由于燃气轮机结构复杂,且工作在“三高”——高温、高压、高速的恶劣环境中,极易发生故障。随着燃气轮机在航空、发电等领域的迅速普及,其安全、高效地运行是燃气轮机经济性和安全可靠性的基础保证。传统的发动机维护方式是以发动机工作时间确定其维修周期,按照统一规定中断发动机工作进厂维修,其缺点在于此维修方式仅把时间作为唯一参数,而实验表明发动机在运行过程中产生的故障带有随机性,同时故障发生前期往往伴随有相应的征兆,故在迫切的需求下,关于燃气轮机的在线监测和故障诊断技术,以及相应的健康管理系统渐渐发展起来。国内大部分研究是围绕着燃气轮机整体的健康状态监测、传感器故障诊断、振动状态的监测及故障诊断、气路故障诊断等,关于燃气轮机叶片在线监测和故障诊断技术极少,经统计涡轮叶片失效事件却占据燃气轮机部件失效事件的40%以上,因此针对燃气轮机涡轮叶片研究其特征提取及故障诊断技术具有重要意义。因此本文基于涡轮叶片温度数据,结合叶片的冷却结构,失效机制等,对涡轮叶片进行了一系列的数据分析,特征提取,并计算出正常叶片特征中心距取值范围,达到判别故障的目的。本文首先对涡轮叶片温度数据采取了十倍插值、对齐取平均、分割单个叶片的预处理方式,后又采用了三种数据分析方法,包括时域分析法,小波包分解法,分形理论分析法分别提取了涡轮叶片温度数据的时域特征,频域特征以及分形特征。时域特征包括叶片温度时域波形最大值、最小值和最小值的位置、9个“凹凸点”的温度值、2个“温降”和1个“温升”的温度跨度。频域特征包括利用小波包分解法分解出的前11个低频节点信号所占叶片温度信号的各能量百分比。分形特征包括利用分形理论计算叶片温度数据的容量维数即盒维数值和关联维数值。针对涡轮叶片常发生的故障种类,以满功率工作状态为例,对各类故障进行了四种程度的故障模拟,使用星座图描述本文提取的三类特征值分辨故障的能力,并应用了改进的K-means算法计算叶片温度信号的分类,基于分类结果使用改进的ReliefF算法分配各类特征所属权值,并剔除了权值为负的部分特征,根据三类特征向量及其联合特征向量计算每个叶片的特征中心,并计算每个样本的特征中心距,将超出正常样本特征中心距的信号判别为故障信号,另外本文细化了模拟故障,分析各叶片特征对故障类型的敏感度及敏感度与故障深度之间的变化关系,说明不同特征对不同故障在判别上的优势。