故障诊断是根据设备运行信息查找故障源并做出相应决策的科学。研究各种先进适用的故障诊断技术并将其运用于电厂主辅设备故障诊断,不仅符合故障诊断理论的发展方向而且是生产过程所急需。目前,发电设备故障诊断普遍存在着数据量大、故障样本缺乏、诊断方法缺少连续学习能力导致设备故障异常趋势不易判断、检测效率低等问题。基于生物免疫机制发展的人工免疫系统为解决上述问题提供了新的思路。本文以人工免疫系统中阴性选择算法为主,围绕阴性选择算法中“自体空间的确定”和“检测器的生成”两个核心问题展开研究。重点研究了aiNet人工免疫网络在数据分布上的优化以及Voronoi图与免疫检测器的优化组合,分别提出了aiNet人工免疫网络模型与阴性选择结合算法和基于Voronoi检测器的阴性选择算法。针对自体空间边界分布不均衡和数据冗余以及自体空间描述难以确定、过于复杂的问题,本文提出了先用aiNet人工免疫网络模型对自体数据空间进行免疫压缩,将数据密度降低或提高到合适的程度,且数据大体均匀分布于自体数据空间,然后以此数据集的边界数据作为自体数据空间的描述,在此基础上提出aiNet人工免疫网络模型优化的阴性选择算法。新算法简约了自体空间的描述,减少了检测器生成的计算时间。针对一般人工免疫检测器覆盖率低,存在“孔洞”和冗余的问题,本文提出了Voronoi检测器的概念和基于Voronoi检测器的阴性选择算法。该算法利用Voronoi图对空间的划分优势,同时避免了检测器的“孔洞”和冗余问题,从而避免了冗余检测器的计算时间,提高了检测器的覆盖率。基于UCI数据集中的Iris数据和电厂实际生产数据进行仿真试验,同已有RNSA算法和V-Detector算法进行对比,仿真结果表明基于Voronoi检测器的阴性选择算法识别异常数据精度更高、速度更快。最后使用Qt开发框架,实现了基于人工免疫原理的发电设备故障检测模拟平台系统的开发,从工程角度对免疫算法应用于故障检测进行了验证。