随着现代工业化进程的迅猛发展,工业设备正朝着精密化、复杂化以及高度集成自动化的方向不断发展,设备的安全、稳定运行对企业生产具有极其重要的意义。水电机组作为水电企业生产过程中的核心关键设备,其健康状态直接关系到水电企业生产的安全性和经济效益;另一方面,水电企业的检修方式正朝着状态检修的新机制转变。因而,通过监测水电机组运行状态,实现对水电机组健康状态的准确分析和水电机组故障模式的有效判断,对于水电企业生产与状态检修体制都具有积极的意义。在综合分析水电机组故障诊断研究方法的发展状况,针对水电机组振动故障研究中存在的小样本问题,以及水电机组振动信号的非线性与非平稳特性,本论文结合正处于发展当中的支持向量机诊断方法,对支持向量机方法在水电机组故障模式分类、状态趋势预测、诊断模型参数选择等多个方面的问题进行了系统的研究。论文首先介绍了支持向量机方法的基本理论,分析了支持向量机标准算法在处理分类与回归问题的基本原理与算法。阐述了支持向量机标准算法的扩展形式——最小二乘支持向量机在分类与回归方面的基本原理与算法,并对比分析了这两种方法的差异,为支持向量机方法应用于水电机组故障诊断研究奠定了基础。利用支持向量机方法进行了水电机组振动故障模式分类研究。故障诊断在本质上可以看作模式分类问题。因而结合支持向量机在模式分类问题中的优异性能,将支持向量机应用于水电机组故障诊断研究,提出基于小波分解与最小二乘支持向量机的水电机组振动故障分类模型。利用小波分解提取水电机组振动信号的能量特征值作为水电机组故障的特征向量,通过最小二乘支持向量机建立水电机组振动故障多类识别模型。实例分析验证了分类模型的有效性。分析了设备运行状态发展的渐近性特征,具体阐述了水电机组状态预测的可行性,归纳总结了常用的预测方法,指出水电机组运行状态发展过程是一种从量变到质变的渐近性的发展过程。水电机组运行状态发展的渐近性特性是利用预测模型进行水电机组状态预测研究的重要理论依据。在水电机组状态预测的可行性分析基础上,针对表征水电机组状态的振动信号序列,分析了水电机组振动状态序列相空间重构,以及与相空间重构相关的振动序列嵌入维数和延时参数等问题,归纳总结了预测模型的评价原则与误差评价函数;提出了基于小波分解与最小二乘支持向量机方法的集成预测模型。该集成预测模型利用小波分解方法将具有复杂趋势信息的振动信号序列分解成若干个具有较明显规律的子序列;然后利用最小二乘支持向量机实现子序列的预测;最后集成这些子序列的输出作为振动序列的预测结果。对比分析不同预测模型对振动序列的预测结果,集成预测模型具有较高的预测精度以及与原始信号良好的拟合程度,能较准确的反映出信号的峰值变化,对水电机组状态预警具有一定的参考意义。模型参数选择是支持向量机研究中的重要内容,合适的模型参数才能使支持向量机模型获得满意的性能。结合遗传算法在复杂系统优化问题中具有的全局搜索能力,提出了基于遗传算法的最小二乘支持向量机预测模型的参数选择方法,并应用于水电机组振动状态预测研究。为水电机组故障诊断的支持向量机方法研究的模型参数选择提供了一种可行、有效的方法。支持向量机具有坚实而完善的理论体系,但是其在理论方法的研究,以及在故障诊断领域中的应用仍然处于不断的发展过程中。因而,支持向量机方法在水电机组故障诊断理论与应用方面的研究均有待于进一步的深入和完善。