中国的能源结构不断地在变化,近些年来,火电机组深度调峰和超低排放的要求不断提高也催生了“智能电厂”的发展。而“智能电厂”所依赖的先进的测试技术、大数据分析和智能化技术都需要能准确反映机组参数的测量数据,因此有必要对用于测量的传感器进行可靠性评估和故障诊断。烟气含氧量是锅炉燃烧调整和运行需要控制的一个重要参数,是确保锅炉安全性、经济性运行的重要指标。目前燃煤电厂对于烟气含氧量的测量普遍采用氧化锆传感器进行直接测量,但是传统的传感器测量不免会发生传感器老化或故障的问题,影响氧量测量的准确性和可靠性,因此对氧量传感器进行测量可靠性评估和故障诊断既有利于锅炉的控制运行,也对“智能电厂”的发展有着重要意义。本文利用BP神经网络和机组运行的历史数据,以锅炉燃烧原理为基础,结合相关性和灰色关联度分析,建立了烟气含氧量的软测量模型,通过软测量模型预测值和传感器实际测量值的相关性分析和拟合分析,再利用直接冗余法建立了传感器间的信任度矩阵,对各个氧量传感器进行了测量可靠性的分析。根据所建立的模型,对预测值和传感器测量值进行了残差分析,分析了各个氧量传感器的运行状况和可靠性。针对氧量传感器的特点,将常见的传感器故障进行分类和数学描述,对氧量传感器易出现的故障,如偏置故障、卡死故障和漂移故障,进行了仿真分析。采用主元分析法,利用Hotelling T2统计量和SPE统计量,对故障进行了诊断,结果表明:该方法可以有效诊断出偏置故障、卡死故障和漂移故障,具有一定的应用前景。