随着中国能源结构的变化,火电机组深度调峰的需求不断提高,对机组运行的稳定安全提出了更高的要求。中速磨煤机作为锅炉重要的辅机设备,磨煤机的运行安全对于燃煤机组的正常运行有着重要的影响,但是对于磨煤机运行状态检测以及故障诊断的研究仍相对较少。随着计算机技术的发展,智能算法与工业生产的结合正在逐渐普及,本文以浙江某火电厂磨煤机作为研究对象,通过对磨煤机历史运行大数据进行分析处理,建立了基于信号分析的磨煤机堵煤故障诊断模型。由于生产数据存在坏点和误差,因此对磨煤机进行大数据分析之前首先需要对历史数据进行选择分析和处理。对于直接测量精度较低的参数如磨煤机出口一次风流速,提出了采用基于热平衡法的间接测量方法,大幅提高了测量的准确性。对于布置单测点或者多个测点的参数,采用不同的准确性优化算法提高数据的准确性,并在磨煤机电流参数上验证了算法的可靠性。在研究过程中为了提高数据的代表性,提出了利用移动相对标准差进行稳定工况段识别的方法,能够有效识别设备变工况工作中的稳定工况的时间段,对于提高样本数据的代表性有重要的意义;为了提取参数的变化趋势,提出了基于数据自相关性的噪声去除方法,能够基本去除设备运行数据中的周期性噪声,使样本数据的可用性大幅提高。在数据经过预处理的基础上,通过对磨煤机堵煤故障的机理分析,建立了一种基于信号分析的磨煤机堵煤故障诊断模型。结合对故障机理的分析和特征参数筛选的结果,对磨煤机相关的30多个参数进行特征参数提取,构造了温差因子、压差因子、风门开度因子和煤量因子等4个与堵煤故障相关性较强的特征参数并进行归一化处理,初步建立堵煤故障诊断模型。然后将历史堵煤数据作为训练样本,通过神经网络优化算法对特征参数的权重进行训练,得到最终的磨煤机堵煤故障的诊断模型。将该模型在某电厂实际磨煤机运行数据上进行验证,可提前电厂运维人员3-8分钟提出故障预警,足够运维人员进行处理,避免了故障的发生,也验证了模型的有效性。