常 远，郝 轶，黄晓津，李春文，梁记兴，刘景源

(1.清华大学 自动化系，北京 100084；2.大唐微电子技术有限公司，北京 100095； 3.清华大学 核能与新能源技术研究院，北京 100084；4.郑州轻工业学院 机电工程学院，河南 郑州 450000；5.中国原子能科学研究院，北京 102413)

核电站是一类对安全性要求极高的复杂系统，通常由操纵员进行监控并有多种故障诊断方法为其提供辅助支持[1]，而在故障发生的早期做出正确判断会更有利于保证核电站安全[2-3]。近年发展的瞬态识别技术可及时为操纵员提供发展中的故障信息，及时采取合适的操作动作，可避免出现故障或降低系统受到的影响[2,4-5]。这对已长期在役[6]和缺乏运行经验的新堆型的安全稳定运行均具有重要意义[7]。

核电站中的瞬态识别一般是针对由异常事件或故障所引起的瞬态过程[2,6-7]。由于典型的瞬态过程会引起相关的变量以特定的趋势演化[6,8]，可据此特性识别初因事件[2]，这属于模式分类问题[6-7]。当前，核电站的瞬态识别大部分基于神经网络方法[6]，而某些神经网络的训练过程较为复杂[2,4-5]。除此之外，也有部分采用统计方法[6]，如隐马尔科夫模型(HMM)[8]和支持向量机(SVM)[9-10]。前者为每类瞬态过程训练1个HMM，训练过程较慢[8]。SVM是一种很好的分类器，尤其有利于小样本应用，但仍有核函数的选择和参数的优化等问题待解决[9]。

实际上，表征瞬态过程的变量往往经过采样，以时间序列的形式记录和显示。通过分析该时间序列，可确定系统状态。本文采用模糊熵和互模糊熵这两个统计量进行瞬态识别，利用模块式高温气冷堆核电站(HTR-PM)仿真机的故障数据对该方法进行有效性验证。……