En este artículo, se propone un marco de detección y predicción de fallos basado en aprendizaje profundo que combina el análisis de componentes principales (PCA) y Informer para resolver el problema del monitoreo en línea de las válvulas de energía nuclear, que es difícil de implementar. Más específicamente, el PCA desempeña el papel de reducción de dimensionalidad y extracción de características de fallos. Mapea datos de un espacio multidimensional a un espacio de baja dimensionalidad y extrae las características principales. Al mismo tiempo, se proporcionan los umbrales de estadística T-cuadrada y Q para realizar el monitoreo de estados anormales. Mientras tanto, Informer es un método de predicción de series temporales a largo plazo. Encripta y desencripta datos a través del codificador y decodificador para entrenar un modelo de predicción. A través del entrenamiento de datos de fallos, se puede realizar la predicción de fallos. Se pueden continuar experimentos basados en las ondas sonoras recolectadas de válvulas reales, lo que también ilustra la efectividad del modelo PCA-Informer para el diagnóstico y la predicción de fallos de válvulas de energía nuclear. Por lo tanto, se puede lograr el monitoreo y mantenimiento en línea de válvulas nucleares y otro equipo importante, sin necesidad de apagar la estación nuclear.