燃气轮机作为一种大型的先进动力机械设备,是现代工业技术水平的标志。燃气轮机因结构复杂且作业环境恶劣使其产生多种类型的故障,故障一旦发生,轻则造成设备性能下降或机械损坏;重则破坏整个系统甚至造成人员伤亡,带来难以弥补的伤害。研究表明,有效地对设备运行监测并及时采取措施,能够避免大部分的事故。实际上,直接对燃气轮机进行故障监测非常困难,其绝大部分的故障与转子有关,因此本文对燃气轮机转子的故障监测方法进行研究。本文首先分析燃气轮机转子振动的基本形式,并依据简化的动力学模型分析转子振动的基本特征;然后对几种典型的转子故障类型进行深入研究,详细分析转子故障产生的原因,振动机理和振动信号特性,并简述故障带来的影响以及预防和维护措施。为接下来对燃气轮机转子振动信号处理与故障识别的研究奠定基础。燃气轮机在运转时各机械部件都会产生振动,采集的信号并不是单纯的转子振动信号。另外,由于传感器的自身特性,信号也会有一定程度的失真。因此,实际获取的转子振动信号数据非常混乱,且具有非平稳、非线性特点,无法直接用于建立转子运行状态的故障监测模型。据此,本文提出基于形态奇异值的变分模态分解算法对转子振动信号进行处理。该算法首先采用形态奇异值分解算法对振动信号中的随机噪声和异常突变成分进行过滤,然后再利用变分模态分解算法将信号分解为具有不同中心频率的模态分量,计算每个分量的排列熵值作为特征向量,为建立燃气轮机转子故障监测模型提供可靠的输入空间。针对燃气轮机转子机械结构精密,各故障状态的特征复杂,识别精度不理想的问题,本文提出AdaBoost-ELM算法。该算法将基于形态奇异值的变分模态分解算法处理后信号的各分量的排列熵作为输入空间,把基于mexh小波函数改进的极限学习机作为弱分类器,通过多次迭代调整数据集的概率分布训练多个弱分类器,并将其线性组合为一个强分类器作为最终的燃气轮机转子故障诊断模型。最后,使用恩泰克转子模拟实验台上采集的典型故障振动数据进行仿真实验验证了方法的有效性。