该课题为国内首次应用分形几何理论对汽轮机转子振动故障诊断预测进行的系统的实验研究,取得了良好效果.论文首先综述了国内外机械设备故障诊断领域的研究成果,总结了汽轮机故障诊断技术的研究现状与方法,论述了汽轮机故障诊断中存在的问题,在此基础上提出该课题的研究内容与研究方法.针对汽轮机转子振动常见故障,通过Bently实验台模拟不同转速下碰摩、松动、不对中、不平衡几种常见振动故障,进行实验研究.采集到的振动位移数据经过FFT变换的数据处理,进行波形分析与频谱分析.实验分析结果表明:不同类型的故障波形图混乱程度不同,且对应的频率成分和能量大小也不同,波形分析和频谱分析可以作为故障征兆加以提取.通过相空间重构理论,对满足随机分形统计自相似性的振动信号序列进行相空间重构,计算其关联维数,从而再现动力学特性.针对故障振动位移首先进行了一个测点两个方向上的关联维数的计算,结合对应故障的波形图和频谱图进行分析,结果表明:碰摩故障时的关联维数值最大,对应的波形也最混乱,尤其以金属碰摩时的关联维数值最大.松动故障的关联维数次之,不平衡时计算所得的关联维数最小.故障状况下的关联维数均大于相应初始状况的关联维数值.故障状况相对于初始状况下的关联维的增量可以在相当程度上诊断出故障所属类型.利用盒维数可以定量描述分形边界的统计自相似特性.采用振动位移进行轴心轨迹的仿真合成,碰摩状况下的轴心轨迹最为混乱且呈现雪花状,不平衡时的轴心轨迹较为平滑.针对汽轮机转子故障时的振动位移的分形特性,采用改变网格间距计算轴心轨迹的填充程度所得到的盒维数计算结果表明:盒维数在进行汽轮机转子故障类型诊断时有更好的区分度.人工神经网络在实现故障诊断及预测方面应用较多,该文选取实验中2号通道的4组故障实验数据,将四种故障的初始状况以及故障状况下的频率分为八个段,作为故障征兆的特征量进行网络训练,用后续样本作为故障诊断的输入样本,结果表明:BP算法的神经网络在进行汽轮机转子振动故障的诊断方面有很强的能力.结合某电厂200MW机组3＃瓦振动的日平均振动峰-峰值数据,分别采用分形拼贴分形插值方法和人工神经网络方法对该机组的振动进行了实例预测,计算结果与机组实际跳闸时间一致,因此分形方法与人工神经网络方法在预测汽轮机转子振动故障的发展趋势方面有较高的精度.