核电厂为重要的系统、设备和部件设置有大量在线或离线监测措施,产生了海量的状态监测数据,其中往往包含有丰富的设备性能状态、异常征兆等相关信息。本论文致力于从预测的角度对这些信息进行挖掘,建立基于状态监测数据的核电厂主要设备寿命预测方法,实现设备性能退化趋势和剩余寿命的精确预测,为前瞻性的设备老化管理和维护管理提供技术基础,以期最终实现核电厂安全性和经济性水平的进一步提升。论文根据核电厂能动设备与非能动设备寿命预测问题的不同特点,采用不同的方法建立两类设备的寿命预测模型。对以旋转机械设备为代表的能动设备,采用集成数据驱动预测模型。首先提出“模糊聚类—动态集成”方法,通过模糊聚类将训练数据划分为数据子集进行子模型的训练,以增强子模型的多样性,模型权重则依据测试数据与各数据子集的相近程度确定,基于共享基准数据集的算例验证表明该方法可在花费更少的训练成本的情况下,取得更高的预测精度,模型预测性能在已发表相关工作中处于先进水平。在此基础上,采用异质集成方法进一步提高预测模型的精度,并对传统的固定权重集成方式进行扩展,提出次级学习器模型和分段权重分配模型两种异质模型的结合策略,以提高集成模型的性能表现,并基于基准数据集验证。对非能动设备,则采用混合方法建立预测模型。具体而言,在失效机理模型不可用的情况下,采用替代型混合预测模型。替代模型的不确定性分析是替代型混合模型中的一个重要问题,论文首先研究了高斯过程回归模型以实现更为简洁的模型不确定性评估,并基于仿真案例验证了这一方法的可行性。进一步,为增强模型的适应性,提出参数自适应更新的数据驱动替代模型,通过参数基于预测误差的自适应调整使得替代模型更加符合监测数据的实际情况,并通过反应堆系统状态预测问题验证了模型的有效性。在机理模型可用但存在较大偏差的情况下,则采用修正型混合模型。论文提出基于高斯过程回归的非参数修正方法,通过比例修正系数、平移修正系数和高斯过程项对机理模型进行三方面的修正,并基于FAC仿真案例进行验证。