核动力装置是一个结构复杂的热力学系统。它由核反应堆、蒸汽发生器、主冷却剂泵、稳压器、汽轮机等主要设备及相关工艺回路构成,对其故障进行诊断是保证核动力装置安全运行的重要手段之一。对核动力装置中的系统、设备进行故障诊断时涉及到多源信息的综合处理,因此,信息融合方法在核动力装置故障诊断中的应用研究受到了普遍的关注,但信息融合中的一些算法并不能直接在核动力装置的故障诊断中得到有效应用,因此对信息融合用于核动力装置故障诊断所涉及的相关方法和技术进行研究具有重要的理论意义和实际应用价值。本文从核动力装置的故障特征提取和诊断策略两个方面展开论述,以选取一回路主冷却剂系统设备的典型故障为例,针对目前核动力装置故障诊断中存在的问题,对核动力装置故障诊断的信息融合方法进行了多角度多层次的研究和探索。主要围绕解决以下几个方面的问题进行了理论和应用研究:①如何精确地识别出设备主冷却剂泵的故障信息征兆;②如何精确地识别出设备主冷却剂泵的并发故障征兆;③如何准确地辨别出不同模态下的反应堆堆芯吊篮的吊篮破裂、吊篮紧固件部分脱落和堆芯支撑下板与吊篮热处理变形3种故障模式;④如何准确地辨别出堆芯控制棒驱动机构发生卡棒、漏棒和滑棒的故障模式。针对这些问题对核动力装置故障诊断的信息融合方法进行了以下几个方面的研究和探索。针对核动力装置故障诊断的故障特征提取问题,进行了故障源与故障特征间映射关系的分析研究,提出了理想故障特征所应具备的属性;给出了故障特征与故障模式之间的数学关系表达式;确立了核动力装置故障诊断的框架,构建了基于层次结构的核动力装置故障信息的融合诊断模型,确定了基于信息融合的核动力装置故障诊断的总实现策略。针对一回路主冷却剂泵的典型故障模式识别问题,提出了小波熵神经网络的融合方法,分别采用频谱分析方法和小波熵分析方法提取主冷却剂泵故障特征信号,选取表现力更强的小波熵故障特征信号作为小波熵神经网络的输入训练样本,实验验证了构建的小波熵神经网络能够准确识别主冷却剂泵的故障模式。针对主冷却剂泵的并发故障模式识别问题,提出了基于DSmT决策级的融合方法,采用自由DSm模型和混合DSm模型对含有故障信息的多个独立证据源进行动态融合计算,根据动态采集到的多源数据综合确定DSmT故障特征信度函数赋值的大小,并实验验证了DSmT融合算法的准确性。针对堆芯吊篮的典型故障模式识别问题,提出了小波包能量分析DSmT的融合方法,首先动态采集了3种吊篮仿真故障信号,利用小波包变换对故障信号进行分解-重构,提取各频段能量构建子带能量特征向量,为BPA信度函数赋值提供信源。使用DSmT融合方法在决策层对吊篮故障进行识别及验证,实验结果显示提出的融合方法比直接采用小波包子能量特征识别图方法的诊断率更高。针对堆芯控制棒驱动机构(CRDM)的典型故障模式识别问题,提出了粗糙集神经网络的融合方法,构建了物联网CRDM网络框架和CRDM物联网故障识别系统,从物联网的感知层、网络层和支撑层角度分别引入MEMS传感器、ZigBee模块和Multi-Agent粗糙集神经网络模块,从CRDM故障识别角度证明了物联网应用于核动力装置故障诊断的可行性和有效性,以及粗糙集神经网络融合方法的准确性。通过大量的仿真实验与算例分析,采用频谱分析方法和小波熵分析方法解决信息融合数据层的故障信号检测,小波能量分析方法和粗糙集理论方法解决信息融合特征层的故障特征提取,BP神经网络和DSmT融合方法解决信息融合决策层的故障特征识别和故障信息定位,使用以上多种信息融合方法分别研究验证了一回路反应堆主冷却剂泵、堆芯吊篮、堆芯控制棒驱动机构的多种故障模式,包括并发故障模态情况,并验证了上述所提方法的可行性、有效性和可靠性,本研究工作为信息融合方法应用于核动力装置的故障诊断奠定了一定的理论基础。