涡轮增压技术的应用可以使发动机的扭矩和效率提高20％～30％，使得汽油机节能10％～20％，柴油机节能20％～40％的良好效果，同时其排气污染、机械损失等也相应减少。机车涡轮增压器作为机车动力系统的组成部件，直接影响机车动力学性能及行车安全性，在实际运行当中，涡轮增压器出现故障是造成机破、临修的主要原因之一，对其有效的故障诊断与预测意义重大。为了实现对其故障的有效诊断与预测，本文研究主要包括以下几个方面的内容:　　(1)研究国内外涡轮增压器的故障研究现状与常用故障检测方法，指出现有方法的优点与不足和各类检测方法的特点;介绍机车涡轮增压器结构与工作原理，研究其性能曲线与特征参数，总结其常见的故障进行分类，分析其故障种类与机理，建立故障树;研究涡轮增压器的信号分析方法。　　(2)提出特征变量提取方法，提取时域与时频特征变量，重点研究经验模态分解(Empirical Mode Decomposition，EMD)理论，利用EMD分解的各本征模态函数（IMF）分量提取特征变量，并利用西储大学轴承故障数据验证EMD分解的准确性;针对在涡轮增压器转子系统振动实验中采集的数据，用EMD方法提取频域特征变量，并提取时域特征变量。　　(3)针对涡轮增压器转子系统的故障预测，引入灰色模型(Grey Model)，利用变量建立数据预测模型——灰色预测模型与基于正交多项式作最小二乘拟合预测模型，训练二叉树支持向量机(Binary tree SVM)，并建立灰色支持向量机的算法模型MGM(1，N)-BTSVM;提出改进二叉树支持向量机(improved binary treeSVM，IBTSVM)，创建MGM(1，N)-IBTSVM诊断与预测模型。　　(4)利用西储大学轴承数据，通过仿真分析，验证改进的MGM(1,N)-IBTSVM故障诊断与预测方法模型的准确性。在现有的实验条件下，利用LMS设备采集转子系统正常与不平衡工况下的振动数据，并通过MGM(1，N)-IBTSVM模型进行分类预测。该改进方法，突破了传统涡轮增压器故障诊断方法并实现了检测与预警一体化，为涡轮增压器的故障诊断与预警提供了重要的研究方法。