火电机组低负荷下运行能够为可再生能源提供充足的并网空间,是解决弃风弃光问题的有效途径。然而,低负荷运行时火电厂各类辅机偏离正常运行条件,出现故障的概率大大增加,这对电站辅机的安全监控的实时性、动态性与智能化水平提出了更高的要求。为了对辅机状态进行全方位感知与状态信息的深度挖掘,本论文通过布置振动、噪声传感器以完善辅机的检测手段,在对振动、噪声信号作特征提取的基础上作进一步的状态定量评估与识别;基于过程变量历史数据建立辅机正常运行的标准模型,通过计算观测值与估计值的差异定量评估辅机状态。最终通过基于小波能谱熵的振动状态定量评估、基于堆叠自编码(Stacked autoencoder,SAE)的噪声状态识别以及基于多元过程变量的状态估计实现辅机运行状态的定量评估与识别。论文研究工作与结论主要包括:(1)针对低负荷下辅机设备的常见故障及其主要表现形式,同时结合实际现场情况,完成辅机安全监控系统整体方案的设计。对于方案中智能前端部分,本文详细介绍硬件的组成框架与所选的振动、噪声传感器,并基于LabVIEW完成智能前端信号采集、信号处理以及数据通讯等功能的开发与测试。(2)研究振动、噪声信号的特征提取方法。对振动信号进行小波包分解提取8个频带的能量,并求取小波能谱熵来表征设备运行的不确定性,并对实际磨煤机振动状态进行定量评估;对噪声信号进行1/3倍频程处理,提取各频带的能量分布。最后利用模拟噪声数据与实际给水泵噪声数据加以验证,结果表明所提出的特征提取方法准确有效。(3)提出了基于噪声特征的辅机状态识别方法。通过在实验室下搭建风机监测平台获取噪声信号,利用1/3倍频程提取噪声信号特征以训练SAE网络,基于欧氏距离表示自编码网络的输入值与重构值间的差异。最后利用实验室风机的正常运行数据与故障跳闸前的数据进行验证,结果表明自编码网络可以区分风机正常状态与故障状态,为实际机组低负荷下辅机的状态识别提供参考。(4)提出了基于多元状态估计技术(Multivariate State Estimation Technology,MSET)的电站辅机故障预警方法。以SIS过程变量历史数据为基础,通过等距抽样方法筛选构建过程记忆矩阵,并定义相似度函数表示模型观测值与估计值的偏差。基于区间估计思想设计了相似度的自适应阈值,同时定义误差贡献率与累计误差贡献率对故障进行早期诊断与定位。利用人工模拟的线性偏差故障与磨煤机堵煤故障进行验证,结果表明所提模型能够降低预警的误报与漏报次数,且能够提前对潜在故障进行预警以及初步诊断。