烟气轮机是石油化工行业最常见的关键设备之一,烟气轮机机组的运行情况直接关系到催化裂化生产的运行周期和能耗水平,对保证生产装置正常平稳运行和节能降耗具有重要意义。研究一种有效的在线监测与故障诊断平台,对烟气轮机进行准确的趋势预报、故障诊断和维修决策,不仅可以降低维护成本,更可以降低发生事故的风险,保证烟气轮机长期安全、高效、平稳的运行,因此,对烟气轮机的故障诊断具有重要的现实意义和经济价值。通过调研烟气轮机的生产运行概况、故障产生的原因及诊断方法、特征信号和传感器的选择以及智能故障诊断领域的现状及发展趋势,完成对在线监测系统的理论研究;在炼油厂设备控制中心实现了故障数据样本的采集,用小波包方法对原始故障数据进行预处理,采用db4小波对降噪后的数据信号进行3层小波包分解,实现样本信号特征向量的提取。支持向量机是一种专门用于研究小样本情况下统计规律学习方法的理论,它很好的解决了小样本、非线性、高维数等实际问题。通过对三种重要统计学理论VC维、经验风险最小化原则和结构风险最小化原则进行深入讨论,同时研究了线性、近似线性和非线性支持向量机以及用于分类的常用算法,完成对支持向量机的理论研究;建立烟气轮机故障诊断软件平台LIBSVM,结合小波包的故障数据预处理,将提取好的特征向量作为输入样本,分别采用遗传算法(GA)、网格搜寻算法(Grid Search)和粒子群优化算法(PSO)进行支持向量机参数寻优,并选取径向基核函数和寻优后的最佳参数<c,g>组合建立诊断模型对样本进行模式识别。实验结果表明:采用粒子群优化算法进行参数寻优建立的支持向量机诊断模型在烟气轮机故障诊断中具有较好的识别能力和良好的可行性。