故障预报和预警是20世纪后期才发展起来的一个新兴的研究方向,也是当前预测控制理论研究的热点之一。随着对系统可靠性和安全性要求的进一步提高,人们希望能够在故障对系统的危害显现之前就能够更加准确的预测故障发生的有关信息,由此提出了对故障预报更加严格的要求。目前故障预报研究进展较为缓慢,基于时间序列预测的方法是现有的主要预报方法。本文分析了在时间序列预测领域中应用比较广泛的几种基础的方法,比较了它们在预测中的应用范围和各自的优劣,并在这基础的方法上提出了改进。结合当今预测领域新兴的数据挖掘思想,介绍了国外一种新的预测方法,并将上述预测方法和化工监测诊断系统相结合。本文着眼于预测模型的实际应用,主要工作如下:1、总结并分析了时间序列预测领域中应用最广泛的自回归—滑动平均模型(ARMA模型),并针对其在定阶中的存在的模糊性和人为判定的情况,本文在实际应用中采用了F检验逐步自动定阶的方法,避免了ARMA模型定阶中所遇到的问题,实现了数据处理、模型定阶和状态预测的实际应用。2、针对基础的Elman神经网络,本文基于已有的神经网络思想,改进了其网络的内部结构,即在基础的Elman神经网络的承接层增加一个自反馈,增强了Elman神经网络的动态跟踪性能。3、本文把时间序列序贯学习的思想引入Elman网络的在线建模过程中,实现了网络在线学习,通过时间窗的推移,不断地利用新采集数据对网络进行训练,提高了网络的建模效率和对真实数据的跟踪和拟合能力。4、针对故障样本数据丰富的情况,借鉴美国辛辛那提大学的IMS(Intelligent Maintenance Systems)中心提出的匹配矩阵的思想,本文介绍了一种基于数据挖掘技术的匹配矩阵预测模型,并将其应用于设备状态的真实数据,取得了良好的预测效果。而且在该匹配矩阵模型的建模过程中融合了ARMA模型,拥有较高的建模效率和反应速度,体现了多种预测方法相互融合的现代预测技术的发展方向。5、面对目前matlab软件不支持建模函数编译成动态链接库被vc调用的问题,通过重新编写算法和利用其他组织编写的时间序列工具箱等方法,应用vc和matlab混合编程的技术,将论文中提出的预测方法加以实现并应用到化工领域的维修与安全保障完整性管理平台中,并进行仿真实验。仿真结果表明了文章中提出的的预测方法,预测精度和效率能够达到实际应用的要求。