由于火电设备日趋于高参数、大容量、复杂化,其安全经济运行对社会的影响越来越大。发电设备一旦出现故障,其损失和造成的影响是巨大的,因此需要及时监测设备的运行状况,识别故障早期征兆,对故障部位、故障程度和发展趋势作出准确判断,以提高机组的可靠性和可利用率。而热力系统是火电厂生产的主要部分,这一部分的故障诊断就显得尤为重要了。本课题依托于原国家电力公司电力行业青年促进基金项目:《多传感器信息融合技术在火电厂状态评估中的应用》。论文从如何提高故障诊断的确诊率和容错性出发,针对火电厂热力系统故障诊断中多信息的特点,将多源信息融合技术引入到设备故障的诊断中,围绕火电厂热力系统故障诊断展开了以下研究:1.针对火电厂热力设备测点多、数据间存在强相关性等特点,将主分量和神经网络相结合的融合诊断方法引入火电厂凝汽系统的故障识别。利用主分量分析实现热力设备的故障特征优选,由主分量贡献率确定神经网络的输入空间,比较分析了主分量BP网络和主分量RBF网络对凝汽系统故障诊断的优缺点。通过凝汽系统故障诊断实例,验证了该方法可以有效地简化网络结构,提高网络的分类精度。2.针对热力系统故障具有异步、离散等特点,建立故障诊断的神经Petri网模型。以信息熵作为属性约简的标准,从大量的故障征兆信息中获得最小的诊断规则,建立最优的Petri网模型。由于单纯的故障诊断Petri网缺乏自学习功能,将神经网络引入Petri网。通过对火电机组凝汽系统故障诊断研究表明:基于信息熵、神经网络和Petri网相结合的故障诊断方法改善了它们各自诊断的能力。用神经Petri网对故障诊断系统建模,增加了网的表达能力,适用性强。该方法为Petri网应用于热力系统故障诊断提供了一条有效途径。3.由于火电厂热力系统故障过程大部分属于缓变故障,从设备正常运行到出现故障征兆再到发生故障灾害是一个较慢的过程,其间设备许多状态量的变化是连续的。针对上述特点,本文提出了基于分层的混合模型融合诊断策略,将灰色理论、特征评估、神经网络有机地结合起来,完成故障子空间的识别,最后根据多属性决策对设备状态进行综合评价。通过制粉系统实际数据仿真验证了该方法的有效性和可行性。该方法有利于早期故障的准确识别,并对故障程度以及故障趋势作出准确判断。