化关联规则的正负相关性，筛选强关联规则，解决传统Apriori算法无法区分正负关联的缺陷，利用卡方检验计算特征与缺陷的相关性，筛选关键影响因素，结合随机森林算法构建可视化树状图，直观展示缺陷传播路径。针对核电数据中缺陷的样本不平衡问题，采用非支配排序遗传算法生成差异化训练子集，优化随机森林分类边界，提升少数类缺陷的识别精度。[0031]在动态知识图谱构建与智能追溯阶段，设计包含质量问题表现、设备对象、成因、为节点赋予质量标准阈值、历史发生概率等属性，构建动态知识图谱，当输入质量事件时，通过实体链接技术匹配图谱节点，结合正则匹配与概率路径搜索逆向追溯缺陷源头，优先输出高概率追溯链条，同时通过时序关联分析锁定缺陷所属阶段，关联责任方节点，形成完整的追溯报告。升了信息提取的精度，为缺陷源分析和追溯提供了可靠的数据基础；在从文本中提取与质行文本向量转化和关键语义特征提取时，模型可以依据标注结果，聚焦于被标记为实体的落特征生成综合特征向量Vn,再经Transformer编码器得到文本对应向量到文本描述句对应向量x=[x1,x₂,…,x;,…,xn],其中W;代表质量文本描述句A其中，P(XUY),事件X和事件Y同时发生的概率，P(X)为事件X发生的概率，析依据杂的核电质量数据特征中精准筛选出与目标变量(如质量缺陷)相关性最强的关键特异性，基于这些子集训练出的决策树也各不相同，最终构建的随机森林包含了多样化的决策树。这种多样性使得随机森林在面对不同的核电质量数据时，能够从多个角度进行分析和判断，增强了模型的泛化能力。即使遇到新的或未完全覆盖的质量缺陷情况，模型也能凭借多样化的决策树组合，给出相对合理的分析结果，提高了模型对复杂多变的核电装备质量数据的适应能力。[0048]所述S03从核电智能施工平台、施工管理平台、物联网平台系统采集结构化、半结构化和非结构化数据，节点设计包括质量问题表现、发生对象、产生原因；关系设计包含装备与责任方、设备与子构件组成的多重关系；属性设计包括质量标准、节点概率；从核电智能施工平台、施工管理平台、物联网平台系统采集结构化、半结构化和非结构化数据，能获取核电机组全生命周期的丰富信息。结构化数据如施工进度、设备参数等，提供精确的量化信息，可用于直接分析和对比；半结构化数据如施工日志、质量检查报告，包含详细的过程记录，有助于了解质量问题产生的背景；非结构化数据如现场图片、操作手册等，补充了难以用固定格式表达的信息，能挖掘潜在的质量影响因素。多平台数据融合能全面还原质量事件发生的场景，避免信息缺失，为后续的追溯和分析提供充分的数据支持。[0049]所述S03中，在质量追溯时，识别实体、关系和现象信息，生成标准图谱搜索，采用推理模型结合正则匹配方式追溯，利用节点概率属性计算路径概率，按概率顺序输出追溯结果，通过确定质量事件中的关键实体，如涉及的设备、部件，明确实体间的关系，以及掌握质量问题的具体现象，能够快速锁定质量问题的核心要素。以主蒸汽过滤器中盲目排查，精准定位到可能导致问题的关键环节，提高追溯的准确性和针对性；生成标准化查询驱动知识图谱搜索，使追溯过程更加高效有序。标准化查询能够快速在知识图谱中匹配相关信息，避免了无目的的遍历，大大缩短了查找时间。知识图谱以结构化的方式存储和组织数据，能够迅速定位到与质量问题相关的节点和关系，提高信息获取的速度。在面对复杂的核电系统和大量的质量数据时，这种高效的搜索方式能够快速筛选出有用信息，减少追溯时间成本，及时对质量问题做出响应，保障核电机组的稳定运行。[0050]实施例2S1:利用核电装备在设计、制造、施工和调试的全价值链过程累积的较多的质量事件数据以及质量特性短语对质量数据进一步实施关键信息抽取，提取出包含质量缺陷的相关信息形成数据资源池，能够在未来出现相似质量问题时，基于构建的数据资源池进行对比分析，快速进行缺陷源定位与溯源分析。[0051]S2:在核电设备建造、运行全生命周期中，会在各个阶段出现各类问题，采用了三种质量缺陷成因分析方法，分别是基于改进Apriori的核电装备质量缺陷关联挖掘、基于特征工程的核电装备缺陷成因分析、基于NSGALL-RF的样本不平衡下核电装备缺陷成因分析。[0052]S3:针对知识图谱构建与应用，构建核电装备质量追溯领域知识图谱通用设计方法，以知识图谱为底层，来设计产品质量异常追溯过程。将知识图谱技术应用于核电装备全价值链追溯领域，包括质量追溯知识体系设计以及下游任务的应用。S11:由于核电缺陷信息实体提取类别较少，因此采用BI0进行标注。BIO标注将B表示实体开头，I表示实体中间或尾部，0表示非实体。如对“xxx年xx月xx日，王某某发现xx机组汽轮机产生火花，导致发电机转速超过xxx值，存在xxx风险。”进行标注，样例如下：发/0现/0x/B-crewx机/I-crew组/I-cerw汽/B-Equiment轮机/I-Equiment产生/0火/B-在xxx风险。[0054]S12:构建抽取核电装备质量实体的模型首先需要先对标注过的关键信息文本进行文本向量转化。文本的向量表示本质上是用一个向量来表示词、句子、文章、整本书籍等，有很多种不同的表示学习方式。我们采用BERT方式来进行文本向量，BERT是一种对文本进行编码的表示模型，可以将一段文本转化为一组向量表示，且向量融合了文本的全局语义信息。[0055]通过融合语义特征、位置特征和段落特征后得到综合特征向量Vn,再将融合后的x=[x₁,x₂,…,x,…,x],其公式表示如下所示：x=BERT(w)[0056]给定核电质量文本描述句w=[w₁,W₂,…,Wi,…,Wn],经BERT后得到文本描述句对应向量x=[x₁,x₂,…,xi,…,xn],其中W;代表质量文本描述句第i个字，X;代表第i个字的字向量。[0057]S121:在完成文本向量的转换后，采用BiGRU-Attention中提取文本中与故障设备及相关描述的关键语义特征，缩小解译范围。然后通过Attention机制从提取的语义信息中筛选出与设备质量缺陷相关特征信息并忽略次要信息，输出关键语义特征矩阵。BiGRU是GRU网络输出的正反向拼接，GRU计算过程如下所示：[0058]其中，Xt为t时刻的输入字向量；ht表示隐藏状态向量，ht-1表示时间步t-1隐藏状态向量，h在时间步t候选隐藏状态向量，Wzx输入Xt到更新门Zt的权重矩阵，Wzh表示隐藏状态ht-1到更新门Zt的权重矩阵，Wrx输入Xt到更新门rt的权重矩阵，Wrh表示隐藏状态ht-1到重置门rt的权重矩阵，Whx表示输入Xt到候选隐藏状态h的权重矩阵，br重置门rt的偏置向量，bz为更新门zt的偏置向量，Zt表示更新门，控制信息进入下一个状态；rt表示重置门，决定信息的留舍。更新门和重置门共同决定隐藏状态h的输出，*表示哈达玛积(Hadamard)。将GRU网络输出h进行正反向拼接得到BiGRU单个文字Xt提取对应的特征输出，公式如下所示：[0060]S122:得到文本语义特征矩H后，将句子中的每个字都与其他字做一次相似性计[0064]S125:最优路径规划方法解决相邻标签之间的依赖关系并计算出相邻标签之间的[0071]其中，y*表示通过维特比算法优化目标函数后得到的最佳预测标签，根据上述公式计算得到预测最优序列，预测每个字对应的标签概率，具有最大标签概率对应的文字组合即为所提取的故障设备。[0072]S13:核电质量追溯关系抽取模型与核电装备质量实体抽取模型一样，先通过BERT将标注好的文本完成文本向量转化，再通过BiGRU-Attention提取到关键语义特征ATT。[0073]S131:将关键语义特征输出ATT作为MLP输入，使用MLP对ATT进行微调。调试四个阶段的可能性，取输出概率最高值为最终确定的质量缺陷所属阶段，形成了基于MLP的分类问题。[0075]S133:MLP对提取的关键语义特征信息进行压缩与非线性融合，综合考虑每个字对输出的贡献，每层的权值大小代表了每个字特征对输出影响的占比，具体计算过程如下：质量文本描述句经BERT-BiGRU-Attention计算后得到关键语义特征向量ATT,ATT降维处理使得每个字对应一个数值，得到降维后的文本向量字对输出的贡献，计算公式如下：0=f(m),其中输出O为四维向量，表示四个阶段对应[0076]S134:通过上述信息标注策略、文本向量转化技术和特征抽取技术对质量文本的特征信息提取，得到质量缺陷对应的关键信息，用数据库对质量文本一缺陷信息进行结构化存储，形成数据资源池为后续缺陷源标定与追溯提供支持。[0077]所述S2具体为：S21:核电质量事件单中记录大量缺陷文本数据，包含缺陷现象与成因分析等信息，引入关联关系挖掘方法，自动获取事件单中核电设备质量缺陷与原因间的关联关系为构建基于知识的缺陷分类模型提供基础。[0078]S211:根据核电质量事件单数据信息繁杂、几余度高等特点，对原始数据进行规范化处理，获得原因与现象表征。[0079]S212:通过改进Apriori算法挖掘缺陷现象与原因、原因与原因间的关联关系。[0080]S213:采用Apriori算法挖掘核电设备缺陷原因的关联规则，其核心思想是通过两步挖掘和多次递归迭代，寻找数据中的频繁项集，通过k项集迭代产生k+1项集，直到没有最大项集产生，最终将数据集中关联关系最大的事务挖掘出来。[0081]S214:针对规范化质量事件单数据，对原因和现象之间频繁项集的生成步骤进行描述，并设定最小支持度和置信度阈值。[0082]S215:扫描事务数据库，得到候选1—项集C1:{A},{B},{C},{D},{E},其中项集{D}的支持度小于设定阈值，其余项集大于支持度设定阈值，则频繁1-项集L为{A},{B},{C},{E}。[0083]S216:L进行自连接操作得到候选2一项集C₂:{A,B},{A,C},{A,E},{B,C},{B,E},{C,E},其中所有项集的子集均包含在L,经过支持度计算，符合阈值的项集为{A,C},{B,C},B,E/因此他们归属为频繁2一项集L₂。E}。[0085]S218:最后，由L进行自连接产生候选4一项集为空集，算法执行结束。计算频繁[0086]S219:基于频繁项集的生成规则和筛选准则，做出了如下改进：(1)针对频繁项集生成搜索过程浪费了大量时间和数据库空间的问题，提出了压缩数据库的方式减小数据空间的使用。每一次扫描中，确定为非频繁项集的集合直接从数据库中删除，避免下次遍历数据库时重复筛选搜索，减少空间和时间的浪费。[0087](2)利用频繁项集的性质进行筛选，采用事先剪枝的方法删除非必需的项集，即对某k项集中的单元素进行出现次数计算，其次数小于k次，那么包含该元素的项集不属于频繁k+1项集，则将包含该元素的项集进行预先剪枝操作，只需要搜索特定的最小项事务分支节点，而不是重复搜索全部数据库，加快连接速度，减少候选项集产生的数[0088](3)为了降低冗余规则的产生和分析和干扰，引入提升度的概念对关联规则进行辅助判定。针对某频繁k项集的提升度定义为：[0089]其中，P(XUY),事件X和事件Y同时发生的概率，P(X)为事件X发生的概率，和是相互独立的，二者无关；当lift大于1时事务和Y是正相关的，且L值越大表示二者间的相关性越高，其共同出现的概率就越高。[0090]通过引入提升度的概念，可以得到缺陷现象和原因、原因和原因之间的相关程度提升度数值越大，二者之间相关性越高，因此，能够更好地理解质量事件单中缺陷现象与原因之间的相关性和影响程度，对核电设备缺陷关联关系、工程师的现场判断具有辅用，同时，为后续算法分类模型分析提供理论基础和分析依据。[0091]S22:在得到故障信息后，通过信息标注策略、文本向量转化技术和特征抽取技术对质量文本的特征信息提取，得到质量缺陷对应的关键信息，用数据库对质量文本一缺陷信息进行结构化存储，形成数据资源池为后续缺陷源标定与追溯提供支持。[0092]S221:在得到提取过的信息后，我们需要构建随机森林算法模型。随机森林采用自主采样法随机抽取数据集，这样保证每个样本被抽中的概率是相同的，在得到样本集后，构[0094]S223:卡方检验用于测量与类别值无关的特征出现分布的离散度，计算单个特征利用进化的方法来选择特征和样本的子集，在兼顾采样保留重要样本和特征信息的基础[0097]S231:通过NSGAII生成差异性大且分类准确度高的训练子集，NSGAII所获得[0100]每条染色体由样本及特征组成，可视作取到某些样本和某些特征。下图描述了断过程进行描述，详细流程图如图3所示。S31:根据核电装备全生命周期质量状态演化图谱以及质量追溯使用的质量数据资源特征，针对核电领域装备质量追溯问题，设计基于知识图谱的核电装备质量智能追溯[0104]S311:用于质量追溯的相关数据可从核电公司内部的核电智能施工平台，例如NICE平台、施工管理平台、物联网平台等系统获取数据来源(包括结构化数据、半结构化数[0105]S312:融合三维模型一体化的核电装备质量特性数据、质量状态演化图谱、质量计划数据，提取其中质量关键特性信息与质量状态传递等追溯关联知识，对质量追溯图谱形成有益补充。[0106]S313:节点设计包括质量问题表现节点、质量问题发生对象节点、质量问题产生原发生对象节点与核电装备/核电装备子构件节点可以重合，重合时该节点拥有两个节点标[0107]S314:关系设计包括：装备/构件/设及阶段与责任方的关系，设备与设备子构件之间的组成关系，质量问题表现与质量问题发生对象之间的关联关系，质量问题与导致质量问题发生的原因之间的关系，设备/构件制造安装流程流转关系。[0108]S315:属性设计包括：设备/构件的质量标准与正常状态属性，节点在总事件空间出现的概率属性，以及对节点或者关系的补充描述等。[0109]S32:当有新的核电装备质量追溯任务产生时，通过对输入的质量事件进行智能分析，识别出质量事件的实体、实体关系和质量问题现象信息，生成标准化查询事件驱动知识图谱搜索。在质量追溯知识图谱中定位质量问题状态表现所对应的节点、属性与关系作为锚点，沿核电装备质量形成路径对质量问题发生的对象进行逆向追溯，并根据相关历史质量问题发生位置、质量问题状态表现与原因、设备正常状态信息进行逐级比较和关联分析，给出质量问题产生原因的推理结果，并判断质量问题所属阶段，形成质量缺陷产生一现象一对象—涉及阶段的追溯链条。(1)经过现场检查发现，主蒸汽过滤器法兰螺栓力矩不足，导致漏气现象出现；(2)蒸汽过滤器法兰垫片为齿形垫片对安装要求较高，垫片本身及安装过程中稍有偏差就容易导致漏S321:根据质量追溯知识体系的设计原则，识别出的命名实体为：“主蒸汽过滤器”气”,识别出的质量问题发生对象为：“主蒸汽过滤器法兰”,识别出的原因为：“力矩不足”系，“漏汽”与“主蒸汽过滤器法兰”属于质量问题表现与质量问题发生对象之间的关联关系，“漏汽”与“力矩不足”“安装偏差”属于质量问题[0111]S322