随着汽轮机向大型化、复杂化、高参数的方向发展,为保证设备的安全可靠运行,人们对设备状态监测与故障诊断技术的重视程度越来越高,诊断技术也开始朝着智能化的方向发展。支持向量机是建立在统计学习理论基础上的新型学习机器,为解决小样本的故障分类问题提供了有效手段。将支持向量机应用到汽轮机故障诊断领域,能够有效地提高故障诊断的准确率,对避免事故发生带来的巨大损失,提高经济效益和社会效益都具有十分重要的意义。论文结合汽轮机常见的轴系振动故障,采用支持向量机方法对故障进行分类和预测,为研究更好的汽轮机故障诊断方法提供了依据。论文围绕基于支持向量机的智能故障诊断问题,针对数据预处理、故障特征提取、故障分类、故障建模与预测及汽轮机诊断系统的构建等方面开展了研究,主要研究成果有:1、通过分析常用特征提取和选择方法,引入了主分量分析和基于核函数的特征提取方法,对汽轮机轴系振动故障进行特征提取,并采用针对故障类型的模糊化K-L变换,压缩故障数据的维数,降低支持向量机分类算法的运算复杂度,并通过仿真实验,验证了该方法能够有效地提高故障分类的准确率;2、详细讨论了支持向量机方法在汽轮机故障诊断领域的具体应用,构造了基于支持向量机的故障多分类模型,实现了多类故障的一次性区分;3、研究了支持向量回归在故障建模和故障预测方面的具体应用,并通过仿真实验,分析和比较了支持向量机与其他智能方法的优劣;4、通过实际的汽轮机轴系振动故障数据,将支持向量机应用于故障分类和趋势预测,验证了基于支持向量机的智能故障诊断方法的有效性,为支持向量机的实用化提供了参考;5、开发了一套汽轮机轴系振动数据采集与故障诊断系统,将支持向量机方法与模糊诊断功能引入到故障诊断软件中,利用支持向量回归的建模、辨识和预测能力,对轴系振动信号进行趋势分析。该系统能够在线采集故障数据,并进行离线的故障分析,实现了汽轮机组轴系振动故障的分类和发现早期轻微故障的目的。