在我国北方,集中供热已经成为冬季采暖的主要方式。锅炉房作为供热之源,其经济有效、安全可靠的供热对千家万户的日常工作和生活至关重要。风机和水泵是供热锅炉房的主要耗能设备,一直处于高度自动化、连续化运行的状态,对其状态监测、状态查询、故障诊断、故障处理至关重要。然而当前的监测与诊断仍停留在人工操作与经验的基础上,因此本文提出以城镇供热GIS系统为基础平台开发的基于神经网络和支持向量机及其改进算法的供热锅炉房动力装置故障诊断系统,可以实时对设备进行管理,方便故障诊断,从而进行维修决策。本文通过对某热力公司的采暖期锅炉故障维修统计分析,发现供热锅炉房具有故障多样性、故障频率不均衡性和振动的破坏性的特点。其中风机和水泵有11种常见故障。结合供热锅炉房动力装置风机和水泵发生故障的特点,提出供热锅炉房动力装置智能故障诊断系统。选择Arc GIS作为系统开发的GIS平台,采用Geodatabase数据模型来管理供热管网及设备的空间数据信息。利用Microsoft Visual C++2010应用程序与MATLAB各自的优势开发出了故障监测诊断系统。针对供热锅炉房风机和水泵故障的不确定性和复杂性的特点,结合神经网络的自适应自学习能力和模糊系统利用语言描述来获取知识的优点,建立了基于t-s模糊神经网络的供热锅炉房动力装置(以风机为例)二级故障诊断模型,一级模型为基于t-s型模糊规则的多输入单输出的自适应模糊神经网络anfis模型,二级模型为基于t-s型模糊规则的多输入多输出的模糊神经网络模型。以风机和水泵常见故障振动信号的特征频谱峰值变化为依据,诊断故障类型,并对故障原因进行识别。应用matlab软件进行系统仿真测试,通过实例与bp神经网络进行对比分析,结果表明基于模糊神经网络的故障诊断方法收敛速度快、诊断精度高、效果较稳定,能够有效地诊断风机和水泵的故障。通过对支持向量机分类问题的基本理论与思想的分析,以及对线性分类、近似线性分类、非线性分类算法的详细推导和核函数的概念的引出,并且又通过惩罚参数c及rbf核函数中的参数g对非线性支持向量分类模型影响的分析,最终提出3种参数寻优的方法,分别建立了基于网格搜索算法、遗传算法、粒子群算法以及参数未经优化的供热锅炉房动力装置故障诊断模型,通过对故障诊断结果的比较,得出遗传算法和粒子群算法准确率相对较高,在算法的搜索寻优方式上更适合本研究对象场合。建立了基于二叉树的遗传算法优化svm和基于二叉树的粒子群算法优化svm的供热锅炉房动力装置故障诊断模型,通过故障诊断结果的比较,得出二者在寻优方面各有所长,需要根据具体的设备供热故障,来决定选择适用于不用情形的参数寻优方法。通过基于参数优化svm与基于二叉树的参数优化svm故障诊断结果的比较,得出基于二叉树的遗传算法和粒子群算法在结构和算法的寻优方面更适合本研究对象,值得推广。通过基于二叉树的参数优化SVM供热锅炉房动力装置故障诊断与模糊神经网络故障诊断结果的比较,得出基于二叉树的参数优化SVM故障诊断在研究高维数和小样本方面更具先进性,在算法上更具有适用性。