汽轮发电机组的故障率较高，故障危害性也大，所以汽轮机的故障预报及诊断问题历来是受到有关的研究机构、企业和管理部门的高度重视。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时间序列对汽轮机转子振动故障诊断预测进行的系统的实验研究，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Bentl y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。将采集到的振动位移数据经过趋势项及周期项的剔除处理，对所余的随机平稳噪声项经平稳性检验后，根据AIC准则数确定ARMA模型的最佳阶数，建立汽轮机转子振动故障时间序列ARMA(自回归滑移平均)模型。利用ARMA模型的外延特性对汽轮机转子振动幅值的趋势的预测，预测短期内的转子振动情况，预测结果表明；所建立的8个ARMA模型预测的平均误差μ均小于0.55 μm，确定性因子r2均大于0.991 5，说明了所建立的时间序列ARMA模型具有较高的可靠性和置信度。 所建立的ARMA模型也是系统的特性与工作状态等信息的凝聚器，可利用它对系统状态进行诊断，ARMA模型的自谱函数分析是采用时序方法进行故障诊断的最重要的方法之一，因此，ARMA模型的频域特性，特别是ARMA模型的自谱函数是故障诊断的重要工具。 神经网络是近年来发展的一种大规模并行分布处理的非线性系统，利用神经网络可逼近任意连续有界非线性函数的能力与强大的分类能力，建立系统故障的非线性数学模型进行故障模式的分类与学习，诊断出故障。