核动力装置具有潜在的放射性风险,事故发生后对全球生态环境影响深远,而人因失误是主要因素之一。船用核动力装置具有“孤岛运行”、运行人员有限等特殊运行条件,亟需进一步提高其运行安全性。目前,商用核电站的数字化仪控系统及相关设施对异常的识别能力有限,发生故障后主要依靠操纵员的经验进行处置,容易造成判断失误进而导致灾难性的损失。随着信息技术和人工智能技术的快速发展,有必要研发智能化的操纵员支持技术以降低操作失误的概率,同时也可以为“智慧核电”中的智能化运维提供技术基础。目前,操纵员支持技术面临的主要问题就是故障诊断的准确性和可信性较低。在过去几十年的研究中,由于单独采用数据驱动方法存在样本数据获取困难、诊断结果可解释性较差的问题;单独采用专家知识方法又存在知识获取困难、定性分析范围有限的不足,因此单一诊断方法不能有效地解决问题。但是随着仿真技术的提高,定量解析模型为提高故障诊断的准确性提供了重要途径,本研究将机理仿真模型、数据驱动和专家知识进行有机融合,提出一种基于模型驱动的混合式故障诊断方法,以达到优势互补的目的。主要在以下几个方面展开研究:本研究对故障诊断的技术流程重新进行总体设计并明确各环节之间的耦合关系,提出以机理仿真模型为驱动力来实现故障诊断技术,将数据驱动和专家知识的优势融合到计算过程中,详细阐明所述方案的合理性,解决目前分析结果不能完全被操纵员信服的被动局面。针对核电站中样本数据匮乏尤其是故障后运行数据不足的问题,建立基于热工水力过程的在线机理仿真模型。在传统实时仿真建模技术的基础上,保证关键设备的运行特性得到准确体现;通过引入实时运行数据使在线机理仿真模型能够在正常运行时与核动力装置同步运行;在故障后,可以为故障诊断提供超实时仿真数据,甚至可以进行故障趋势预测。通过与核电站在役全范围模拟机的在线数据交互,验证所述方法的准确性。由于核动力装置具有大量设备和执行机构,一旦某一部件发生故障会导致过程参数相继出现异常,因此将核动力装置视为一个整体进行故障诊断很难达到理想效果。本研究根据核动力装置的测点布置将状态监测与故障诊断的任务分配到每个相对独立的子单元中,对每个相对独立的单元建立基于机理仿真的监测模型。针对单独利用分布式机理仿真模型存在数据特征筛选工作量过大的问题,对各个分布式监测单元与实际系统的对应特征参数作残差,再基于序贯概率比检验对残差进行统计分析,以实现故障的快速定位。最后,通过仿真实例验证上述方法的准确性。针对专家知识进行故障类型初步诊断时,其诊断结果一般不唯一,存在较大不确定性的问题,采用基于小样本学习的支持向量机进行故障类型确诊,可以避免基于大样本推理分析的方法其样本量必须趋于无穷大的问题。但是,支持向量机在一些关键参数的选取上没有统一原则,严重影响了分类精度;目前已有参数寻优方法存在寻优效率低、耗时过长的问题。因此,本研究采用多种搜索方式相结合的粒子群算法确保支持向量机既能够最大化保证诊断准确率又能满足在线性需求。在典型故障程度评估过程中,由于核动力装置参数众多且存在强烈的非线性耦合关系,若将所有运行参数直接作为评估参数,一些变化不明显的参数会削弱变化明显参数的指引作用,最终影响故障程度评估的准确性。为此本文对核主元分析法与其他非线性流形降维方法进行对比,提出一种基于核主元分析的故障特征提取方法。针对故障程度评估过程中无法提前确定分类模式的特点,提出基于相似性聚类的状态识别方法,分别利用几种典型距离函数对维度约简后的数据进行聚类分析,通过对几种典型故障的对比,验证了欧式距离函数下的计算结果准确性相对更高,可解释性更强。