Zur Lösung des Problems der häufigen Ausfälle von Kohlemühlen in Kohlekraftwerken wird eine intelligente Warnmethode auf der Basis der Multi-State Estimation (MSET) und der Vektorähnlichkeit vorgeschlagen. Als Untersuchungsobjekt wurde eine 350 MW Mittelgeschwindigkeits-Kohlemühle ausgewählt, die Schlüsselparameter, die ihren Betriebszustand reflektieren, wurden ausgewählt, historische Daten mit Ausfällen wurden gesammelt und in verschiedene Datensätze aufgeteilt. Für die Trainingsdatensätze wird eine Prozessgedächtnismatrix mittels gleichmäßiger Abtastung erstellt, der Beobachtungsvektor wird in das MSET-Modell eingegeben, um seinen entsprechenden geschätzten Vektor zu erhalten, und gleichzeitig wird ihre Ähnlichkeitsfunktion definiert, ein gleitendes Fensterverfahren wird verwendet, um den Warnschwellenwert zu bestimmen. Schließlich wurden reale Betriebsdaten zur Überprüfung verwendet, und die Ergebnisse zeigen, dass, wenn die Mühle normal arbeitet, der durchschnittliche relative Fehler der Modellvorhersagedaten unter 1% liegt; wenn die Mühle aufgrund einer Verstopfung ausfällt, kann das Modell schnell eine anomale Mühlenbetrieb erkennen und 380 s vor dem Ausfall warnen. Dies zeigt, dass das Modell die Trends der Parametervariationen genau vorhersagen und eine schnelle und präzise intelligente Warnung vor Mühlenausfällen erzielen kann.

Mittelgeschwindigkeits-Kohlemühle; Prozessgedächtnismatrix; Multi-State Estimation; durchschnittliche Ähnlichkeit; Ausfallwarnung