核电厂的安全运行是核电行业最关心的问题,而对汽轮机等机械设备进行故障智能预警与预测性维护,可有效地预防核电厂安全事故,降低维护成本。目前专用于核电机械设备的故障预警系统,大多预警效果不理想,功能不完善,其搭载的故障预警算法难以有效地处理数据不良性、冗余性与复杂性,且精度有待提高;对异常信号的识别仍采用阈值法,而阈值的选取却没有统一的标准,当残差接近阈值并在附近波动时很难做出决策,且难以量化异常程度,容易造成误诊漏诊。针对以上问题,提出一种基于LSTMBayes模型的核电汽轮机组监测信号异常识别方法和一种基于该方法的预测性维护系统。集成多种数据预处理技术,包括异常值填补、小波包降噪、标准化和主成分降维等,可以有效去除数据本身缺陷对后续算法的干扰,减少计算复杂度;将降维产生的主成分作为特征信号表征设备整体状态,并由对贡献率的求解引出异常信号逆寻方法,在发生异常时不仅能快速定位异常信号,还能减少计算量。对于时序信号预测模型,使用长短时记忆网络（Long Short-Term Memory,LSTM）搭建模型主体、以相空间重构理论确定模型输入输出结构、基于贝叶斯假设检验提出一种新的模型评价指标,结果表明与其它模型相比LSTM是精度最高的预测模型、利用相空间重构能快速确定模型结构、而新指标在量化模型可靠性的同时能表现出局部的预测精度,弥补了现有评价指标在定量化和局部评价方面的不足。针对预测残差提出一种基于贝叶斯（Bayes）推断的异常识别策略,考虑先验信息,估计先验残差集的均值和方差,通过计算贝叶斯因子与置信度,实现设备故障的识别与量化,能更敏感地捕捉异常。经验证,策略提前10小时识别了汽轮机的异常,100%预测了气动泵叶片裂纹发出的6次警报,与其他模型相比提前预警时间更长,漏诊误诊率更低。将方法应用于汽轮机故障案例发现,数据预处理流程能有效的改善汽轮机仪表监视系统（Turbine Supervisory Instruments,TSI）中的不良数据;将概率主成分方法与设备机械因素结合分析,能显著提高降维效果,主成分贡献率都在60%以上;通过相空间重构确定的LSTM预测模型结构能准确预测时序信号,模型的决定系数都在0.85以上;而贝叶斯异常识别策略相比于残差阈值法预警时间最早提前了36h报警,且准确率更高。开发的核电汽轮机组预测性维护系统,搭载LSTM-Bayes信号异常识别方法,对标国外系统,在众多指标上进行了改进,比如新添了异常概率、剩余使用寿命以及特征信号等有助于维护的预警参数,使自身更加智能化。经验证,系统的投入减少了机械设备故障率,节约了维护费用,能有效保证运行安全,提高生产率,降低成本。