近年来随着计算机技术的飞速发展,基于数据驱动的汽轮机智能故障诊断也随之兴起。采用数据驱动的方法可以对故障进行检测与诊断,但故障数据集的缺乏使得对故障进行特征提取与模式识别变得困难。为了解决故障数据集缺乏的问题,本文基于自编码神经网络、数据增强、向量相似的方法,在只有汽轮机正常与非正常数据集的情况下开展了下述几个方面的研究:1)本文用局部离群因子、时间重采样、滑动中位数、最小协方差行列式估计几种方法对汽轮机数据集进行预处理,解决了其原始数据中存在离群点数据、噪声较大、数据在时间上不同步以及无法区分正常数据集等数据质量方面的问题。经处理后的数据可直接用于算法训练以及数据分析。2)对比了自编码神经网络（也叫自联想神经网络）、主成分分析、核主成分分析三种算法,分析得出自编码神经网络在本文数据集上具有较优的适用性。并选取最优算法参数和合适的重构变量,用自编码神经网络重构了汽轮机数据。根据汽轮机通流部分相关理论和故障行为特征,得出了其存在磨损故障的可能性。3)结合数据增强及自编码神经网络,提出了一种增强算法鲁棒性的训练方法。分别在单变量异常与多变量关联异常时,对原始算法与增强算法进行了对比分析,结果表明此训练方法可以有效的增强算法鲁棒性。4)采用余弦相似度方法,分析了汽轮机健康状况评价指标以及故障匹配度。通过对汽轮机运行数据的分析,发现汽轮机健康指数逐渐下降,且磨损故障匹配度逐渐上升,与前文研究及现场结论一致。本文通过数据增强的自编码神经网络方法,在故障数据集不完善的条件下实现了故障的发现与识别。证明了在无足够故障数据集时,对正常工况数据进行建模,通过重构数据的表现分析汽轮机故障的可行性以及其在无故障数据集时的优越性。在后续研究中可以考虑把本文的研究内容用于汽轮机的在线监测与故障诊断。