张 进

(北京国电智深控制技术有限公司， 北京 102211)

在现代化工业技术的迅速发展下，火电设备不断走向大型化、集成化和自动化[1]。磨煤机作为火电机组重要的辅机之一，是电站锅炉制粉系统的核心设备，其运行状况直接影响锅炉的稳定运行[2]。电厂的总体性能和可靠性在很大程度上取决于机组的停机时间。如果没有煤粉用于燃烧，则会导致设备降负荷甚至停机。电厂无法产生电网所需的功率时，会导致经济损失，并影响电网信誉[3]。磨煤机运行在恶劣环境中时，会经常出现故障。目前，电厂为了保证稳定性与经济性，仍然主要采用计划检修。然而，传统的检修模式很难实现全面的状态监测和及时的故障预警，无法满足现代电力发展要求，磨煤机过高的运行负荷和故障率已然成为引人关注的问题[4]。因此，对磨煤机进行状态检测及故障预警对维持机组正常运行具有重要意义。

磨煤机的运行参数是典型的分布参数，具有很强的非线性和耦合性，对其系统动态特性进行研究具有很高的难度[5]。随着人工智能及神经网络技术的快速发展，设备运行监测与故障预警领域出现了新的研究热点，即基于数据驱动的建模方法逐渐优化和替代传统的建模方法，通过选取有效的设备特征参数作为神经网络训练的输入与输出数据，建立输入数据到参考输出数据之间的非线性映射关系。训练后的网络模型可用于设备的状态监测，并通过网络输出与实际输出的残差序列判断设备的运行状态，实现故障预警。……