随着核电厂数字化、信息化建设的推进,充分利用核电大数据以及人工智能等新技术预防和减少人因失误,对实现核电厂智能运行安全管理有着重要意义。现有人因失误的理论与实践研究表明,基于人机交互过程及安全状态的预测和诊断分析技术可深度还原系统运行操作任务执行过程,及时行为纠偏,进而有效预防和降低人因失误。本文以实现核电厂智能安全运行为研究目标,旨在探索深度学习和过程挖掘在核电厂运行状态监测、运行故障诊断及操作过程监督方面的应用,从而建立一套行之有效的核电厂人机交互过程综合诊断分析方法,辅助操作员运行决策。具体研究内容包括:1.核电厂关键安全功能状态预测分析。本文以核电厂运行安全目标为切入点,围绕核电厂关键安全功能,进行功能细化分解及其关键安全参数集选取;通过核电厂过程参数分析,提出一种基于Seq2Seq深度学习模型的关键安全参数趋势预测方法,以实现对核电厂系统过程异常及关键安全功能状态的及时准确预测。本文通过PCTRAN开展8个运行故障仿真实验研究,构建针对14个关键安全参数趋势预测的Seq2Seq模型并进行训练测试,测试结果的均方误差达到2×10-4,实验证明了方法的有效性。2.核电厂运行故障诊断分析。在关键安全功能状态预测的基础上,本文研究进一步实现对核电厂运行故障的诊断分析。提出基于Transformer分类模型的运行故障诊断方法,并结合CNN和LSTM神经网络模型对主冷却剂丧失事故、蒸汽管道破裂事故等12种典型核电厂运行状态的诊断识别进行对比分析验证,结果表明Transformer模型具有更高的诊断正确率,对各类型故障的诊断正确率均高于98%。3.核电厂运行操作过程监督及人因失误分析。针对核电厂人机交互过程中人的操作响应,本文提出一种基于过程挖掘的操作事件日志程序化分析方法。该方法首先利用Petri网构建运行规程的标准化过程模型,通过操作序列在模型上重演的方式实现操作行为的偏差检测。论文最后以硼化操作任务为例,对所提出的分析方法进行了验证,结果表明过程挖掘可以有效识别偏离运行规程的人因失误行为。本文开展的研究结果表明,基于Seq2Seq模型的预测方法能够准确反映参数的未来趋势,在此基础上结合Transformer模型可实现对核电厂运行故障的及时检测和诊断,并可通过操作序列重演实现对人机交互过程中人因失误和运行故障的综合诊断分析。