“无人值班”(少人值守)运行方式正在水电行业广泛推广并实施,“状态检修”也己成为一种新的发展趋势。在这种新形势下,不仅要求提高机组的自动化运行水平,更要求机组的运行具有极高的可靠性、安全性和稳定性。稳定性是机组工作性能中的一项重要指标,对其评价主要通过衡量机组的振动水平来进行。因此,本文从振动角度出发,针对水轮发电机组的振动特点,采用基于神经网络和小波包方法分析机组振动原因。对选题及其相关背景进行了探讨,并对小波基础理论和神经网络基础进行了阐述。针对实际应用,对小波和神经网络的相关应用算法进行了详细探讨。主要工作内容包括以下几个方面:本文首先研究了水轮发电机组的振动与其他旋转机械的振动的不同,由于水力、机械、电气三方面因素引起的振动形成的祸联、振动故障与振动特征的非对应性及多种振动在某部位的叠加,形成了水轮发电机组振动的复杂性。然后在研究小波理论在信号去噪方面的原理和算法的基础上,针对水力机组故障信号的特殊性,通过对比小波包几种去噪方法的分析,针对特定信号选取最合适的消噪方法,从而得到了既能保护信号的奇异性特征,又可以取得较好信噪比的新的信号去噪方法,并将其应用于仿真计算,取得了较好的效果。其次是针对水力组振动故障信号,根据小波包变换的线性特性与能量守恒特性,提出了一种基于小波包变换的故障诊断方法,通过小波包分解的能量特征,得到了故障信号的时域和频域特征,将其与BP网络有机结合在一起,利用BP神经网络良好的自学能力和容错性,建立基于小波包特征提取的BP诊断网络模型。样本信号经过预处理后,在送给BP神经网络进行训练时,有效减少了BP网络的输入节点和隐层节点的个数,从而减小了神经网络的规模,降低计算的复杂度,加快网络的训练速度。并针对不同故障模式进行识别,使该网络可在少量典型故障样本监督下训练成功,经过南椏河水电站的实测数据进行实例仿真分析取得良好效果。