神经网络具有良好的非线性映射能力,而D-S证据理论在表达不确定性方面具有独特的优势,两种方法均在故障诊断领域得到了广泛的应用。本文基于BP神经网络、Elman神经网络和D-S证据理论,提出一种神经网络和D-S证据理论进行融合的方法。该方法使用D-S证据理论将BP神经网络和Elman神经网络的输出数据进行信息融合后对汽轮机组的故障类型进行判断。利用该方法,可以充分利用汽轮机组的故障征兆信息,减少故障诊断的不确定性。本文从汽轮机组故障诊断实际出发,阐述了开展汽轮机组故障诊断研究的重要意义与目的,简要介绍了汽轮机组故障诊断技术的国内外发展现状以及目前应用于汽轮机组故障诊断的常用方法,系统地分析归纳了汽轮机组振动的机理、主要故障及其故障征兆、故障特征提取技术。针对一种神经网络对汽轮机组进行故障诊断时诊断结果不确定性较高,本文利用网络分块技术对汽轮机组进行故障诊断,在讨论了BP网络和Elman网络基本原理的基础上,利用汽轮机组振动特征频谱归一化后的数据作为训练样本对BP网络和Elman网络进行训练,将其输出转变为信任度后作为D-S证据理的证据。然后采用D-S证据理论融合各子网络的诊断结果,从而得到最终诊断结论。用MATLAB R2009b作为仿真平台,对神经网络和D-S证据理论相结合的故障诊断方法进行了仿真,将仿真结果与仅使用BP网络或Elman网络进行对比,可以验证本文提出的故障诊断方法有效降低了故障诊断的不确定性。最后对全文的主要工作进行了总结,指出了研究的不足和今后进一步研究的方向。