无论是核动力装置还是蒸汽动力装置，凝汽设备都是重要的组成部分，保证其安全稳定运行具有重要的意义。但是，凝汽设备的故障具有多发性、不确定性等特点，而且故障征兆与故障原因之间存在着复杂的非线性映射关系，很难建立合适的模型，因此运用经典故障诊断技术难以解决其诊断问题。如何利用智能诊断方法实现凝汽设备的故障诊断是本文要研究的问题。本文综合分析了各种智能故障诊断方法，建立了基于神经网络的故障诊断专家系统(ANNES)模型，并详细介绍了系统的结构和设计方法。ANNES融合了神经网络自学习能力强和专家系统知识表达明确的优点，简化了神经网络学习、数据获取及专家系统推理规则建立的过程。神经网络是ANNES的重要组成部分，它的性能好坏是评定ANNES的重要标准，本文通过对标准BP网络与改进BP网络(本文采用自适应学习速率)的对比，无论在误差精度还是在学习速度方面，改进BP网络都明显优于标准BP网络，故选择改进BP网络。ANNES的实现过程可描述为：①运用专家经验，构造各个神经网络子模块的网络结构，利用学习样本对构造的神经网络进行训练，按照网络内部自适应算法不断修改权值和域值分布直至达到要求的精度，这样就把专家求解实际问题的启发式知识和经验转换成了网络的分布结构及权值；②通过网络的前向计算，获得输出向量；③对输出进行处理，为用户提供故障诊断结果以及处理意见等信息。最后针对某核动力装置凝汽设备实现了ANNES的故障诊断，证明了该故障诊断方法的可行性。进一步证明了基于神经网络与专家系统结合的智能故障诊断方法能够很好地解决象凝汽设备这类故障具有多发性、不确定性等特点设备的故障诊断问题，其诊断结果精确、可靠。