凝汽器作为电厂运行的重要组成部分,其主要任务是将汽轮机排气凝结成水并维持其所需要的真空。在电厂的实际运行过程中,由于多种因素的影响,电厂设备的运行可能出现不稳定的情况,严重时可能造成设备故障,导致机组运行不正常。因此,准确地监控凝汽器的运行状态,及时发现并排除影响凝汽器故障的不稳定因素对于机组的安全稳定运行尤为重要。本文在分析凝汽器的运行特性的同时,深入分析了影响凝汽器真空下降的主要因素并建立了凝汽器故障征兆样本数据库。随后,从理论上和应用实际相结合的角度出发,详细研究了粗糙集理论和支持向量机理论方法并结合具体实例加以分析。在此基础上采用粗糙集和集成LS-SVM算法相结合的方式,并运用遗传算法优化LS-SVM参数,建立了凝汽器真空故障诊断模型。具体工作如下:针对凝汽器故障征兆样本集的输入维数过高,造成分类器结构复杂,实时性变差等问题,依据粗糙集的属性约简特点,在保持原有故障征兆样本集的分类能力不变的前提下,采用粗糙集约简征兆样本集。针对单一支持向量机由于训练不足或参数设置问题导致的测试样本有一定错误率的情况,引入集成学习算法。利用不同的核函数及参数产生SVM集成个体。选取粗糙集约简后产生的故障征兆空间子集构造具有较大差异的集成个体并训练多组SVM学习器,并最终通过投票机制生成最终诊断结果,进一步增加了整个模型的泛化能力,提高系统性能。