中国的火力发电目前仍然占据主要地位,火电厂的设备监测还有很大的进步空间,火电厂的六大风机是极其重要的辅机设备,维持其运行状态健康是整个机组安全、稳定运行的保证。随着智能算法的发展和电厂数字化程度的提升,挖掘设备运行数据下更深层次的状态信息已成为可能。本文的算法理论主要是基于BP神经网络,首先详细介绍了 BP算法的基本原理并在实际应用中发现了算法的固有缺陷,随后介绍了一种名为万有引力搜索算法的新型种群优化算法,并将两者结合改进了神经网络的性能,改进效果在机器学习领域中标准数据集的测试上得到了直观的体现,证明了改进算法的有效性。随后介绍了火电厂的风烟系统,重点对引风机设备进行了深入研究,基于课题的研究背景,即山西某电厂660MW机组的实际运行状况,通过Vestore-SIS平台提供的数据和信息,在风烟系统界面下观察相关测点数据的变化趋势,发现了引风机设备运行状态的异常情况。在对引风机的机理特性和其工作环境进行研究后,查阅相关文献和询问现场运行人员,分析了这些异常现象的产生原因。工业过程中机械设备的性能往往处于一个逐渐下降的状态,目前多数的研究是基于故障数据进行分析进而诊断故障,但是在实际现场中,故障数据难以获取并且数据量也不能满足要求,这将带来一个很大的问题。从另一个角度考虑,如果能实时直观地监测到设备的性能指标,在该指标下降时引起现场运行人员足够的注意,及时进行检修,就能够降低设备状态异常带来的损失。因此本文提出了一种基于GSA-BP神经网络的引风量预测模型,通过大量的正常运行数据进行训练,该模型能够很好地预测设备正常情况下的引风量,预测误差不超过3%,满足工业的误差要求。同时,当引风机设备出现异常状态或性能下降时,预测模型输出的引风量与实际设备测得的引风量之间会出现偏差,这里隐含了丰富的设备信息。在图表中实时绘制该误差曲线能够直观的看到设备的运行状态,给现场人员提供了更多的可视化信息。