水电资源作为清洁能源的代表,其可靠地供应能够有效地解决环境污染问题,维持经济和社会的可持续发展,因此,在实际生产中保证水电机组安全稳定运行尤为重要。据统计,水电机组中超过80%的故障都在振动信号中有所体现,因此,有效地分析和提取水电机组振动信号特征,准确地诊断故障,对水电机组的安全稳定运行具有重要意义。本文以水电机组的振动故障为研究对象,提出了一种基于奇异值分解和深度置信网络多分类器的水电机组故障诊断方法。主要的研究内容和成果有:首先,针对水电机组早期故障信号信噪比低的问题,采用了基于奇异值分解的水电机组振动信号降噪方法,并进行仿真验证。对包含噪声的振动信号构造Hankel矩阵,并对其进行奇异值分解,在相空间重构过程中对构造的Hankel矩阵的有效奇异值的四种阈值选择方法进行研究,经过对比,得出奇异值差分谱法的降噪效果优于其他三种奇异值阈值选择方法的降噪效果。同时将奇异值差分谱法的降噪效果与小波变换的降噪效果进行对比,得出奇异值差分谱法降噪效果明显优于小波变换的降噪效果。然后,针对水电机组振动信号特征向量构造复杂的问题,采用了基于奇异值分解的水电机组振动信号特征提取方法,并进行仿真验证。利用降噪后的振动信号构造吸引子轨道矩阵,并对其进行奇异值分解,以分解出的奇异值序列作为降噪后振动信号的特征向量。通过仿真分析得出该方法能够可靠、有效地获得各种状态的真实特征。其次,针对传统的浅层神经网络分类器在分类时容易发生过拟合和陷入局部最优的问题,采用了基于深度置信网络多分类器的水电机组故障诊断方法。研究了深度置信网络的结构和训练过程,对深度置信网络在水电机组故障诊断模型建立过程中的节点数、权值、偏置等相关参数的设置和诊断过程进行了探讨。最后,通过工程实例验证本文所提出的水电机组故障诊断方法。将该方法与深度置信网络子分类器、BP神经网络、多分类支持向量机等分类器和奇异值中值法、小波变换等降噪方法进行对比,并用未知故障类型样本进行验证,结果表明,本文所提出的水电机组故障论断方法识别准确率更高、运算速度更快,能够更加稳定、可靠、高效地识别出水电机组的故障类型,具有一定的应用价值。