汽轮发电机组作为电厂的核心设备,其稳定安全的运行对国民经济建设和生活起着重要的作用。汽轮机发电机组结构复杂,一旦出现故障会严重影响整个发电厂的运行,所以研究汽轮发电机组的故障诊断技术具有重要的现实意义。针对汽轮机转子振动故障诊断中特征量维数高、非线性等难以有效处理的问题,本文研究了非线性降维方法----流形学习的理论与方法,首先将流形学习与PCA等特征约简方法进行对比分析,从理论上保证流形学习在故障诊断特征提取中的适用性,其次建立基于流形学习的汽轮机转子故障特征提取方法的数学模型,由于流形学习算法中的邻域值嵌入维数等参数难以预先给定,导致特征提取效果难以得到满足,以故障诊断精度为优化目标,研究最优参数确定准则。将建立的特征提取方法模型应用于汽轮机转子典型故障振动信号的特征提取过程,并将特征提取后的故障样本作为概率神经网络的输入建立故障诊断神经网络,对测试样本进行诊断,流形学习特征提取方法在保持原始信息的情况下,滤除了不相关的变量信息,提高故障样本的分类性能,同时也大大降低建立的故障神经网络的计算量,提高故障诊断的有效性和诊断精度。流形学习特征提取理论克服了汽轮机故障诊断中样本维数高,非线性的特征提取困难,很好地保留了故障样本数据的非线性信息,摒弃了冗余信息,提高了诊断速度,为解决转子故障诊断特征提取提供了一条新途径。