汽轮发电机组的故障率较高，而且故障危害性也大，30％～50％的火电厂停机故障主要由汽轮发电机、风机和水泵等旋转机械造成的。所以汽轮机的故障预报及诊断问题历来受到有关的研究机构、企业和管理部门的高度重视，是现代故障诊断技术应用的一个重要方面。汽轮机转子振动波形提供了丰富的故障征兆信息，如何准确、全面地提取征兆信息对于故障类型的确定、故障发展趋势的预测以及汽轮发电机组的状态检修都具有十分重要的意义。 本课题是国内首次应用小波包分析对汽轮机转子振动故障诊断进行系统的实验研究，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，在此基础上提出本课题的研究内容和方法。 针对汽轮机转子振动常见故障，通过实验台模拟不同转速下碰摩、松动、不对中、不平衡几种故障状况，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。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诊断的基础参考。 小波包分析能够将任何信号(平稳或非平稳)分解成一个由小波伸缩而成的基函数族，信息量完整无缺，通过对信号在不同尺度上的分解与重构，能得到原始信号在不同频段上分布的详细信息，以及信号发生突变的时间点。基于小波包分析的这种特性，将采集到的振动位移数据进行八层小波包分解，对分解所得的频段信号的小波系数进行能量计算，并对各频带内的能量值进行归一化处理。结合对应故障的波形图和频谱图进行分析，结果表明：实验中不平衡、碰摩和松动故障状况振动频率主要分布在(1.88～2.34)f(f为汽轮机转子的工作频率)，碰摩时的频率成分相对较多，且频率分布的随机性也较大；不对中时的振动频率在(2.34～3.75)f颇段较大。根据不同故障发生时的频谱特征，可以识别出不同的故障特征，在进行汽轮机转子故障类型诊断时有较好的区分度。 支持向量机是一种基于统计学习理论的机器学习方法，它很好地执行了统计学习理论的结构风险最小化原则。支持向量机应用于故障预测最大的优势在于它适合于小样本决策，其学习方法的本质在于能够在有限特征信息情况下，最大限度地发掘数据中隐含的分类知识。文中介绍了支持向量机的理论基础，结合某电厂200MW机组3[＃]瓦振动的日平均振动峰．峰值数据，采用基于最小二乘支持向量机的预测模型对该机组的振动进行了实例预测，并与基于灰色理论一时间序列(GM—ARMA)预测模型和基于分形拼贴定理及分形插值预测模型的预测结果进行比较，结果表明最小二乘支持向量机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。