随着我国电力工业的迅速发展,大容量汽轮发电机组成为电力生产的主力机组,这对故障诊断技术提出了更高的要求。新型机器学习算法的出现促使传统故障诊断方法逐渐走向智能化,但现实中故障样本信息很难大量被采集到,而支持向量机(SVM)是针对小样本信息的机器学习算法。本文依据one-against-one多类学习算法,引入混合核函数技术,构造基于混合核函数的SVM故障诊断模型,实现SVM对机组多类故障的分类识别。　　 文中阐述了核函数理论并探讨了核函数选择原则,分析了惩罚因子对SVM的性能影响；引入混合核函数技术并简单测试了几种混合核函数的性能。　　 故障信息特征的采集与提取是进行故障诊断的前提。作者研究了故障征兆的提取方法,并利用Mann-Kendall趋势检验法提取故障信息的时间趋势征兆；依据Shore振动特征分析表,在不同频域段对故障信息的频域特征进行提取。最后将所有故障样本数据转换为LIBSVM所要求的数据格式。　　 文中介绍了LIBSVM软件包的安装与使用,并基于RBF核函数源代码实现混合核函数算法。依据one-against-one学习算法,本文利用网格搜索法和PSO算法,分别优化选择混合核函数的参数,构造出基于混合核函数的SVM故障诊断模型,将其应用在汽轮机组几类故障分类识别中。分析数据表明,与RBF核函数SVM方法相比,该方法具有更高的故障识别精度,识别率达到98.33％。