随着工业技术的不断革新,对于工业过程中安全性的要求也日益提高。在做好安全评价和有效的防护的基础上,能够预先判断即将发生的安全问题也成为一个重要的研究领域。数据时代的到来和人工智能技术兴起给这一传统领域带了新的活力和新的希望。在日趋复杂和规模化的工业生产过程,系统故障情况是客观存在的,因此如何有效地完善现有故障预测方法,提高现有故障预测方法的精度和可靠性成为本课题研究的重点。为此,本课题针对工业非线性过程数据处理、现有故障预测方法改进和多故障预测问题,做了以下研究：(1)针对工业非线性过程系统数据含噪声、部分变量数据变化微小、变量间相互关联且存在时滞的问题,本文采用移动窗口均值滤波技术来去除由于仪器噪声、输入干扰等带来的随机噪声,同时保证数据的实时性。运用时延互信息量(TDMI)对变量的时序数据进行互相关分析和时滞分析。(2)针对传统故障预测问题,本文提出了一种基于反馈差分极限学习机(FDE-ELM)与时延扩展有限状态机(TD-EFSM)的故障预测方法。FDE-ELM是一种针对工业非线性过程时序数据而提出的网络模型,其作用是记录工业数据的时序信息来提高网络模型的预测精度。该方法是运用时延互信息量分析的结果,建立变量间的时延依赖网络,并引入到FDE-ELM的模型中。依据设定的控制限,对FDE-ELM的预测结果进行判断,当变量出现异常时,启动EFSM模型进行故障识别。(3)针对工业过程多故障,本文提出了一种基于时序EFSM (TS-EFSM)和相关向量机(RVM)的多故障预测方法。由于多故障预测的复杂性,本文在EFSM模型的迁移规则中引入了复合算子来增强推理模型的准确性。本文的研究结果表明,基于EFSM的故障预测方法取得了很好的效果。EFSM能在准确识别故障源的同时将推理过程可视化,为操作人员提供理论上的参考。