电站辅机设备的安全稳定运行关乎整个发电机组的可靠运行。然而,辅机设备系统的复杂度高,变量交叉耦合情况严重,系统非线性强,传统的建模、状态监测方法很难取得理想的效果。本文以深度学习算法为主要的技术切入点,以火电站的制粉系统为主要的研究对象,展开对电站辅机系统监测与故障预警的研究。先从辅机设备的特性入手,详细介绍了电站辅机设备的模型结构与特性。以辅机系统中的磨煤机为例,提出了基于以智能DCS系统海量历史数据为基础,深度学习算法框架为方法,以实时数据监控的辅机设备系统监测和故障预警诊断的总体方案设计和实施路线。在系统监测与故障预警方面,提出了一种基于深度MLSTM神经网络的参数估计和D-S证据理论信息融合的预警方法。基于实际故障数据,验证了所提方法在磨煤机系统监测中实现提前预警的有效性。本文提出了一种基于故障机理来进行故障模拟的大量故障数据典型样本产生方法,并产生了大量磨断煤、磨满煤和磨自燃故障数据。针对故障多分类任务中故障类型和故障特征之间的不确定性,提出了一种MLSTM神经网络多标签故障分类方法,最终通过电站制粉系统的实例对算法进行验证,说明了其有效性和合理性。此外,在LSTM子网络的超参数确定中,使用了基于实验分析的仿真确定方法。针对网络模型中出现的过拟合问题,应用了基于Dropout算法的网络稀疏化方法和BN层标准化方法,可有效防止过拟合的问题从而提高模型的泛化性能。