为了能够发展高效、节能、环保的火电机组，设备检修就必须从传统的定期检修逐渐过渡到状态检修。对电力企业而言，越来越多的数据被DAS和DCS系统存储到实时数据库中，通过对历史数据的分析，电厂的发展趋势就有可能预测出来，就可以提供有效的决策依据来处理将来的运行和检修等等。应用数据挖掘的方法从实时数据库中提取相应的故障诊断知识是一种有效途径，也是很有现实意义和研究价值的问题。支持向量机(SVM)是一种基于统计学习理论的新型机器学习方法。由于它采用了结构风险最小化原则，所以能较好地解决小样本学习的问题。本文采用支持向量机方法对故障进行诊断。分别从特征选择和参数优化来分析研究。以汽轮机故障诊断为例，为提高汽轮机组故障诊断的效率，并考虑其计算成本和复杂性，把相关分析作为数据的前处理器，通过计算属性间的相关系数，结合最大最小聚类方法，对故障数据进行特征选择，删除冗余属性,此方法实现简单，分类效果显著。然后构造SVM多分类器，采用粒子群优化算法对参数寻优并训练样本。最后与BP神经网络和线性判别分析做比较，实验表明此故障诊断方法诊断速度快，准确率高，可以很好的应用于设备故障诊断。设备检修的质量决定了发电企业能否安全可靠地长期运行，这直接影响企业效益。本文进一步研究了设备检修子系统，通过对故障诊断的结果进行分析，从设备的总体运转率和日常维修的成本上去衡量预防性维修必要性。在状态检修中发现故障隐患并发出预防维修任务后，在预防性维修中安排维修计划，从而达到将故障消除在萌芽中。