振动问题在水电机组中普遍存在。因此,对机组的振动信号作以有效分析与评价,准确识别与排除故障,对保障机组、电厂及电网的最优运行具有重要意义。本文以水电机组的振动信号为研究对象,将快速独立分量分析和集合经验模态分解进行有效结合,然后引入到机组振动信号的处理中;同时构建基于改进粒子群优化算法-最小二乘支持向量机的模型,用于振动故障的判别。首先针对水电机组振动激励源众多、传播路径复杂且容易产生耦合的特点,引入了快速独立分量分析(FICA)方法对实测信号进行分离,获得多个能表征不同振源的独立分量。在此基础上,提出FICA-EEMD特征提取法。即对FICA分离的各个独立分量作集合经验模态分解(EEMD),获得若干个本征模态分量(IMF),再将各个IMF归一化能量当作对应分量的特征值。与使用EEMD相比,FICA-EEMD具有一定的优势。然后将最小二乘支持向量机(LSSVM)引入到机组的振动故障诊断中。利用改进后的粒子群优化算法(IPSO)确定LSSVM的最佳超参数,并对传统的LSSVM进行有效的多分类扩展,进而构建相应的诊断模型,以完成对多种振动故障的精确判别。最后利用实测振动数据对上述理论与模型作以验证。可以证明,FICA-EEMD可有效提取到振动信号的特征向量,IPSO-LSSVM可准确识别出振动故障的类型,且相较于PSO-LSSVM、GA-LSSVM模型,具有更高的诊断精度及更快的运行速度,值得推广应用。