随着我国电力工业的迅猛发展,火电厂锅炉设备的应用日趋广泛,作为火力发电中必不可少的重要动力设备,各企业对锅炉系统运行的安全性和稳定性也提出了越来越高的要求。因此锅炉系统结构愈发复杂且运行参数更加多元化,为了减少甚至避免故障的发生所带来的社会和经济损失,提高锅炉设备运行的安全性和使用寿命,对设备运行状态数据的实时监测和各种故障现象的及时精确的预警工作是具有极其重要的理论意义和实用价值的。本文主要从电厂锅炉设备在线监测数据的清洗、数据模糊化和故障预警方法三个层次开展了研究工作,研究能够实时监测锅炉设备运行状态的智能故障预警技术。本文提出了一种基于堆栈降噪自编码器的数据清洗方法。该方法首先引入Adam和SGD的混合优化算法,以不断调整堆栈降噪自编码器模型的最佳网络参数,训练后的模型可直接提取正常状态数据的隐藏特征,得到正常状态下的重构误差;然后用该模型分析不同类型的异常状态数据下的重构误差对模型的影响;最后对“脏数据”和反映设备故障的异常数据快速分类清洗修复。通过实验分析,该方法能有效快速地对锅炉设备在线监测数据进行分类和清洗,取得了良好的应用效果,验证了该方法的有效性和实用性。本文提出了一种基于 I-KE-FCM算法的数据模糊化方法。该方法在数据清洗的基础上,首先对锅炉设备的多个属性数据进行了相关性分析;然后对K-Means算法选取初始类中心的思想进行了改进,并将其结合信息熵理论,定性地确定全部属性数据最佳的类别分区数;最后将获取到的类别数和类中心赋予模糊C均值算法划分模糊区间,并将数据库中各属性的数据以不同等级下的隶属度表示出。通过实验分析,验证了该方法在时间性能上具有显著的高效性。本文提出了一种基于模糊关联规则的故障预警方法。该方法在数据模糊化的基础上,首先对锅炉设备的原始数据库按照最大隶属度原则将每个数据以最大隶属度所在的等级区间进行编号。然后介绍了能够减少生成候选项集的基于转置矩阵的模糊关联规则算法,并规定了最小模糊支持度和最小模糊置信度的选取原则,用基于转置矩阵的模糊关联规则挖掘编号后的新数据库,建立了正常运行数据状态下的规则库。最后将设备的故障数据与规则库进行了匹配,并将该方法与传统的模糊关联规则算法进行了对比。通过实验分析,证实了该预警方法的可行性。综上所述,本文所提出的方法能够快速准确地识别锅炉设备的故障状态,可以有效地避免安全事故的突发,能够为运维人员争取更多宝贵的抢修时间,保证了电厂工业生产的安全稳定运行。