中文摘要：

基于Hilbert-Huang变换, 拟对汽轮发电机组振动信号进行时频分析，研究多时间尺度下频率成分变化趋势，探讨高频成分变化趋势与机组故障从孕育到严重状态的演化规律之间的关系，结合剩余寿命理论识别机组故障发生的时间。以数据库中历史数据为依据，拟以动态时间弯曲方法在多时间尺度上统一表示频率征兆趋势,设计出适宜的征兆趋势的分段、提取和分类的算法。探索基于统计的距离相似测度估计模型识别故障频率征兆趋势相似度，估计相似度临界点的值，分析故障估计点时间误差原因。拟以回溯追逐技术寻找故障的初始点，以零部件剩余寿命预测方法为基础，预测机组还能正常持续运行的时间。研究基于趋势分析数据驱动特征的智能故障预测和诊断技术，为汽轮发电机组的智能故障预测提供一种灵敏而有效的方法。 本项目属于技术科学的基础性研究，是故障诊断的研究前沿，对提高我国汽轮发电机组故障预测和诊断的技术水平有重要意义。

结论摘要：

汽轮发电机组因意外故障会导致灾难性的后果，然而由于机组设备系统复杂和规模庞大造成故障征兆信息不完整性，准确地预测设备故障存在困难，本课题主要对汽轮发电机组的实时故障预测和诊断技术进行研究，研究内容包括以下几个方面。（1）. 研究了汽轮机组故障趋势预测的算法对于故障预测中故障征兆的趋势演化规律，基于Sohre表中汽轮机组主要频率的分类，提出了基于频率趋势的故障预测的新方法，给出了新的滑动窗和自上而下的数据分段方法和频率趋势特征提取方法，验证了数据分段方法的正确性。分别提出了基于最值点和极值点的时间序列分段线性表示方法以及基于局部最值和斜率的分段线性表示方法来提取状态监测数据的趋势特征，提取子序列的近似局部变化趋势特征。在此基础上，提出了基于约束的全局多段多项式拟合的时间序列定性趋势分析方法。通过融合EEMD分解平稳化处理和ARIMA，建立混合预测汽轮机振动信号趋势的模型。（2）. 研究了故障信号的分析方法提出了基于NCT的谱峰搜索方法估计滚动轴承的瞬时频率的阶次解调分析方法。分别采用EMD和EEMD方法分解历史数据，提出选用相互关系数和峭度值均较大时对应的IMF合成信号。研究了快速 Kurtogram算法和最佳带宽选择原则，确定包含故障信息的频率带，利用平方包络方法进行重构，采用FFT谱或者1(1/2)谱识别出相应的故障类型。提出了采用马田系统检测轴承初始故障和区分性能退化状态的方法，通过试验发现能很好地识别初始故障和区分性能退化的四个阶段。（3）. 研究了汽轮发电机组故障诊断专家系统提出了一种基于概率理论的汽轮机故障规则提取方法，通过已经发生的故障案例进行概率计算，可以得出每种故障征兆发生时对应故障原因的可信度。研究了集成规则推理和案例推理的汽轮发电机组故障诊断专家系统的总体设计，结合C#、SQL server、CLIPS以及MATLAB，开发了状态监测与故障诊断软件。采用面向对象的方法表示故障案例，建立了汽轮发电机组故障案例库，提出分层检索与比值相似度算法结合的案例检索方法。研究了故障诊断专家系统中不确定性的来源，提出了基于二维全息谱和贝叶斯风险决策的概率分类模型，运用贝叶斯最小风险决策简化故障类型，通过二维全息谱图和证据组合理论，得到故障类型及发生的概率。