随着我国能源结构调整的逐步推进,风电、光伏发电等非稳定性电源快速发展,水轮发电机组在电网中承担调峰调频的任务越来越多,这就要求水轮发电机组在其整个工况范围内具有充分的可用性,这就对水轮发电机组故障诊断、故障预测及状态评估提出了更高的要求。为了确保水轮发电机组安全稳定运行,本文针对水轮发电机组故障诊断与预测应用中的若干关键科学问题,以机组振动信号处理和运行工况分析为切入点,提取表征机组故障状态的信号时频分布特征和工况特征等多重特征向量,提高故障特征向量的准确度,进一步构建基于多重特征向量相融合的水轮发电机组故障诊断及故障预测体系,实现水轮发电机组故障的准确诊断与预测。论文的主要研究内容和创新性成果如下：(1)针对水轮发电机组振动信号具有非平稳、低信噪比和多振源激励信号分量相互混叠等特征,提出了一种独立分量分析-经验模态分解的水轮发电机组非平稳信号特征提取方法。在该算法中,首先采用独立分量分析法提取出主要振源的激励信号分量,即统计独立分量,有效消除或降低模态混叠现象,再对统计独立分量进行自相关分析,消除统计独立分量中非周期噪声的影响；然后再采用经验模态分解对统计独立分量进行自适应分解,获得多组本征模态函数；最后对同频本征模态函数进行重构,提取出故障特征频段的征兆信号,实现水轮发电机组强背景噪声非平稳早期故障特征信号的有效提取。试验结果表明,本文所提方法在水轮发电机组早期故障微弱征兆信号和突变故障特征信号提取方面具有明显的优势,更适用于强背景噪声影响下的水轮发电机组非平稳微弱信号特征提取。(2)传统水轮发电机组故障诊断方法绝大多数是基于振动信号的时频特征进行故障识别,忽略的水轮发电机组运行工况对振动信号时频特征的影响,降低了诊断的准确率。针对上述问题,本文引入过程控制理论中的统计诊断方法,分别对水轮发电机组每种工况过程中的振动变量和工况参数进行融合建模,提出了一种基于KICA-PCA的多元非线性系统过程诊断方法,该方法通过计算工况过程的统计指标实现水轮发电机组故障诊断。本文所提方法通过水轮发电机组运行工况信息与振动信号的有效融合,提高了故障诊断结果的可信度,打破了传统基于振动信号时频特征的水轮发电机组故障诊断方法的诊断范式。试验结果表明,相对于PCA和ICA-PCA等线性系统过程诊断方法,本文所提方法的诊断正确率更高,且时效性更好,更适用于水轮发电机组多元非线性系统的过程诊断。(3)基于互信息理论和统计学提出了水轮发电机组工况变量对振动变量贡献率的计算方法,并构建了压力脉动劣化度函数,实现了压力脉动状态预测评估。以水轮发电机组振动变量和工况参数之间相关关系为切入点,结合互信息理论,深入挖掘水轮发电机组海量的历史监测数据,揭示水轮发电机组振动变量与工况参数之间的非线性相关关系,通过计算水轮发电机组各工况参数对振动变量的贡献度,提取出水轮发电机组振动变量的主要相关工况参数。进一步融合主要相关工况参数与压力脉动幅值形成融合特征向量,提出了基于支持向量机和极限学习机的水轮发电机组压力脉动状态预测方法,实现了压力脉动状态预测,同时引入数理统计与模糊子集理论,构建了基于历史统计曲线的水轮发电机组压力脉动模糊集,提出压力脉动模糊集的劣化度评价函数,实现水轮发电机组压力脉动的状态评估。(4)融合水轮发电机组振动信号时频特征和工况关联规则特征,构建了多重征兆向量,引入模糊推理系统和径向基神经网络模型,提出了一种基于约束扩展广义动态模糊神经网络的水轮发电机组故障预测方法。在该方法中,以振动信号的频谱能量分布特征和工况关联规则特征作为故障预测的融合故障征兆向量,充分利用模糊规则推理与神经网络学习能力,动态推求水轮发电机组未来的故障状态,预测潜在故障未来可能发生概率,实现水轮发电机组故障预测。同时探讨了水轮发电机组故障可能发生概率与维修时限、健康状况之间的关系,提出了一种以故障可能发生概率为自变量的水轮发电机组维修时限函数,搭建了故障预测至维修决策之间的桥梁,以启动维修时限的形式明晰化故障预测结果的含义,对水轮发电机组实施状态检修与预测性维修具有重要的意义。(5)本文设计开发了一种面向服务的水轮发电机组故障诊断及状态评估系统,该方案构建了网络化、服务知识化、资源共享化的开放式的统一知识平台,通过整合异地不同用户的知识资源,不断丰富与补充水轮发电机组故障诊断及状态评估系统的专家知识库,提高水轮发电机组整机设备故障诊断及状态评估的性能水平。系统已成功应用于贵州乌江水电开发有限责任公司东风发电厂,为现场运行维护人员提供辅助维修决策建议指导。