本项目针对精密点检技术在电厂设备故障诊断及评估劣化趋势方面存在的问题，以电厂辅机系统高压大功率电动机为研究对象，通过建立基于数字孪生的电机运行行为孪生数据库，提出电机运行健康程度智能诊断决策方法，进一步研发运行态势感知系统，实现对电厂辅机系统高压大功率电动机运行行为及态势的准确感知，弥补精密点检技术的不足。重点围绕高压大功率电机运行行为感知模型、智能决策系统及态势感知系统研发三方面，开展以下研究： 1）高压大功率电动机运行行为的孪生数据库：研究高压大功率电机在常见运行条件下的运行行为指标的提取方法；建立高压大功率电机典型运行行为的数字孪生模型。 2）全寿命周期内健康程度智能诊断决策：研究具有自学习功能的高压大功率电机运行行为指标的统计、训练及修正方法；将精密点检与深度学习融合，提出高压大功率电机在全寿命周期内健康程度的智能诊断方案。 3）高压大功率电机的运行态势感知系统研发：研发高压大功率电机运行态势感知系统，实现现场运行高压大功率电机异常运行行为的准确判定，并对典型异常运行行为在潜伏期的发展态势做出正确预判与感知。 主要创新点：采用理论研究、数值仿真、学习算法和现场实验研究相结合的方法，首先通过理论分析研究数据信息实时监测方法，提出高压大功率电机运行行为指标的提取方法，建立电机数字孪生模型和孪生数据库；然后通过数值仿真驱动数字孪生模型运行，结合深度学习算法提出电机在全寿命周期内健康程度的智能诊断方案；最后研发高压大功率电机运行态势感知系统，实现电机现场运行异常行为的准确判定，预判感知典型异常行为在潜伏期的发展态势。 本项目的顺利开展可准确感知电厂辅机系统高压大功率电机的运行态势，与当前电厂设备的精密点检技术相结合，提升电机安全运行威胁因素的发现识别、理解分析、响应处置能力，为维持电厂辅机系统安全运行提供强有力的技术支撑，具有重要工程实用价值。