随着我国能源结构调整的逐步推进,新能源装机规模不断增大,大容量汽轮发电机组需要承担调峰任务,使其运行工况多变;同时,串联电容补偿、高压直流输电等电力电子装置在电网中广泛应用,使电网结构日趋复杂。在机电网多因素耦合作用下,汽轮发电机组发生各类故障的风险增大。本文在深入分析汽轮发电机组典型故障机理的基础上,结合信号分析、人工智能等理论和技术,研究了面向工程实践的汽轮发电机组故障诊断方法及系统,对于保证其安全和高效运行具有重要意义。首先,结合系统理论以及复杂设备的故障特点,分析了复杂设备故障形成和演化的共性规律。在其指导下,灵活运用故障模式及影响分析(Fault Mode and Effect Analysis,FMEA)和故障树分析(Fault Tree Analysis,FTA)技术,融合汽轮发电机组运行中涉及的各类专业知识,对机组11大类、31小类典型故障的因果链、故障影响、处理措施和故障特征进行了分析,获得了故障的多元诊断信息。故障诊断问题中的大数据不但要注重数据量,还应关注数据的全面性,研究得到的故障知识是诊断大数据的重要组成部分。其次,结合故障机理中关于识别特征的分析结果,研究了汽轮发电机组典型故障特征的提取方法。采用频谱分析、包络拟合技术,对振动频域和扭振阻尼特征进行提取;考虑到汽轮发电机组运行工况多变,将核密度估计、支持向量回归等信号分析和人工智能算法应用于参数基准区间确定和限值特征提取,实现特征与工况解耦,可更早的发现设备运行异常;此外,采用定性趋势分析和相关系数法对时间趋势和相关关系特征进行识别,并给出了识别规则。本文以实现故障诊断这一目标为导向,从应用端思考故障特征提取的需求,所提取的特征能更有效的表达设备状态和识别故障。再次,针对大多数故障诊断方法只利用振动频谱等少量特征,而造成诊断效果不佳的问题,建立了汽轮发电机组故障诊断的贝叶斯网络(Bayesian Network,BN)模型,实现了多元信息的有效融合。所建立的BN由FTA和FMEA结果转化而来,综合考虑了故障因果链、故障特征等多方面知识,使诊断结果更加科学;结合故障与特征间的逻辑关系、因果影响独立模型等对BN参数合理赋值,减少了主观因素的影响;采用联合树算法进行诊断推理,得出设备肯定发生的故障、可以排除的故障以及可能发生的故障,并对故障发生可能性进行排序,使诊断结果能更有效的辅助设备运行和维护工作的开展。最后,利用多智能体技术,设计和开发了汽轮发电机组状态监测和故障诊断系统。设计了数据采集、数据分析、故障诊断和健康评价模块的功能,结合先进的数据采集和通讯、编程开发、大型关系型数据库等技术,完成了某1000 MW汽轮发电机组监测和诊断原型系统的开发。