电力工业的迅速发展，对汽轮发电机组故障诊断技术提出了更高的要求。振动是机组运行中最常见的故障之一，及时发现和排除机组的振动故障，对保障机组安全、稳定运行十分重要。随着人工智能技术的发展，故障诊断技术进入了智能化发展阶段。本文较深入、详细地研究了粗糙集理论和支持向量机在汽轮机组振动故障诊断中的应用，初步实现了基于粗糙集-支持向量机模型的汽轮发电机组振动故障诊断。论文主要内容如下： 1．在查阅大量文献的基础上，分析了汽轮机组振动故障诊断技术的研究现状，特别是智能诊断技术在机组故障诊断中的应用情况。针对有限样本情况下故障诊断的特点和传统智能诊断技术面临的困难，把粗糙集和支持向量机引入汽轮机组故障诊断中。 2．研究了汽轮机组故障征兆提取技术。论文从实际运行汽轮发电机组的五类典型振动故障中提取了频谱征兆、轴心轨迹征兆和时间趋势征兆，将这三类故障征兆作为机组五类典型振动故障的诊断依据，构成了故障诊断信息系统。 3．研究了粗糙集理论的属性约简算法，利用基于差别矩阵的启发式属性约简算法对提取的故障征兆信息进行约简，消除其中的冗余属性，得到了最简诊断决策表。 4．较深入地研究了支持向量机核函数参数的选择问题。核函数参数对支持向量机的分类性能有很大影响，到目前还没有非常有效的优化方法。论文选择有向无环图支持向量机和径向基核函数构造多类支持向量机分类模型。分析了目前常用的核参数选择方法，将网格搜索法和交叉验证法结合起来选取最优的核函数参数，获得了较高的精度。 5．将粗糙集和支持支持向量机相结合，提出了汽轮机组振动故障的粗糙集-支持向量机诊断方法。给出了该方法应用于汽轮机组振动故障诊断的实现步骤：首先利用粗糙集对提取到的特征信息进行约简，去除冗余信息，获得具有代表性的特征信息。建立支持向量机，对这些特征信息进行分类，实现故障诊断。论文将该方法应用到汽轮机组故障诊断中，得到了理想的诊断结果，证明了该方法应用于汽轮机组故障诊断的可行性。论文最后构造了两种不同的支持向量机诊断模型，经过对比测试，得出了一些有意义的结论。