1.一种蒸汽发生器故障诊断方法，其特征在于：针对蒸汽发生器运行状态下实时故障诊断；故障诊断系统由核电厂蒸汽发生器传感器系统与核电厂工业总线组成，实现蒸汽发生器运行状态实时监测与数据交互；利用信号处理，将检测数据进行特征提取与特征标准化；利用物理引擎，根据特征信号模拟蒸汽发生器内部流场特征；根据计算流体力学模拟与历史数据库，构建蒸汽发生器智能故诊断模型；结合模拟图像通过蒸汽发生器智能故诊断模型，实现蒸汽发生器故障诊断；
包括如下步骤：
步骤1：利用核电厂蒸汽发生器传感器系统，采集蒸汽发生器运行数据，具体步骤如下：
步骤1-1：将核电厂蒸汽发生器传感器具体位置进行标注，实现传感器与空间信息相互对应；
步骤1-2：将步骤1-1中的各个传感器组进行分类，分为蒸汽发生器一次测组、蒸汽发生器二次测组、蒸汽发生器进出口管道组与工厂环境组；
步骤1-3：利用核电厂蒸汽发生器传感器系统，采集带有时序性特征的蒸汽发生器运行数据；
步骤2：利用核电厂工业总线，将步骤1中采集带有时序性特征的蒸汽发生器运行数据存储至核电厂数据中心，实现蒸汽发生器运行数据的实时传输；
步骤3：将核电厂数据中心的带有时序性特征的蒸汽发生器运行数据通过滤波函数，使蒸汽发生器运行数据形成标准化数据格式，具体步骤如下：
步骤3-1：将步骤2中存储至核电厂数据中心的带有时序性特征的蒸汽发生器运行数据，根据其信号特征，采用卡尔曼滤波法、高斯滤波法、中位值滤波法、限幅值滤波法、递推平均滤波法、递推中位值滤波法、一阶滞后滤波法或加权递推平均滤波法，提取有效数据；
步骤3-2：将经过步骤3-1滤波后的有效数据，与步骤1-1中的传感器位置信息一一对应，实现传感器信号与位置信息相关联；
步骤3-3：将步骤3-2中关联后的信息，根据核电厂蒸气发生器测量的物理量压力、温度、振幅、辐射量、流速与湿度进行特征编码分类；
步骤3-4：从左起第一列为传感器编码列，首字母P为检测的物理量类型压力P、温度T、振幅A、辐射量R、流速F与环境湿度H，AABB分别为测量点与具体传感器单元；第二列为传感器空间位置S，传感器空间位置分组为蒸汽发生器一次测组S1、蒸汽发生器二次测组S2、蒸汽发生器进出口管道组S3与工厂环境组S0，AABBCC为笛卡尔坐标系空间坐标绝对或规定原点相对高度；第三列为检测起始时间YY\MM\DD；第四列为具体测量数值，形成符合数据分析的标准格式的标准信号；
步骤4：将步骤3-4的标准信号分别传输至历史数据库与三维数字孪生系统，具体步骤如下；
步骤4-1：将步骤3-4标准信号保存至核电厂本地运行数据中心，并绘制检测曲线；
步骤4-2：根据三维数字孪生系统的模拟物理量的要求，将与压力、温度、速度、辐射特征信号传输至三维数字孪生系统；
步骤5：将步骤4-2中的特征信号，通过三维数字孪生系统中的物理引擎实现蒸汽发生器内部运行状况实时模拟，实现蒸汽发生器三维运行状态与环境模拟，得到可视化效果图；
步骤6：根据计算流体力学模拟结果与历史数据库特征信号，实现蒸汽发生器智能故诊断，具体步骤如下：
步骤6-1：利用计算流体力学程序，分别模拟蒸汽发生器安全运行工况与事故工况下的蒸汽发生器内部流场，形成压力、速度、温度与辐射云图；同时，模拟蒸汽发生器厂房运行环境，实现蒸汽发生器故障与安全运行工况下的数值模拟，形成辐射与温度云图；
步骤6-2：根据步骤3-4中的传感器空间位置，将步骤6-1中的模拟云图进行关联，实现数值模拟云图与采集信号位置相对应，并进行标记；
步骤6-3：将步骤6-2中标记后的数值模拟云图作为蒸汽发生器智能故障诊断学习样本；
步骤6-4：利用有监督型深度学习卷积神经网络CNN，形成蒸汽发生器智能故诊断模型；
步骤7：将步骤5中的可视化效果图通过步骤6中的蒸汽发生器智能故诊断模型，实现蒸汽发生器故障诊断，具体步骤如下：
步骤7-1：将步骤5中的可视化效果图作为输入数据，利用6-4蒸汽发生器智能故诊断模型进行故障类型分类与寿命预测，最终实现蒸汽发生器全三维故障诊断与寿命预测；
步骤7-2：根据步骤7-1蒸汽发生器智能故诊断的结果，不定期更新蒸汽发生器智能故诊断单元模型，重复步骤6与步骤7。
