核动力装置运行过程中,异常事件的来源复杂多样,操纵员很难直接察觉到异常现象并对故障进行诊断,特别是当异常现象不明显且发展进程缓慢时,故障信息将更加难以被捕获,这对核动力装置的安全运行是不利的,若由于故障发现不及时而导致重大事故发生,将会产生严重的负面影响。为此,对核动力装置进行状态监测与故障诊断,以提升系统的安全性非常重要。目前,针对核动力装置系统级的状态监测与故障诊断方法在精度等方面还都有待提升,基于智能诊断方法优点,本文建立了基于iForest的核动力装置智能状态监测系统与基于栈式自编码的智能故障诊断系统,对核动力装置的运行数据进行分析,并对几种智能方法进行深入的研究。首先,以核电站动力装置为研究对象,设计了基于iForest方法的智能状态监测系统和基于栈式自编码方法的智能故障诊断系统。通过搭建系统的流程图,直观地展示状态监测与故障诊断的每一个环节。基于iForest的状态监测和基于栈式自编码的故障诊断过程均由离线模型训练和在线监测与诊断两个环节构成。具体过程包含数据预处理、特征提取、建立诊断模型和实时状态监测或故障诊断四个主要步骤。其次,对于基于iForest的智能状态监测方法进行了研究和仿真测试。由于特征提取的质量对于状态监测的效果至关重要,本文着重对基于稀疏自编码的特征提取方法进行了深入研究。分别选取了100%满功率工况下的运行数据与同时包含90%和100%满功率两种工况下的运行数据进行仿真测试,在每一个仿真测试结果中分别展示了特征提取的可视化结果和状态监测的各类评价指标。为了与其他方法做出对比,更好地说明基于iForest的智能状态监测方法具有较好的优越性,本文另外选取了一分类支持向量机(OCSVM)和局部异常因子(LOF)两种方法,利用相同的数据进行仿真测试。结果表明,iForest方法的各项性能指标均优于其他方法,具有明显的优势。最后,对基于栈式自编码的智能故障诊断方法进行了研究和仿真测试。栈式自编码方法运用了深度学习的思想,可以对复杂数据进行处理。本文所用的神经网络模型具有四层网络结构,其中稀疏自编码器可以很好地对数据进行特征提取,softmax分类器可以清晰有效的对核动力装置运行过程中的故障类型进行分类。该模型可以实现对核动力装置运行状态进行诊断识别的目的。仿真测试结果表明,基于栈式自编码的智能故障诊断方法可以很好地判断几种故障类型,在故障诊断精度上表现出色。