随着工业化进程的推进和对产品质量要求的提升,工业生产对关键过程变量的监控提出了更高的要求。工业过程大多呈现多变量的复杂动态特性,传统的一元时间序列预测方法无法适应实际环境和应用的需求。多元时间序列预测考虑了多元时间序列的相互关系,对工业过程时间序列预测具有良好的应用前景。然而,面对复杂工业过程多元时间序列的非平稳、强相关以及噪声干扰等特性,需要开展新方法的研究,为此,本论文取得了以下主要研究成果:1.针对工业过程时间序列数据的非平稳性问题,提出了一种改进互补集合经验模态分解的时间序列多尺度重构方法,首先利用互补集成经验模态分解将原始时间序列分解为多个模态分量,之后利用模糊熵-GK聚类方法将多个模态分量合并重构,得到趋势、周期、随机三部分,降低原始时间序列的复杂度,增强了其可分析性和可预测性。2.面对工业过程多元时间序列的强相关性和噪声干扰问题,在传统长短期记忆神经网络的基础上,提出了一种融合栈式降噪自编码器的多元时间序列预测模型,可以自适应提取多元输入变量的有用信息,剔除冗余信息,从而提高多元时间序列预测性能。3.将所提方法应用于工业甲醇精馏过程,对该过程内控制回路的控制性能指标进行预测,从而更加有效地监控控制回路的运行状况,获得了满意的结果,验证了本文所提方法的有效性。