汽轮发电机组属于典型的旋转机械,旋转机械振动信号从幅值域、频率域和时间域实时地反映了机器故障信息。因此,了解和掌握汽轮机在故障状态下的振动特征,在监测机器的运行状态和提高诊断故障的准确度方面具有重要的理论意义和实际工程应用价值。根据机械振动理论和旋转机械产生的故障机理,可以知道绝大多数旋转机械的故障征兆都有其相对应的振动特征,通过对振动信号的分析处理可以将这些振动特征提取出来。采用傅立叶变换对非平稳振动信号进行频率谱分析,频谱分析的结果只是在整个被分析时间段上的平均,不能反映信号突变的细节,也就无法对转子故障诊断做出准确判断。同时,因早期故障冲击幅值较小,易被周围环境其他振动干扰,导致信号信噪比较低。所以,对信号进行信噪分离、提取故障信息是转子故障诊断的关键。小波分析是近年来发展非常迅猛的时频分析方法。由于其对信号去噪、还原性都较好,特别适用于对含有大量背景噪音的信噪比非常低的信号分析和调理。本论文利用虚拟仪器软件实现小波分析,将监测振动信号在全监测频带范围内逐层分解为若干频带,采用Matlab构建BP神经网络,提取训练好的神经网络的权阈,将转子发生故障部件的特征频率作为神经网络的输入,经过神经网络的并行数值计算,输出对应的故障,在LabVIEW下编程实现了基于神经网络的故障诊断程序,对所设计的系统进行测试,并对模拟的振动信号进行诊断,实现从故障征兆空间到故障空间的映射,表明该系统能够较好地反映设备的运行状态,且具有稳定可靠、实时性好等优越性,具有较高的实用价值。