火电厂辅机设备的在线监测和故障诊断关乎发电机组的可靠稳定运行。火力发电系统辅机设备表现为变量间交叉耦合、系统非线性强,很难建立精确的数学解析模型设备描述系统的工作状态,本文以数据挖掘和机器学习为主要技术背景,以火电厂一次风机和制粉系统为主要研究对象,展开对火电厂辅机设备的在线监测与故障诊断的研究。从辅机设备的运行特性着手,详细介绍了基于实时数据挖掘的故障诊断技术的总体设计方案和实施路线。故障预警方面,以一次风机为研究对象,提出了一种基于相似性建模和LS-SVM状态估计的故障预警方法,利用实际数据,验证所提方法在一次风机监测中能及时发现故障早期征兆的有效性。将支持向量机在解决高维、非线性及小样本的模式识别问题中的优势,推广到辅机设备的故障分类中。针对电厂制粉系统多分类中故障类型和故障特征之间的类属不确定性,提出了一种基于贝叶斯后验概率估计的LS-SVM多标签故障分类方法。结合电厂制粉系统的实例分析对算法的进行验证其有效性和合理性。此外,本文提出了一种基于现有数据和模型验证的故障特征提取方法,用于丰富样本知识库。在LS-SVM的参数优化中,提出了 一种自适应参数调整的粒子群算法的优化策略,可以有效避免现有粒子群算法易陷入局部最优和收敛速度慢的问题。