热力系统故障在火电机组故障中占有较大比例,对机组整体运行的安全经济性具有很大影响,开展热力系统故障诊断研究具有十分重要的意义.目前,以轴系监测为核心的汽轮机振动故障诊断较为成熟,而针对热力系统的故障诊断系统在现场成功应用的较少.本文利用机组监控系统提供的丰富的热力系统运行参数,采用多参数综合分析方法研究热力系统故障诊断问题.重点对回热循环系统故障诊断进行深入研究.由于电站热力系统结构复杂,子系统及设备间存在较强耦合且系统运行工况复杂多变,在故障诊断中普遍存在着故障知识库难于建立和完善的困惑,严重制约热力系统故障诊断技术的进步和诊断系统的实际应用效果.仿真技术在热力设备动态模型及系统全过程动态特性研究方面具有很大优势,利用仿真方法研究热力系统故障规律,可有效解决热力系统故障专家知识获取、完善的难题，推进热力系统故障诊断技术的进步。为此， 作者提出了一种基于分析型模型的故障样本知识提取方法。 该方法通过建立热力设备的性能分析模型，将模型融于电站全仿真环境，对热力系统故障规律进行深入研究。文中首先建立了具有较高精度和良好动态特性的热力设备性能分析模型（包括对分式凝汽器、回热系统加热器等）。在此基础上，运用上述方法研究了引进型 300MW 机组对分式凝汽器、 低压加热器系统、 高压加热器系统的故障特征规律， 总结出工程实用的故障知识库。作者对火电机组热力系统故障智能诊断的理论和方法进行了深入研究， 对故障智能诊断涉及的主要环节， 包括征兆的模糊数学表达方法、 故障的神经网络诊断方法、 模糊模式识别方法等进行了详细讨论 。在总结电站热力系统常见故障征兆类型的基础上， 详细探讨了趋势型征兆和语义型征兆两种征兆的模糊数学表达， 首次给出了两种征兆在不同情况下的合成计算方法， 综合运用有利于及时， 准确地诊断热力系统故障。 在采用模糊模式识别方法诊断热力设备故障时 ，改进了现有文献的故障模糊隶属函数， 使其通用性和故障识别效果得到进一步改善。对热力系统故障诊断的 BP 神经网络方法着重进行了研究， 并尝试采用新型的径向基函数（ RBF） 神经网络模型对热力设备故障进行诊断。 针对 BP 神经网络训练过程收敛慢的缺点， 提出了一种基于恒误差修正率控制的自适应网络学习率调整方法 ，可大大提高网络收敛效率。在对热力系统故障特征规律深入研究的基础上，首次提出了一种结合征兆缩放<WP=5>技术（SZT）及征兆模糊表达的热力系统轻微和早期故障综合智能诊断方法，运用该方法可有效降低热力系统故障知识库的复杂程度，及时、准确地识别热力系统的轻微和早期故障。 为解决故障诊断系统开发周期长、通用性差等问题，作者尝试将现有的仿真支撑技术、工程模块化建模技术应用到电站性能监测和诊断领域，在 STAR-90 仿真平台下，开发了工程模块化的故障智能诊断通用模型算法库，以300MW火电机组为对象建立了热力循环系统故障智能诊断的原型系统， 并借助仿真机对本文建立的热力循环系统故障知识库的完备性、 全面性、 故障智能诊断方法的有效性、 正确性进行了全面仿真验证。 本文研究实践表明：作者提出的基于模型的故障征兆提取方法可有效解决复杂热力系统故障知识库建立和完善的难题；采用的多种故障智能诊断方法及所作的改进行之有效；具有良好的通用性。仿真技术应用于电站性能监测和故障诊断领域，可极大促进热力系统故障诊断技术的进步，对提高机组运行的安全、经济性具有十分重要作用。