汽轮发电机组是电力生产的重要设备,由于其设备结构的复杂性和运行环境的特殊性,汽轮发电机组的故障率不低,而且故障危害性也很大。因此,汽轮发电机组的故障诊断一直是故障诊断技术应用的一个重要方面。本文对汽轮机振动故障诊断系统的体系结构、诊断方法做了深入的分析和研究,针对诊断系统中普遍存在的故障样本数量缺乏;诊断参数涉及的范围广、层次复杂;故障信号中包含噪声;故障征兆的表达不明确、层次分类不清楚、关联度较差等重点问题进行了研究,主要包括以下内容:1、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,其最大优势在于它能够适合于小样本的故障分类决策。将支持向量机应用于汽轮机故障诊断领域,能够有效提高诊断的准确率,具有很好的理论和实用价值。2、在支持向量机的优势基础上,将认知科学引入信息的预处理环节,使用认知几何方法将认知能力模型化,建立认知相对性规律的几何化模型,减少了噪音的影响,同时提高了数据的可分性。3、采用主成分分析方法进行特征提取,在损失信息最小的情况下用较少的变量代替原来的高维变量,消除不相关的信息,不仅降低了计算量同时也提高了分类器的诊断精度。4、以几种典型的汽轮机振动故障作为研究对象,建立了基于最优特征的分类模型。仿真实验结果表明,本文提出的诊断方法准确率高,鲁棒性强,具有很好的推广价值和应用前景。