燃气轮机是目前重要的大型设备动力装置之一,在工业领域中得到了极为广泛的应用。燃气轮机因为结构错综复杂、工作环境十分恶劣,其部件很容易发生各类故障,将会直接影响整个设备的正常运转,造成重大的经济损失,甚至会危及到人身安全,因此,对燃气轮机进行故障诊断具有重大意义。涡轮叶片是燃气轮机运行的关键部件,长时间工作在高温高压环境下,极易发生故障,其是否能够正常工作直接影响整个设备的稳定,因此,将涡轮叶片作为燃气轮机的重点部位进行故障诊断技术的研究具有重要的实际工程意义。本文查阅并分析了大量动态系统的故障诊断技术,针对涡轮叶片的特点,着重探讨人工神经网络在叶片故障诊断中的有效性。同时,构建了基于回归神经网络的燃气轮机故障诊断系统。本文主要完成的工作包括:1)对燃气轮机及关键部件的失效退化原因进行详细研究,依据有关文献和燃气轮机实际运行情况资料对故障模式原理及其危害进行总结。对燃气轮机的涡轮叶片失效机理进行分析,建立燃气轮机涡轮叶片失效的故障树模型,基于故障树的燃气轮机故障模式分析对故障事件层次关系具有清晰化的效果。2)提出一种改进的Elman神经网络的故障诊断方法,提高诊断结果的准确性。采用人工神经网络(Artificial Neural Network,ANN)中的静态网络和动态网络分别对涡轮叶片故障进行诊断,Elman人工神经网络因其具有较好的动态特性从而表现出更优的测试结果。为提高诊断精度,进一步优化Elman网络的结构,通过添加可调权值,引入与当前时刻期望输出相关的前一时刻各层之间的传递数据,即OHF Elman神经网络,进一步提高了实验结果的准确性。3)提出融合粗糙集(Rough Set,RS)的OHF Elman人工神经网络故障诊断模型,提高故障诊断的效率和精度。利用粗糙集理论减少输入特征向量的维度,消除冗余信息,避免出现神经网络输入向量过大而降低网络训练速率和精度的现象,减少训练时间和计算量,从而提高神经网络对训练样本的学习效率。同时,神经网络处理粗糙集的后续工作,抑制了噪声对诊断模型的影响,提高了网络模型的学习与泛化能力。二者相互结合并协同工作,提高了故障诊断的水平。4)设计并实现了基于回归神经网络的燃气轮机故障诊断系统。系统可对燃气轮机采集数据进行显示、存储,并通过诊断模块对燃气轮机涡轮叶片的故障进行识别,为技术人员提供了技术支持,从而节省维护设备的成本。