风机是火电厂中常见的重要辅机设备,对火电厂的生产起着重要的作用。在实际生产中,风机的运行环境恶劣,容易发生故障,而风机故障将给火电厂带来生产利益损失,甚至引发重大生产安全事故。实时监测风机的运行状态,对风机进行故障预警,对于火电厂运行安全性与经济性具有重要意义。本文主要研究基于多元状态估计法的火电厂风机状态监测与故障预警方法,在故障发生之前,及时发现异常并预警,使运行人员能采取应对措施,避免产生更大的经济损失。本文首先介绍了风机的结构、常见故障以及监测参数,并选择相关监测参数作为风机预警模型变量。考虑到历史记忆矩阵构建对模型精度的影响,提出了一种历史记忆矩阵构建新方法。首先,基于健康数据分布均匀性以及工况丰富程度,定义了历史记忆矩阵评价指标,当历史记忆矩阵评价指标值越大,则所构建的历史记忆矩阵数据分布范围越均匀、工况丰富度越高,并利用离散粒子群算法寻找历史记忆矩阵评价指标最佳值,选择健康数据的最优子集建立历史记忆矩阵,在此基础上建立引风机的状态估计模型。最后,利用火电厂引风机的真实数据进行验证,结果表明通过历史记忆矩阵构建新方法所建立的状态估计模型,对比历史记忆矩阵构建传统方法,具有更高的预测精度。引风机状态估计模型输出的估计向量与新观测向量的差异反映了引风机状态信息,通过两者之间的相似度函数可以观察引风机的劣化程度,并使用滑动窗口统计法优化相似度曲线。针对引风机预警模型退化问题,本文提出了一种故障预警模型更新方法,首先,对历史记忆矩阵数据库进行管理,根据定义的数据库评价指标,选择设备正常且属于新工况的数据对历史记忆矩阵进行增量更新,同时剔除老数据,实现历史记忆矩阵的更新,使历史记忆矩阵能覆盖新工况数据,从而建立引风机自适应故障预警模型。通过模拟故障数据进行仿真实验,结果表明,对比未进行更新的故障预警,自适应故障预警模型不仅可对正常数据实现更精准的估计,同时,也能更加提前检测到异常信息,提高了模型预警精度。