振动是水轮发电机组运行中最为常见的故障之一，强烈的振动将直接危及到机组乃至电力系统的安全运行。因此，系统开展机组振动故障诊断研究，对保障机组稳定运行十分重要。本文针对该问题开展了振动故障诊断相关方法研究，完成的工作有:　　 进行了水轮发电机组振动信号的信噪分离研究。针对所研究的振动信号特点，基于db5小波函数，主要对信号进行了小波包分解、阈值量化和信号重构，保留了信号最关键波形特征，改进了小波包多尺度滤波重构消噪算法。有效剔除了噪声因素引起的成分，保留了原信号中的锐变尖峰特征和平滑特征等最关键波形特征，取得了很好的消噪效果。在此基础上合成了轴心轨迹图形，并通过虚拟仿真获得虚拟轴心轨迹样本库，获取的轴心轨迹包含了机组实际运行中会出现的主要轴心轨迹特征。　　 开展了水轮发电机组轴心轨迹图形边缘矩特征提取和轴心轨迹的神经网络智能识别的研究。首先，提出了边缘检测和矩特征提取相结合的特征提取算法，采用粒子群寻优算法来获取与待识别样本最接近的已知样本作为特征向量，研究了转子轴心轨迹的特征提取方法，对常见各种轴心轨迹进行了特征提取。在此基础上，将编码原理与BP神经网络相结合，开展了机组轴心轨迹的神经网络智能识別研究，提出了一种应用改进的BP神经网络智能识别方法，其识别结果在智能化和人性化方面都得到提高，并增强了人机交互性，识别结果令人满意。　　 最后，进一步开展了水轮发电机组轴心轨迹的支持向量机分类识别方法研究。将分类矩阵作为属性特征判别函数，并通过改进归类判别函数和误差阈值函数，改进了支持向量机多故障分类算法，建立了多故障轴心轨迹分类器，并将其应用于水轮发电机组的故障诊断。结果表明，只需用少量实测轴心轨迹样本和一定数量仿真样本就可建立性能优越的故障分类器；该故障分类器可实现多故障的识别和诊断，并且具有算法简单和对多故障轴心轨迹图形在线分类能力强的优点。