进入二十一世纪,电能已经成为支撑社会经济发展的主要能源。目前主要还是以火力发电为主,所占比例超过70%。汽轮机作为火力发电的关键设备,其结构复杂,十分容易发生故障。一旦发生故障,应及时迅速的做出反应,避免造成更大的损失。因此,汽轮机的故障诊断具有重要的意义。电厂自投运以来,积累了大量的历史故障案例。因此,本文在历史案例的基础上对汽轮机新发生的异常事件进行相似故障案例检索。但电厂对历史案例的保存存在两种不同的方式:文本和数值信号。针对两种不同保存方式的历史案例,本文分别采用基于形式概念的案例推理方法和基于神经网络的相似度计算方法对故障进行诊断。对于文本型案例数据,首先需要将电厂保存的历史案例文本整理为具有一定结构的知识。考虑到参数之间具有较强的耦合性,本论文采用形式概念的方式对历史案例知识进行表达。与其他知识表达方式不同,形式概念不仅能表示对象与属性之间的关系,也能间接反映属性与属性之间的关系。此外,在形式概念的基础上,本论文提出了一种新的计算相似度的方法。相对于已有的基于形式概念的相似度计算方法,本方法引入了可调参数,通过调节参数的值来改变属性的权重,从而达到更精确的相似度衡量,进而提高诊断的正确率。对于数值型案例数据,其故障主要为振动故障。振动信号变化多样,直接提取其定性知识较为困难,因此本文先对振动信号进行特征提取,然后再利用神经网络和相似度计算方法对新发生的事件进行相似故障案例检索。本文讨论了两种采样频率的振动数据:低频采样数据和高频采样数据。对于低采样频率的振动数据,本文提出了一种新的数据预处理技术和一个新的统计特征。对于高采样频率的振动数据,本文利用经验模态分解的方法获取固有振动信号的能量熵作为特征。最后设计了智能故障诊断系统,包括系统方案的设计、软硬件平台的搭建、数据库设计、界面开发和故障诊断功能的实现,并对系统的功能进行了测试。