核动力装置是技术密集、造价昂贵的庞大而复杂的系统,并且具有潜在的危险性,为了保证其安全可靠的运行,研究能够对其进行故障诊断的系统是十分必要的。然而,在实际的故障检测中,由于核动力装置故障数据采集比较困难,导致用于模式识别和分类的故障数据相对较少。如何在数据少的情况下,准确的诊断出核动力装置的故障将是十分有意义的。统计学习理论是针对小样本统计问题建立的一套新的理论体系,在这种体系下的统计推理规则不仅考虑了对渐进性能的要求,而且追求在现有有限信息下得到最优结果。支持向量机是以统计学习理论为基础,专门针对小样本的情况下新的机器学习方法。它采用结构风险最小化原理,兼顾训练误差和泛化能,在解决小样本数据集及非线性问题上有独特的优势。本文采用支持向量机理论,针对核动力装置蒸汽发生器传热管破裂、主冷却剂管道小破口等典型故障,采用C++语言建立最小二乘支持向量机故障诊断数学模型,采用Matlab7.0建立传统支持向量机故障诊断数学模型。通过仿真测试、分析表明,上述两种支持向量机建立的故障诊断数学模型的性能取决与核函数模型及其参数的选择,选定适当的核函数及参数后,上述两种支持向量机故障诊断模型获得了相同的诊断性能。除了故障发生后前3秒由于数据为未能表现故障以及数据波动外,到停堆之前的时间内均能准确诊断故障。实验证明,该方法能够在故障样本少的情况下,准确的诊断出故障现象,且精度较高。