李德忠， 杨　柳， 胡　蓉， 任资龙， 谢小鹏， 向春波

(湖南大唐先一科技有限公司， 长沙 410007)

电站磨煤机作为锅炉燃烧制粉系统的核心设备，其工作状况对整个电厂系统运行的安全和经济性具有重要的影响。在火力发电机组等效非计划停运的所有影响因素中，磨煤机故障是主要原因之一，其故障直接影响了锅炉机组运行稳定性、燃烧经济性和机组出力。因此，研究磨煤机的故障诊断具有重要意义[1]。

由于火电厂磨煤机运行环境的复杂性，磨煤机的故障过程中存在着不确定性:同一故障类型表现为多种不同的故障征兆；往往不同故障类型也可能产生不同的故障征兆；不同故障征兆之间往往也存在相互关联的关系。传统的故障诊断方法往往很难取得理想的效果[2]。

近年来，在机器学习领域中备受瞩目的支持向量回归机(SVR)在许多领域得到了成功的应用，显示出巨大的优越性：SVR计算的复杂度与训练样本变量的维数无关，能有效解决高维问题。目前广泛使用的统计故障诊断方法包括主元分析法(PCA)、Fisher判别分析法(FDA)和独立成分分析法(ICA)[3]。这些方法都是线性降维方法，即假设变量之间满足线性相关关系，可通过降维和提取独立变量来实现故障诊断；但对于磨煤机这种复杂过程，变量之间往往呈现出强耦合性和非线性关系，需采用非线性方法对磨煤机进行故障诊断[4-6]。因此，笔者采用SVR对火电厂数据进行预测。

1　预测模型

1.1 标准化处理

采用标准分数对数据进行处理，可以反映一个数据距离平均数的相对标准距离，公式如下：