汽轮机故障诊断是一项多学科交叉、多技术融合的复杂系统工程,具有运行工况多变、参数间相互耦合、故障传递与演化规律复杂等特点。本文在对汽轮机典型故障模式深入分析的基础上,结合知识工程和深度学习等相关理论与技术,开展了汽轮机智能故障诊断关键技术研究。首先,针对汽轮机故障间关联关系复杂的问题,提出了故障知识分析与获取方法。基于系统工程理论,对汽轮机设备进行层次性划分;采用故障树分析法和故障模式及影响分析法相结合,系统性地分析并梳理了汽轮机典型汽路类故障和振动类故障知识,并对获取到的故障知识进行统一数字化编码。其次,针对故障知识缺乏统一的语义性,开展了基于本体理论的故障知识结构化表达研究。在已获取的汽轮机故障知识基础上,提出了故障知识类、属性和个体的划分原则,实现了汽轮机故障语义网的构建;同时,为了进一步管理并存储故障知识,研究了基于Neo4j的故障知识图谱可视化展示技术。再次,针对汽轮机状态参数间相互耦合的问题,开展了基于长短期记忆神经网络和本体语义性搜索的故障预警研究。选取特征参数,并利用清洗后的稳态数据样本,建立了长短期记忆神经网络预测模型,通过比较实际值与模型的预测值,定位异常参数;并进一步结合基于故障知识本体的语义性搜索,实现从异常参数到故障模式的快速匹配。最后,基于上述的理论研究工作,以实际工程需求为驱动,研究了汽轮机智能诊断系统设计框架,描述了系统数据库结构和功能模块的计算流程,开发了汽轮机智能故障诊断原型系统,推进了汽轮机组智能运维研究工作的工程应用。