随着我国能源战略的不断调整,现代能源体系正迈入安全、清洁、高效的低碳时代。一方面,常规水电和抽水蓄能迎来新的发展机遇,装机规模快速增长；另一方面,为消纳风电、太阳能、海洋能等新能源并网时给电网带来的冲击,水电能源将承担更多的调峰、调频任务,同时,为切实解决新能源背景下的弃风、弃水、弃光等问题,对水电的运行与管理提出了更高的要求。而水电机组作为水电能源转换的关键设备,正朝复杂化、巨型化方向不断发展,各部件间的耦合作用更加强烈,由此带来机组振动信号的非线性与非平稳性不断增强,尤其是故障与征兆间的映射关系更为复杂。对此,传统的状态监测与故障诊断方法已难以很好地满足新形势下的水电机组运行分析需求,迫切需要研究新的理论与方法,譬如在监测系统采集到的机组实际运行数据基础上,探索新的信号分析与故障诊断方法,以提高状态监测与故障诊断的分析精度,进而提升机组的运行稳定性。为此,本文针对工程实际中水电机组振动信号分析与故障诊断的若干关键科学问题,以非平稳振动信号处理为切入点,引入先进的信号处理方法,以提取湮没在背景噪声中的故障特征频率成分,并为提升不同故障征兆的可辨识性,研究基于时序模型参数盲辨识的故障特征提取方法,同时为解决不均匀、不平衡样本分布下传统诊断方法易出现过学习的问题,借鉴支持向量数据描述的分类能力与K近邻方法的邻域刻画优势,提出基于模糊自适应阈值决策规则的故障诊断新方法,进一步为在故障发展早期及时捕捉到相关前兆,建立基于聚合集成经验模态分解(EEMD)与支持向量回归的预测模型,以实现对水电机组状态趋势的准确预测。论文主要研究工作与创新成果如下：(1)强背景噪声与复杂电磁干扰影响下,表征故障信息的水电机组振动特征频带易被全频带的背景噪声湮没,导致振动监测信号难以准确反映机组真实运行状态。为此,研究工作结合奇异值分解的高频噪声抑制与变分模态分解的自适应信号处理能力,提出了一种基于二次分解和相关分析的水电机组振动信号降噪方法。该方法包含前置滤波和相关去噪两阶段,首先对振动信号进行奇异值分解,并基于均值滤波策略选择有效奇异值,从而重构信号以滤除一定的背景噪声。前置滤波后对重构信号进行变分模态分解,再结合定义的归一化自相关函数能量集中度指标选择有效模态分量,并由此重构信号以完成相关去噪。将所提方法用于带噪声振动仿真信号的降噪试验,并基于相关系数与信噪比对降噪效果进行量化分析,结果表明该方法能有效滤除信号中的噪声成分。最后通过实测水电机组振动信号的降噪分析,验证了所提方法的工程应用效果。(2)水电机组变工况频繁且受多重激励耦合作用,使其故障类别与征兆间的复杂映射关系难以精确描述,制约了故障诊断精度的进一步提升。为实现机组故障的准确表征,本研究融合变分模态分解的非平稳信号处理能力与时间序列模型在处理复杂动力系统参数盲辨识时的优势,提出了一种基于模态分量多元自回归模型参数盲辨识的非平稳故障特征提取方法。为弥补回归模型在处理非线性、非平稳信号时的不足,该方法先对原始信号进行变分模态分解,继而由分解得到的所有模态分量建立多元自回归模型,并将辨识得到的模型参数构成故障特征向量。该向量有效反映了动态系统所蕴含的数学模型在结构和参数上的变化规律,可充分表征机组故障信息。在试验研究中,用所提方法提取振动故障信号特征,并结合支持向量机进行故障模式识别,试验结果验证了该方法的有效性,最后以白山2#机空蚀信号的特征提取实例验证了其工程实用价值。(3)针对水电机组故障诊断面临的样本分布不均匀与数量倾斜问题,本文将支持向量数据描述与K近邻理论相结合,提出了基于加权支持向量数据描述与模糊自适应阈值决策的故障模式识别方法。为减小样本分布情况在训练阶段对支持向量数据描述的影响,所提模型在训练时引入样本权重以体现不同样本的重要程度,先采用K近邻方法计算局部密度权重,并与样本规模权重一起组成复合权重。同时,针对不均匀样本下或多类超球模糊识别区分类精度低的情况,构建基于相对距离模糊阈值和KNN的决策规则,进一步提升支持向量数据描述的分类能力。数值仿真和机组故障诊断实例表明,所提模型具有较好的分类诊断效果。(4)水电机组运行状态变化过程中,伴随着由量变到质变的故障演化,而在故障发展早期及时捕捉相关征兆则是故障诊断的前提。为此,本文在水电机组状态趋势预测可行性分析的基础上,提出了一种基于聚合EEMD与支持向量回归的预测方法。该方法先采用EEMD分解状态变量序列,并对分解得到的各模态分量进行频率与能量分析,然后构建基于频率与能量相似性的聚合策略以实现分量聚合,再对聚合后的各分量分别进行相空间重构并建立最优支持向量回归预测模型,最后由所有聚合分量的预测结果累加得到最终趋势值。预测时通过所提策略对EEMD分解结果先进行聚合,可有效节约预测时间,并减小虚假模态分量对整体预测精度的影响。最后将所提方法用于二滩电站1#机组的振动趋势预测试验,取得了满意的应用效果。