燃气轮机是一种应用广泛的动力机械。开展燃气轮机的故障检测与诊断对于其安全可靠运行有着极其重要的意义。随着人工智能和大数据技术的蓬勃发展,数据驱动的燃气轮机智能故障检测与诊断受到研究者的广泛欢迎。然而,在燃气轮机的实际运行数据中,故障案例的稀缺是不可避免的。特别是新投入运行的燃气轮机,在其运行初期,各部件处于健康状态,此时可获得的运行数据中通常只包含正常样本。新投入运行的燃气轮机在运行一段时间后,会积累少量的故障数据。此时,正常数据远远多于故障数据,处于极度的类不平衡状态。即使燃气轮机运行了很长一段时间,类不平衡现象仍然存在。故障案例的稀缺给数据驱动的燃气轮机故障检测与诊断带来了严峻的挑战。针对故障案例稀缺场景下的燃气轮机智能故障检测及诊断问题,本文开展了如下研究工作:首先,本文利用单轴燃气轮机和船用三轴燃气轮机的非线性部件级模型,对两种燃气轮机的典型气路故障特性进行了分析,比较了气路故障对可测参数的影响与工况和环境条件变化对可测参数的影响,针对故障案例稀缺场景下的燃气轮机故障检测及诊断,提出了抑制工况和环境条件干扰、凸显故障的研究思路。第二,针对燃气轮机运行初期只有正常数据的场景,本文首先完全从数据驱动的角度出发,研究了一类支持向量机、主成分分析、孤立森林和局部异常因子四种一类模式识别方法在仅有正常数据的故障检测问题中的检测效果。在Taurus70单轴燃气轮机和某船用三轴燃气轮机上的实验结果表明这四种方法均能取得一定的故障检测效果,其中采用RBF(Radical Basis Function)核函数的一类支持向量机算法取得了相对较好的故障检测精度。第三,针对燃气轮机运行初期只有正常数据的场景,本文融入了燃气轮机的物理机理,提出了常模式提取的故障检测方法。通过布雷顿循环和燃气轮机基本原理,揭示了单轴燃气轮机正常运行时各测点间的固有映射关系,消除了工况和运行条件对故障检测的干扰,并通过NARX(nonlinear autoregressive with exogenous inputs)神经网络实现了单轴燃气轮机准确的常模式提取和灵敏鲁棒的故障检测。该方法在Taurus70单轴燃气轮机正常数据上的检测精度达98.67%,在单轴燃气轮机故障数据上的检测精度达99.96%。与上述四种一类模式识别方法的比较实验表明,常模式提取方法显著提高了单轴燃气轮机的故障检测精度。第四,针对燃气轮机运行初期只有正常数据的场景,本文进一步提出了由多个常模式模型组成的常模式阵列。常模式阵列方法通过时序挖掘能力较强的长短期记忆网络进行辨识,并通过多个常模式模型的协调决策实现灵敏鲁棒的故障检测。在船用三轴燃气轮机上的实验结果表明,常模式阵列方法的正常数据上取得了96.97%的检测精度,对13种常见气路故障均能获得99.86%以上的检测精度。与单一的常模式模型方法和上述四种一类模式识别方法相比,常模式阵列方法显著提高了燃气轮机的故障检测精度。最后,针对极度类不平衡场景下的燃气轮机故障诊断,本文系统地研究了随机过采样、SMOTE(Synthetic Minority Oversampling Technique)过采样、Borderline-SMOTE过采样、随机欠采样、Near Miss欠采样和加权支持向量机在极度类不平衡场景下的燃气轮机故障诊断效果。实验结果表明过采样方法和样本加强方法均能提高极度类不平衡场景下的燃气轮机故障诊断精度,其中过采样方法对诊断精度的提升最大。综上,本文在仅有正常数据的场景下实现了单轴燃气轮机和船用三轴燃气轮机灵敏鲁棒的故障检测,在极度类不平衡场景下大幅度提高了燃气轮机的故障诊断精度,从而为故障案例稀缺场景下的燃气轮机故障检测与诊断提供了有效的理论指导。