汽轮机组的诊断一直是故障诊断技术应用的一个重要方面。在众多常见故障的发生率中,振动故障占了总数的95%以上。基于这种考虑才选定了汽轮机故障诊断技术研究一题,尤其是探索如何智能预测和诊断转子振动故障。本论文主要进行了基于小波分析的信号处理和基于神经网络的智能故障诊断两方面的理论上的研究工作。主要研究内容总结如下:(1)本文研究了小波(包)母函数及基的选择问题。小波及小波包变换在故障诊断领域中有着广泛的应用,它帮助我们获得大量故障信号的特征信息。但是,面对大量的小波母函数以及变换后的很多小波包基,我们需要选择合适的小波母函数及其基,因为并非任意的小波母函数及任意的小波包基都是合适的。(2)RBF网络训练的关键在于隐含层参数的确定。RBF网络目前已有的几种训练方法对于含有随机噪声的复杂样本训练速度过慢且分类性能不稳定。针对这些缺点,本文采用了改进的遗传算法——免疫遗传算法来优化RBF网络隐含层参数。同时,在训练过程中采用基于构造法的方法来寻找最佳的隐含层节点数。(3)本文采用“小波包—能量”法来提取信号的特征量。小波包分析能有效地提取汽轮机振动信号中的有用成分,作为故障诊断的依据。针对强噪声背景的高频振动信号,提出了一种基于能量的自适应阈值选取算法。本方法对于诊断频率分布范围较广且信号具有较强时变性和复杂环境下的故障有着良好的应用前景。在故障诊断中的实践也验证了该方法的有效性。