近年来,我国清洁能源的崛起、新排放标准的颁布促使传统的火电机组担任更多的调峰任务、进行大量的环保改造,经常处于非设计工况运行,这样将对锅炉系统设备的安全可靠运行带来严峻考验。在此背景下,对锅炉的主机和辅机的运行状态进行在线实时监测,进而实现在线诊断和预测,对保障锅炉机组长期稳定运行具有重要意义,本文尝试引入机器学习方法建立锅炉主辅机的状态监测模型。首先采用了基于聚类的炉膛稳态判别法,对实时的炉膛工况进行判别。通过采集大量的运行历史数据,引入K-Means方法和快速搜索密度峰值方法,建立稳态判别模型,结果显示采用改进型的快速搜索密度峰值方法建模效果较好。炉膛稳态的判定为下文主机燃烧状态监测提供了状态基础,在稳态的基础上才能实施主机的燃烧状态监测。锅炉主机状态监测的关键问题是对炉膛内部燃烧状态的在线监测,本文提出一种基于数值模拟和机器学习的炉膛内部监测方法。首先,对炉膛进行模型构造、网格划分,尽量多地对变化参数设置模拟工况,然后,以模拟结果为数据源,采用ELM和SVM来构建炉膛燃烧的回归模型,根据温度、速度和氮氧化物浓度的回归结果表明该方法效果较好。基于前述的锅炉稳态判别,应用此模型对当前的工况进行计算,快速获得当前的温度、速度、成分浓度的分布,使运行人员实时掌握燃烧状态。锅炉辅机主要包括磨煤机、风机、给水泵等,根据对其故障树的分析可知振动是设备故障的主要原因之一。分析其振动的特征,本文提出了结合相空间重构和极限学习机的振动软测量方法,并以磨煤机的振动烈度为例,对该方法的结果进行验证分析,证明该方法具有较高的精度。对于其他重要的辅机参数,本文开发了基于ARMAX时序参数回归预测的软件工具,用户只需简单设置即可对参数进行趋势预测。