燃气轮机的气路故障会改变其相关部件的性能,属于燃机频发的故障类型,影响燃机运行的安全性、可靠性和经济性。目前基于模型的性能分析方法是燃机气路故障诊断的主要途径,通过计算模型预测数据和实际测量参数的偏差来分析燃气轮机可能存在的故障,因此对燃机模型的精度有较高的要求。但在实际应用中,由于难以获取具体燃机准确的特性曲线、以及机理建模过程存在简化和假设等原因,可能导致燃机模型的误差较大,影响气路故障诊断的准确性。为了解决上述实际问题,本文提出了将混合模型应用于燃气轮机气路故障诊断的思路。结合燃机的机理模型和基于神经网络的数据驱动模型,本文从系统层面和部件层面分别建立了燃气轮机的混合模型,用串联修正或并联补偿的方式搭建了三种混合模型架构。通过比较上述混合模型和机理模型仿真结果,验证了混合模型通常具有更准确的仿真效果;三种混合模型之间,由于系统级的燃机混合模型避免了多个部件混合模型间的误差传递,因此具有最高的精度。从基于模型的气路性能分析原理出发,应用上述系统级的燃机混合模型,结合梯度下降优化算法与故障诊断判据,建立了基于混合模型的燃机气路故障诊断算法。利用进气道积灰、结垢水洗以及叶片损伤等燃机实际故障案例,对比分析将上述混合模型和机理模型应用于气路故障诊断过程的准确度,结果表明基于混合模型的气路故障诊断算法在诊断准确性、稳定性等方面都明显优于机理诊断方法,证明了混合模型有利于提高燃机气路故障诊断可靠性的设想。