目前我国电力工业进入了一个新的快速发展阶段,现代化大型火电机组向高参数、大容量方向发展,电厂系统设备日益趋于复杂化和集成化,系统的投资也不断增加。与此同时,火电厂一些关键设备的可靠性、可用性、可维修性与安全性的问题也日益突出。磨煤机是火力发电厂制粉系统中的重要设备,通常必须在非常恶劣的条件下运行,其工作状况对整个电厂系统运行的安全性和经济性具有重要影响,能及时诊断故障和及时纠正就显得尤其重要,所以进行磨煤机设备的故障诊断是十分必要的。有效的故障诊断与维修决策可以随时掌握磨煤机设备技术状况和应采取的措施,避免突发性故障和控制渐发故障的发生,降低设备维修成本,增加设备可利用时间,从而提高设备的运行效益,创造良好的经济效益。因此,火力发电厂磨煤机的故障诊断意义十分重大。 由于磨煤机运行环境的复杂性,对其故障诊断的发展也比较缓慢,当今国内对磨煤机故障诊断的研究主要有三方面：故障现象分析,故障树分析法和基于信息融合技术的故障诊断。支持向量机方法由于具有理论完备、全局优化、泛化性能好等特点正成为人工智能研究领域的研究热点,而核主成分分析方法由于具有特征提取速度快,特征信息保留充分等特点,也被越来越多的研究者所重视。本文将二者相结合应用于火电厂制粉系统中速磨煤机的故障诊断中,本文主要的工作内容如下： (1)阐述了课题研究的背景和意义,概述了设备故障诊断技术的发展阶段,综述了设备故障诊断的技术方法以及国内外电站故障诊断技术的发展及应用。同时对磨煤机故障诊断的研究现状进行了分析总结,指出现今国内对磨煤机故障诊断的研究主要有三方面：故障现象分析、故障树分析法和基于信息融合技术的故障诊断。在综述常用经验建模方法以及比较支持向量机与人工神经网络的基础上,提出了基于KPCA特征提取的LSSVM方法：利用核主元分析(KPCA)对数据进行特征提取,消除数据的相关性和噪声,提取包含样本数据信息的主元,降低样本空间的维数,这些新特征作为最小二乘支持向量机(LSSVM)的输入,利用最小二乘支持向量机进行训练,建立中速磨煤机故障诊断模型。 (2)对核主成分分析(KPCA)进行了理论简介,同时介绍了最小二乘支持向量机(LSSVM)的基本原理及优缺点,随后简单地阐述了基于KPCA特征提取的LSSVM建模。 (3)对制粉系统中速磨煤机的结构、工作原理与常见故障进行了分析。中速磨煤机运行中的常见故障有磨煤机内着火、磨煤机振动大、刮板断裂、磨煤机负荷加不上、给煤过多、石子煤箱充满、磨煤机堵煤、磨煤机漏粉等,本文在介绍制粉系统中速磨煤机结构与工作原理的基础上,分析了故障发生的原因及其影响因素,提出了主要故障的处理对策。 (4)以某电厂HP碗式中速磨煤机为对象进行了故障试验,获取了磨煤机的故障数据：运用KPCA-LSSVM方法进行了故障诊断建模；通过现场试验,随机抽取检验样本对该中速磨煤机故障诊断模型进行验证；同时探讨了在特定的核参数情况下,主元个数对故障诊断正确率的影响关系。 通过以上工作,本课题得出以下结论： (1)通过对磨煤机故障诊断的研究现状进行分析总结,得出现今国内对磨煤机故障诊断的研究主要有三方面：故障现象分析、故障树分析法和基于信息融合技术的故障诊断。 (2)通过对神经网络与支持向量机的分析比较,结合核主成分分析(KPCA)方法,本文提出了基于KPCA特征提取的LSSVM方法,建立了火电厂制粉系统中速磨煤机故障诊断模型。 (3)通过现场试验,随机抽取检验样本对所建立的中速磨煤机故障诊断模型进行验证,仿真结果与现场实际故障吻合,说明了此故障诊断模型准确度高、泛化能力强。 (4)通过先优化选取最佳核参数,然后在最优核参数下针对不同的核主元个数进行分析,结果表明在特定的核参数情况下,主元个数为6时,可以获得较高的故障诊断正确率,且此时主元个数也减缩到最佳值。 集成KPCA和LSSVM的磨煤机故障诊断方法为电站磨煤机故障实时诊断与预测提供了一种重要的手段,其具有运行时间短、适应范围广等优点,具有很好的推广应用前景。