电站磨煤机是锅炉燃烧制粉系统的核心设备,其工作状况对整个电厂系统运行的安全和经济性具有重要的影响。研究磨煤机的状态监测及故障诊断方法对磨煤机的控制和安全运行具有重要的意义。要实现对磨煤机状态的准确监测和对磨煤机故障的准确诊断,首先要对磨煤机的动态特性精确建模。而磨煤机是一个具有非线性,时变,大延迟特点的工业对象,传统的基于数据驱动的方法难以建立能准确反映磨煤机特性的数学模型。灰箱建模的方法同时结合了磨煤机内部过程的机理特性和现场数据,能较好地反映磨煤机大迟延,非线性等特点,比纯粹基于数据的方法具有更高的精度。传统的基于模型的磨煤机状态监测方法是扩展卡尔曼滤波器(EKF)。但在实际应用中,工业过程有时变特性,并存在测量噪声和过程干扰,这可能会导致扩展卡尔曼滤波器发散,并使估计值包含较多噪声成分,产生较大的波动,降低状态估计的准确性。这对磨煤机的控制和故障检测都是不利的。因此需要研究鲁棒性和准确性更强的状态监测方法：滚动时域估计算法(MHE)。常规的状态监测算法把磨煤机整体当做一个非线性系统进行状态估计,本文把磨煤机整体当做分段线性的时变系统进行状态估计。这样既能提高估计的精度,又极大缩减了估计算法的计算开销,使滚动时域估计算法能够在线实施。基于模式识别的故障诊断诊断方法需要同时获取故障数据和正常运行数据才能进行故障诊断。本文对磨煤机常见故障进行建模,并研究了基于残差的故障诊断方法。本文的方法无需获取故障数据就能进行故障诊断。本文采用统计学的方法对故障残差进行分析,并采用T2统计量对故障进行预报,能够控制故障的误报率和诊断的灵敏度,同时,研究了多尺度小波分析方法在故障分类中的应用。本文的主要内容包括：1、根据磨煤机的质量平衡,能量平衡和流体动量平衡原理,建立了磨煤机灰箱模型,采用现场数据和遗传算法对灰箱模型的参数进行辨识,并使用不同工况下的现场数据对灰箱模型进行验证。2、分析了磨煤机有哪些重要的不可测参数及其对磨煤机运行的影响,并在此基础上,研究了基于灰箱模型的状态监测算法：扩展卡尔曼滤波器和滚动时域估计。本文首先把磨煤机整体当做一个非线性系统设计状态估计算法,并通过仿真对EKF算法和MHE算法进行比较,验证MHE算法的优越性。然后,本文把磨煤机作为分段线性的时变系统设计MHE算法。最后通过仿真实验对算法结果进行验证和分析。3、分析了磨煤机常见故障的特征,并对几种常见故障进行模拟,采用统计学方法对故障残差进行分析,实现对故障的早期预报,在故障预警后,采用多尺度小波分析方法对输出残差的趋势进行分析,并根据残差的趋势对故障类型进行判断。