本文以国家自然科学基金资助项目:“定量评价旋转机械振动状态的融合信息熵方法研究”为课题背景,以火力发电厂中的大型汽轮发电机组为研究对象,对汽轮机轴系典型振动故障诊断中的信息融合与定量诊断进行了研究,分别从时域、频域及时频域探讨了故障信号的信息融合方法,并将部分研究成果应用到实际的汽轮机故障诊断系统中。首先,根据论文研究的需要,设计了汽轮机转子轴系故障模拟试验方案,并对各种故障进行了多组升速试验,获取了大量的故障试验数据,为论文的研究工作奠定了分析基础。对故障信号进行了傅立叶分析,以三维幅值谱和升速过程波德图为工具,对故障信号的频域信息进行了融合研究,同时验证了故障数据的正确性。第二,研究了连续小波变换灰度图对信号的识别能力,提出利用小波灰度矩作为定量指标对信号的时频信息进行融合,对转子试验台故障模拟试验信号的研究表明,灰度矩可对汽轮机轴系故障进行有效识别,具有较好应用前景。在灰度矩研究基础上,进一步提出了分区灰度矩的思想,并提出利用一阶矩向量三维图对信号进行识别。研究表明,一阶矩向量三维图不仅融合了信号的时频特征,还融合了信号的空间特征,因而可用来对故障的产生过程进行全面分析,是进行轴系典型故障诊断的又一有效工具。第三,基于信息熵方法,对故障信号的奇异谱熵、功率谱熵、小波能量谱熵、小波空间状态特征谱熵进行了融合研究,采用最小距离分类器和概率神经网络对四种信息熵特征进行了融合研究,并对融合结果进行了对照分析。研究表明,传统最小距离分类器对汽轮机轴系故障的识别能力较差,而改进的最小距离分类器通过对类中心的细化,有效提高了故障识别能力,在实时应用中具有一定的应用前景;概率神经网络综合了Bayes分类器和神经网络的优势,对汽轮机轴系典型故障具有很好的分类能力,故障识别正确率远远超过最小距离分类器,是实现汽轮机轴系故障识别的一种可行的诊断方法。第四,研究了振动信号的分形维数对故障的表征能力。振动信号的分形维数较好地融合了波形的时域信息,可以定量地评估该时间序列在基线附近波动的不规则性,因而可实现对故障的识别。在对关联分形维计算研究的基础上,提出利用信号的二进小波高频重构信号计算关联维数。对转子试验台故障模拟试验信号的原始采样信号和高频重构信号分别计算了关联维数并进行了对照分析,结果表明,经过高频重构后的关联维数能够更好地进行故障识别,是对汽轮机典型故障进行定量诊断的有效时域特征,值得进行深入的理论和应用研究。最后,研究了小波灰度图及小波灰度矩在实际诊断系统中的应用。研究了小波算法的程序实现,将小波灰度图及小波灰度矩作为独立的小波诊断模块,应用在某省的“汽轮机组振动远程监测及故障诊断专家系统”中。作为故障诊断的辅助模块,小波诊断模块在该远程诊断系统中发挥了应有的作用。