用原創(chuàng)的DUCG人工智能技術(shù)提高核電站的安全性和可用度

張　勤

(清華大學(xué)核能與新能源技術(shù)研究院,北京 100084)

核電機(jī)組的安全性是核電發(fā)展的基本前提,但其經(jīng)濟(jì)性 (包括建造成本和可用度)也必須兼顧,否則核電將失去市場(chǎng)競(jìng)爭(zhēng)力。當(dāng)前,包括我國(guó)在內(nèi)的世界各國(guó)正在大力研究和發(fā)展第三代、第四代新型先進(jìn)核電機(jī)組。但這些先進(jìn)機(jī)組卻不能改變已經(jīng)在役的448臺(tái)機(jī)組 (含我國(guó)大陸的35臺(tái))的現(xiàn)狀。此外,安全性也難以?xún)H僅通過(guò)增加設(shè)施的冗余度和提高設(shè)備安全等級(jí)來(lái)提高,因?yàn)橐环矫媸苤朴诔杀?另一方面任何設(shè)備都不可能100%可靠。事實(shí)上,共同原因失效和多個(gè)常規(guī)故障疊加以及人因失效往往是導(dǎo)致重大核事故的主因,而頻度較高的小故障和故障應(yīng)對(duì)失當(dāng) (操作人員對(duì)故障的誤判、判斷不及時(shí)、措施不及時(shí)不精準(zhǔn)等)以及基于狀態(tài)安全導(dǎo)向原則的粗放式的現(xiàn)有故障和事故操作規(guī)程等,即使不足以導(dǎo)致或能夠防止出現(xiàn)重大核事故,也會(huì)導(dǎo)致核電站的可用度降低 (特別是計(jì)劃外停堆),增加核電站的運(yùn)行成本。

圖1所示為典型的壓水堆核電站系統(tǒng)示意圖,也是美國(guó)三哩島核電站的系統(tǒng)示意圖。其中4個(gè)圓圈為三哩島核事故中發(fā)生故障和虛假信號(hào)的部位。

圖1　典型的壓水堆核電站系統(tǒng)圖及三哩島核事故故障點(diǎn)示意Fig.1　Illustration of the typical PWRNPP and the fault locations of the Three Mile Island nuclear accident

美國(guó)三哩島核事故的大體經(jīng)過(guò)如下:二回路冷凝泵故障停轉(zhuǎn),反應(yīng)堆停堆,二回路輔助給水系統(tǒng)自動(dòng)啟動(dòng),但輔助給水系統(tǒng)的隔離閥在定期檢修后忘了打開(kāi),輔助給水過(guò)不去,導(dǎo)致蒸汽發(fā)生器蒸干,一回路壓力上升,泄壓閥自動(dòng)打開(kāi)泄壓,但壓力降低后不能按照要求回座關(guān)閉,導(dǎo)致堆芯失水失壓,緊急注入系統(tǒng)自動(dòng)啟動(dòng)。此時(shí)穩(wěn)壓器水位顯示為高,導(dǎo)致操作員誤判緊急注入系統(tǒng)誤啟動(dòng),遂手動(dòng)將其關(guān)閉,致使堆芯裸露,釀成大禍。事后分析知一回路在泄壓閥不能關(guān)閉的情況下形成了一個(gè)小破口,一回路壓力降低,導(dǎo)致產(chǎn)生大量氣泡,推高了穩(wěn)壓器水位。如果將穩(wěn)壓器的水位高信號(hào)結(jié)合壓力低等信號(hào)進(jìn)行組合推理,可知水位高是虛假信號(hào),或操作員對(duì)水位高原因的理解有誤。總之,這些虛假信號(hào)或知識(shí)缺陷是可以通過(guò)信號(hào)組合分析推理來(lái)識(shí)別的[1-2]。但這種復(fù)雜的組合推理對(duì)于人類(lèi)操作員來(lái)說(shuō)非常困難,尤其是在面臨巨大的安全和經(jīng)濟(jì)壓力的情況下。

三哩島核事故以及后來(lái)的切爾諾貝利核事故和福島核事故使人們進(jìn)一步提高了對(duì)核電站安全性的要求,包括采用更為嚴(yán)格的以安全為導(dǎo)向的操作規(guī)程。例如事故半小時(shí)內(nèi)不允許人干預(yù)反應(yīng)堆系統(tǒng)、不得手動(dòng)關(guān)閉緊急注入系統(tǒng)等。但這樣做的同時(shí)也喪失了早期干預(yù)故障、減小故障后果的機(jī)會(huì),導(dǎo)致核電站運(yùn)行成本增加,同時(shí)安全性也未必能夠顯著提高。為此,人們又想辦法改進(jìn)核電站的設(shè)計(jì),增加其固有安全性,也就是建造新一代核電機(jī)組。但新型核電機(jī)組也會(huì)因?yàn)榇罅坎捎眯录夹g(shù)、新設(shè)備、新工藝而導(dǎo)致增加核電站的經(jīng)濟(jì)性的不確定性。事實(shí)上,目前全世界在建的第三代或第四代先進(jìn)核電機(jī)組建造成本都大大超出了預(yù)算。此外,新型核電機(jī)組對(duì)于改進(jìn)在役核電站的安全性和可用度并無(wú)幫助。

人工智能技術(shù)既可用于新建核電站,也可用于在役核電站。難度小、投入少、見(jiàn)效快,是改進(jìn)硬件和加強(qiáng)管理之外的另一條提高核電站安全性和可用度的有效途徑。自1979年美國(guó)三哩島核事故以來(lái),人們已經(jīng)為此進(jìn)行了不懈的努力。但迄今尚未見(jiàn)到成功應(yīng)用的報(bào)道。究其原因,主要是核電站故障工況下異常和正常的信號(hào)多、變化快、故障模式多樣復(fù)雜 (包括初因和非初因事件及其組合、不確定證據(jù)、虛假信號(hào)和負(fù)反饋工況等復(fù)雜情況)、故障重復(fù)性少、完全相同的機(jī)組少、可用于機(jī)器學(xué)習(xí)的故障數(shù)據(jù)少、要求推理速度快 (每秒鐘要完成數(shù)百甚至數(shù)千的信號(hào)和故障變量的組合推理計(jì)算)、要求推理結(jié)果可解釋性強(qiáng)等。而現(xiàn)有主流人工智能技術(shù)幾乎都是基于大數(shù)據(jù)機(jī)器學(xué)習(xí)的黑箱模型 (例如神經(jīng)網(wǎng)絡(luò)NN、貝葉斯網(wǎng)絡(luò)BN、支持向量機(jī)SV M等),大型復(fù)雜工業(yè)系統(tǒng) (包括核電站)領(lǐng)域既無(wú)可供計(jì)算機(jī)學(xué)習(xí)的大量故障數(shù)據(jù),也難以接受黑箱模型的無(wú)可解釋性的推理結(jié)果?？傊?基于大數(shù)據(jù)機(jī)器學(xué)習(xí)的黑箱人工智能模型很難在核電等大型復(fù)雜工業(yè)系統(tǒng)故障診斷領(lǐng)域得到有效應(yīng)用。

為解決上述問(wèn)題,經(jīng)過(guò)數(shù)十年研究,本文作者提出了基于領(lǐng)域?qū)＜抑R(shí)的動(dòng)態(tài)不確定因果圖(Dyna mic Uncertain Causality Graph,DUCG)理論模型[3-9],并初步開(kāi)發(fā)了基于DUCG的核電站實(shí)時(shí)故障監(jiān)測(cè)、預(yù)報(bào)、診斷、發(fā)展預(yù)測(cè)和決策支持的軟件平臺(tái) (含知識(shí)庫(kù)編輯器、推理機(jī)、人機(jī)界面、通信接口等),并針對(duì)嶺東核電站發(fā)電機(jī)、寧德核電站模擬機(jī)二回路 (含蒸汽發(fā)生器)、清華大學(xué)核電站模擬機(jī) (已退役)二回路 (含蒸汽發(fā)生器)以及化工系統(tǒng)TE模擬器、衛(wèi)星電源系統(tǒng)等工業(yè)系統(tǒng)進(jìn)行了近百項(xiàng)實(shí)時(shí)故障實(shí)驗(yàn),迄今正確率達(dá)到100%。

此外,DUCG還具有知識(shí)庫(kù)全圖形表達(dá)、知識(shí)庫(kù)模塊化建造和自動(dòng)合成、知識(shí)庫(kù)和推理結(jié)果可解釋性強(qiáng)、推理速度快、容錯(cuò)能力強(qiáng) (包括虛假信號(hào)和局部錯(cuò)誤知識(shí)庫(kù))、概率參數(shù)精度要求低、適用于負(fù)反饋等復(fù)雜動(dòng)態(tài)工況、能診斷從未出現(xiàn)過(guò)的故障以及不確定證據(jù)推理、不完備知識(shí)庫(kù)推理、概率風(fēng)險(xiǎn)評(píng)價(jià) (與基于常規(guī)事件樹(shù)和故障樹(shù)的PSA方法比較,DUCG能?chē)?yán)謹(jǐn)處理隱藏于故障樹(shù)之間的相關(guān)性和邏輯循環(huán))等功能。

1　DUCG應(yīng)用實(shí)例簡(jiǎn)介

1.1　蒸汽發(fā)生器U形管破裂

以清華大學(xué)核電模擬機(jī)為例,其二回路示意圖如圖2所示。

圖2　典型的壓水堆二回路示意圖Fig.2　Illustration of a typical secondary loop of a pressured water reactor

圖3　核電模擬機(jī)二回路主要故障診斷DUCG圖Fig.3　DUCGfault diagnosis for the secondary loop system of the NPPsimulator located at Tsinghua University

該系統(tǒng)的故障診斷DUCG知識(shí)庫(kù)如圖3所示。其中,矩形B變量代表可能的根原因故障或其組合、圓形X變量代表從DCS系統(tǒng)收到的信號(hào)變量、紅色有向弧代表變量間的因果關(guān)系 (每個(gè)有向弧是一個(gè)由原因變量的狀態(tài)與結(jié)果變量的狀態(tài)組合而成的矩陣,其中的概率參數(shù)代表原因?qū)е陆Y(jié)果出現(xiàn)的不確定性,通常為稀疏矩陣,即只表達(dá)異常狀態(tài)之間的確定或不確定因果關(guān)系)、邏輯門(mén)代表輸入變量的任意邏輯組合、虛線(xiàn)紅色有向弧代表?xiàng)l件因果關(guān)系 (在條件成立時(shí)因果關(guān)系成立)。注意有些變量互為因果關(guān)系。例如X23(二回路蒸汽溫度)和X26(反應(yīng)堆功率)互為因果:溫度升高會(huì)導(dǎo)致功率降低 (負(fù)反饋),功率降低又會(huì)導(dǎo)致溫度降低(正反饋),溫度降低又會(huì)導(dǎo)致功率升高 (正反饋),即這兩個(gè)信號(hào)由于正反饋和負(fù)反饋形成的閉環(huán)導(dǎo)致信號(hào)隨時(shí)間動(dòng)態(tài)振蕩。此外還有三個(gè)蒸汽管線(xiàn)及主蒸汽聯(lián)箱的壓力互為因果等。

設(shè)定模擬機(jī)故障為蒸汽發(fā)生器C中U型管破裂 (B102,1),收到的異常信號(hào)如圖4所示。

本例的DUCG動(dòng)態(tài)診斷結(jié)果如圖5～圖9所示。其中的時(shí)間間隔并不是恒定的,而是根據(jù)收到新的異常信號(hào)而自動(dòng)確定的。由于t1時(shí)刻已知可能的故障只有一個(gè),其發(fā)生概率已確定為100%。

圖4　C蒸汽發(fā)生器U形管破裂故障異常信號(hào)Fig.4　Abnormal signals in the case of a U-type tube rupture in steam generator C

圖5　t 1時(shí)刻診斷結(jié)果Fig.5　Diagnosis result in timet 1

圖6　t 2時(shí)刻的DUCG診斷結(jié)果Fig.6　The diagnosis result at timet 2其中只有X 15,0這一個(gè)負(fù)證據(jù)

圖7　t 3時(shí)刻的DUCG診斷結(jié)果Fig.7　The diagnosis result at timet 3其中已無(wú)負(fù)證據(jù)

圖8　t 4時(shí)刻的DUCG診斷結(jié)果Fig.8　The diagnosis result at timet 4

1.2　發(fā)電機(jī)故障診斷

大亞灣嶺東核電站發(fā)電機(jī)組的DUCG故障診斷知識(shí)庫(kù)如圖10所示。其中包含了633個(gè)變量,由32個(gè)DUCG子圖自動(dòng)合成。其中B變量205個(gè),X變量427個(gè),邏輯門(mén) (G變量)5個(gè),缺省變量 (D變量,即未知或缺省原因變量)1個(gè),因果關(guān)系矩陣2952個(gè)。

采用取自SIS系統(tǒng)的實(shí)時(shí)數(shù)據(jù) (期間沒(méi)有異常發(fā)生),由領(lǐng)域工程師根據(jù)各種故障可能的信號(hào)變化人為修改數(shù)據(jù),使之模擬故障工況數(shù)據(jù),進(jìn)行試驗(yàn),共設(shè)計(jì)了26個(gè)故障,在信號(hào)充分時(shí),均達(dá)到100%的診斷正確率。

此例中,將變量的物理位置在發(fā)電機(jī)的平面圖和立體圖 (可任意旋轉(zhuǎn))上進(jìn)行了關(guān)聯(lián),可以在應(yīng)用界面中直接看到故障發(fā)生的位置,結(jié)合屏幕上的文字說(shuō)明,幫助操作員直觀(guān)了解具體是什么故障及其精準(zhǔn)位置,如圖11～圖12所示。

圖9　t 5時(shí)刻的DUCG診斷結(jié)果Fig.9　The diagnosis result at timet 5

圖10　嶺東核電站發(fā)電機(jī)DUCG故障診斷知識(shí)庫(kù)Fig.10　DUCG knowledge base for fault diagnosis of generator of Lingdong NPP

圖11　發(fā)電機(jī)兩個(gè)可能故障的圖形及列表排序顯示Fig.11　Two possible faults ranked according to pr obabilities with graphical location

圖12　發(fā)電機(jī)轉(zhuǎn)子匝間短路診斷結(jié)果三維顯示圖Fig.12　3D graphical fault location of short circuit bet ween rotors of generator

1.3　二回路故障診斷及優(yōu)化應(yīng)對(duì)措施

依托設(shè)在北京的寧德核電站1號(hào)機(jī)組的模擬機(jī)進(jìn)行了DUCG知識(shí)庫(kù)建庫(kù)和故障實(shí)驗(yàn),所建造的二回路知識(shí)庫(kù)如圖13所示。

其中包含175個(gè)變量,B變量 (故障或故障組合)34個(gè),BX變量 (集成故障,代表信號(hào)缺少無(wú)法區(qū)分但影響相同的一組B變量)2個(gè),X變量139個(gè)。完成典型故障實(shí)驗(yàn)24個(gè),診斷正確率100%,在常規(guī)筆記本電腦上運(yùn)行每一步推理時(shí)間小于1 s,能夠跟上核電機(jī)組每秒發(fā)送一組信號(hào)的頻率。實(shí)驗(yàn)中收到的信號(hào)曲線(xiàn)示例如圖14～圖15所示。

故障診斷結(jié)果圖示例如圖16所示。

基于DUCG的正確檢測(cè)、預(yù)報(bào)、診斷和發(fā)展預(yù)測(cè),可以準(zhǔn)確采用EOP而非SOP來(lái)處理故障。初步實(shí)驗(yàn)和分析 (包括安全性和經(jīng)濟(jì)性比較)表明:采用精準(zhǔn)的EOP可顯著提升核電站安全性和經(jīng)濟(jì)效益。本實(shí)驗(yàn)中至少10個(gè)的效益非常明顯 (可避免跳堆)。

圖13　寧德核電1號(hào)機(jī)組二回路故障診斷DUCG圖Fig.13　DUCGf or fault diagnosis of secondary loop,Unit 1,Ningde NPP

圖14　給水除氣系統(tǒng)水箱溫度變化Fig.14 Temperature of feed water gas cleaner

圖15　汽輪機(jī)負(fù)荷Fig.15 Load of turbine

圖16　2號(hào)故障診斷的動(dòng)態(tài)生成的診斷結(jié)果及信號(hào)發(fā)展隨時(shí)間變化的DUCG立體圖Fig.16 Cubic DUCGshowing diagnostic result automatically generated according to dynamic evidence received online

從實(shí)用性的角度,進(jìn)行了操作員實(shí)驗(yàn):將操作員分為兩組,一組無(wú)DUCG輔助,另一組有。第一次實(shí)驗(yàn)第一組費(fèi)時(shí)較少,因?yàn)榈诙M不熟悉如何使用DUCG;第二次實(shí)驗(yàn)兩組不相上下;第三次實(shí)驗(yàn)第二組明顯勝出。

根據(jù)DUCG的正確診斷,可以實(shí)施更為精準(zhǔn)的故障工況操作。以下是一個(gè)實(shí)例。

故障描述:凝結(jié)水抽取泵CEX001PO故障停運(yùn),且CEX003PO泵無(wú)法啟動(dòng)。此時(shí),只有CEX002PO一臺(tái)泵在運(yùn)行,除氧器水位控制閥CEX025 VL和026 VL處于自動(dòng)調(diào)節(jié)狀態(tài),為保持除氧器的水位平衡,將會(huì)加大泵和閥的開(kāi)度。由于一臺(tái)凝結(jié)水抽取泵只能提供50%的流量,而此時(shí)機(jī)組仍以滿(mǎn)功率運(yùn)行,除氧器的水位將緩慢下降,CEX025 VL、026 VL開(kāi)度繼續(xù)增大,導(dǎo)致CEX002PO因流量過(guò)大而出口壓力降低。當(dāng)出口壓力低于1.63 MPa時(shí),凝結(jié)水抽取泵CEX002PO將面臨跳泵風(fēng)險(xiǎn)。此外,CEX002PO流量過(guò)大,也會(huì)增加泵因汽蝕而停運(yùn)或損壞的風(fēng)險(xiǎn)。一旦CEX002PO跳泵,意味著三臺(tái)凝結(jié)水抽取泵全部停運(yùn),勢(shì)必引起除氧器水位低,引發(fā)跳堆。

SOP操作規(guī)程:

目標(biāo):維持除氧器水位 (此時(shí)報(bào)警信號(hào)較多,除氧器水位報(bào)警信號(hào)等級(jí)較高)。

操作:由于除氧器水位下降,根據(jù) “什么參數(shù)發(fā)生變化了,就控制什么參數(shù)”的原則,將會(huì)繼續(xù)開(kāi)大除氧器水位控制閥CEX025 VL和026 VL開(kāi)度。

結(jié)果:除氧器水位繼續(xù)降低,導(dǎo)致跳堆;泵CEX002PO由于出口壓力過(guò)低或汽蝕損壞跳泵,引起跳堆;由于CEX002PO流量過(guò)大發(fā)生汽蝕,導(dǎo)致泵損壞或使用壽命縮短。

在DUCG診斷基礎(chǔ)上按照EOP操作規(guī)程,可操作如下:

目標(biāo):同時(shí)維持除氧器水位和CEX泵的出口壓力。

操作:手動(dòng)啟動(dòng)CEX003PO,確認(rèn)該備用泵無(wú)法啟動(dòng)。關(guān)注除氧器水位和CEX泵的出口壓力兩個(gè)參數(shù),將除氧器水位控制閥CEX025 VL和026 VL切為手動(dòng)調(diào)節(jié),在保證水位不過(guò)低的同時(shí),出口壓力也不過(guò)低。由于故障原因經(jīng)DUCG診斷已經(jīng)確定,一臺(tái)CEX泵無(wú)法滿(mǎn)足機(jī)組負(fù)荷,需要很快地以5%(50 MW/min)的速度降功率至50%功率 (500 MW)。此時(shí),一個(gè)CEX泵已經(jīng)能夠維持這個(gè)功率,機(jī)組大致處于穩(wěn)定狀態(tài)。降功率過(guò)程中仍需要關(guān)注除氧器水位和CEX泵的出口壓力,保證這兩個(gè)參數(shù)不進(jìn)入跳堆區(qū)間。由于手動(dòng)調(diào)節(jié)不能夠自動(dòng)跟蹤瞬態(tài),為降低風(fēng)險(xiǎn),需要適時(shí)將控制閥CEX025 VL和026 VL切回自動(dòng)調(diào)節(jié)。為保證操作中的無(wú)擾動(dòng)切換,需要待功率能夠維持500 MW時(shí),調(diào)節(jié)CEX025 VL、026 VL,使除氧器水位至2.5 m,然后將這兩個(gè)閥門(mén)開(kāi)到自動(dòng)狀態(tài),實(shí)現(xiàn)自動(dòng)跟蹤和自動(dòng)調(diào)節(jié)。

結(jié)果:切換至50%功率運(yùn)行,避免非計(jì)劃停堆和泵汽蝕。

在進(jìn)行的24個(gè)故障實(shí)驗(yàn)中,至少有10個(gè)可以通過(guò)類(lèi)似操作避免計(jì)劃外停堆,安全和經(jīng)濟(jì)效益明顯。

此外,以上結(jié)果是在遵守現(xiàn)有操作規(guī)程的前提下實(shí)現(xiàn)的。如果根據(jù)DUCG的診斷結(jié)果,確知故障位置,則可修改目前粗放的操作規(guī)程,實(shí)現(xiàn)精準(zhǔn)調(diào)控,預(yù)計(jì)會(huì)取得更加明顯的安全和經(jīng)濟(jì)效益。

2　知識(shí)庫(kù)編輯器

DUCG知識(shí)庫(kù)的構(gòu)建分為變量定義、構(gòu)建子圖和子圖合成三個(gè)步驟。變量定義可在二維工程圖和三維工程圖上進(jìn)行定位,并在應(yīng)用界面中按照定位閃爍顯示。圖17～圖18是變量定義示例,圖19～圖20是子圖構(gòu)建示例,圖10和圖13是自動(dòng)合成DUCG圖示例。合成圖是最終的知識(shí)庫(kù),一般比較復(fù)雜,難以看懂。但可以把每一個(gè)根原因故障B變量的邏輯關(guān)系單獨(dú)顯示出來(lái),以便審查其正確性。知識(shí)庫(kù)的修改通常在子圖中進(jìn)行,局部修改后由DUCG編輯器自動(dòng)合成為新知識(shí)庫(kù)。知識(shí)庫(kù)合成后,結(jié)合DUCG推理機(jī)和實(shí)時(shí)通信和預(yù)處理模塊,即可實(shí)現(xiàn)對(duì)象系統(tǒng)的實(shí)時(shí)在線(xiàn)動(dòng)態(tài)故障監(jiān)測(cè)、預(yù)報(bào)、診斷、發(fā)展預(yù)測(cè)和決策支持。

圖17　二維圖上的變量定義示例Fig.17 Illustration of variable definition on 2D graph

圖18　三維圖上的變量定義示例Fig.18 Illustrative example of variable definition on 3D graph

圖19　DUCG子圖示例1Fig.19 Illustration 1 of sub-DUCGs

圖20　DUCG子圖示例2Fig.20 Illustration 2 of sub-DUCGs

3　發(fā)展需求和未來(lái)展望

1)進(jìn)一步完善和測(cè)試有關(guān)功能,采用更好的編程語(yǔ)言 (例如采用J2EE改進(jìn)推理機(jī),使之能夠更好地利用數(shù)據(jù)庫(kù)功能、采用H5編寫(xiě)用戶(hù)界面以替代目前已不受大公司支持的Flex),提高軟件可靠性和計(jì)算精度及速度,改善用戶(hù)界面。

2)進(jìn)行工程實(shí)際應(yīng)用中試,進(jìn)一步檢驗(yàn)DUCG系統(tǒng)的各項(xiàng)功能。

3)構(gòu)建核電站各子系統(tǒng)的DUCG知識(shí)庫(kù)并進(jìn)行測(cè)試驗(yàn)證。

參考文獻(xiàn):

[1]Qin Zhang,David Okrent,George Apostolakis,et al.An expert system approach for fault diagnosis to cope with spurious sensor signals and process state uncertainty[J].Reliability Engineering and System Safety,1991,34:121-142.

[2]Qin Zhang,Jin Gu,Xuegao An,et al.Application of FBOLES-a prototype expert system f or fault diagnosis of nuclear power plants[J].Reliability Engineering and System Safety,1994,44:225-235.

[3]Qin Zhang.Dynamic uncertain causality graph for knowledge representation and reasoning:discrete DAG cases[J].Journal of Computer Science and Technology,2012,27(1):1-23.

[4]Qin Zhang,Chunling Dong,Yan Cui,et al.Dynamic uncertain causality graph for knowledge representation and probabilistic reasoning:statistics base,matrix and fault diagnosis[J].IEEE Trans.Neural Net works and Learning Systems,2014,25(4):645-663.

[5]Qin Zhang.Dynamic uncertain causality graph for knowledge representation and probabilistic reasoning:directed cyclic graph and joint probability distribution[J].IEEE Trans.Neural Net works and Learning Systems,2015,26(7):1503-1517.

[6]Qin Zhang.Dynamic uncertain causality graph for knowledge representation and probabilistic reasoning:continuous variable,uncertain evidence and failure forecast[J].IEEE Trans.Systems,Man and Cybernetics,2015,45(7):990-1003.

[7]Qin Zhang,Shichao Geng.Dynamic uncertain causality graph applied to dynamic fault diagnosis of large and complex systems[J].IEEE Trans.Reliability,2015,64(3):910-927.

[8]Qin Zhang,Zhan Zhang.Dynamic uncertain causality graph applied to dynamic fault diagnoses and predictions with negative feedbacks[J].IEEE Trans.Reliability,2016,65(2):1030-1044.

[9]Qin Zhang,Quanying Yao.Dynamic uncertain causality graph for knowledge representation and reasoning:utilization of statistical data and domain knowledge in complex cases[J].IEEE Trans.Neural Net works and Learning Systems,DOI:10.1109/TNNLS.2017.2673243,2017.