随着汽轮发电机组容量的不断增大和设备自动化程度的不断提高,为保障汽轮发电机组在高速、满载、连续状态下可靠运转,对在线故障监测与诊断技术提出了更高的要求。Hilbert-Huang变换和神经网络集成技术为解决日益复杂条件下的汽轮机故障诊断问题提供了有效的方法和途径。本文围绕Hilbert-Huang变换和神经网络集成学习的几个关键技术问题,展开了以下研究：(1)对基于Hilbert-Huang变换的故障诊断进行了研究和应用。针对传统汽轮机故障诊断方法的局限性,提山以EMD自适应分频方法结合频谱分析研究汽轮机振动信号的特性,并且根据IMF分量的物理意义明确振动信号的组成成分,最后通过绘制时间-频率图得到故障的特征频率,根据故障特征频率即可诊断出汽轮机出现的故障类型。(2)将基十核方法的特征提取技术应用于汽轮机故障诊断中。洋细介绍核方法的基本原理,说明为了进一步提高汽轮机故障诊断的正确率,核特征提取技术是十分有效和必要的。根据汽轮机故障数据的特点,重点介绍了核主元分析和核独立分量分析两种有效的非线性特征提取方法,并将其和实际问题结合起来。(3)提出了一种基于核主元分析和模糊核聚类集成的汽轮机故障诊断方法。该方法首先采用核主元分析对汽轮机故障数据进行特征提取,可降低数据维数,提高神经网络学习的效率和精确度,然后采用模糊核聚类算法对相互独立训练出的神经网络个体进行分类,最后取平均泛化误差最小的神经网络个体作为这一类的代表进行集成。与其他方法相比,该方法具有更高的精确度和稳定性。(4)提出了一种基于核独立分量分析和动态选择性神经网络集成的汽轮机故障诊断方法。该方法首先利用核独立分量分析方法,消除了数据的高阶相关性,去除了冗余特征,因此得到的分类器具有很强的泛化能力。然后采用动态选择性集成方法,根据不同的测试样本,随时利用所有训练好的神经网络,从中动态性地选择适合于该样本的神经网络集成,体现了“具体问题具体分析”的思想。(5)提出了一种基于优化神经网络集成的汽轮机故障诊断方法。该方法从提高神经网络集成中成员网络的精确度和降低成员网络之间的相关程度两方面考虑,并且将Bagging与Boosting方法相结合,提出一种动态确定集成个体神经网络权重的方法。汽轮发电机组故障分类的实验结果表明了该方法的可行性。