随着现代流程工业过程生产规模扩大化、生产装置大型化、生产控制自动化、工艺流程复杂化等发展趋势,及其过程采样数据往往具有非线性、自回归特点,使得流程工业系统的异常检测和故障诊断问题变得更加困难。然而,某个环节或装置一旦发生故障,会向其他相关部分传播,进而造成严重的财产损失和人员伤亡,严重阻碍工业化进程和社会经济的发展。为尽早发现流程工业生产过程中出现的异常或故障,及时报警与处置,从而消除潜在的隐患,切实保障生产的安全平稳运行,尽量避免人员及财产损失,作为一种有效的解决方案,流程工业过程监测已成为行业研究热点,具有重要理论意义与应用价值。针对复杂工业生产过程中存在的监测难题,基于现代流程工业生产工艺和过程采样数据的时变、非线性特点,首先,采用长短时记忆网络LSTM模型对采样数据进行建模、预测与分析,可以提取序列的内在特征与变化趋势;其次,针对LSTM模型不能对时间序列数据特征信息进行长期记忆与传递的不足,给出深度长短时记忆模型,在每一个LSTM Cell中增加LSTM单元个数来增强特征提取和信息记忆能力,同时加深网络的层数,在保证最大程度提取采样数据的时序特征和空间特征的基础上,进一步增强网络结构的长期依赖性,能有效处理工业生产时间序列。然后将Deep-LSTM时间序列预测模型与单变量统计过程监控Shewhart图相结合,给出完整的监测方法流程,实现对生产过程的在线监控;再次,以Tennessee Eastman化工过程为例,应用RNN、GRU、LSTM、Deep-LSTM模型对阶跃和随机扰动生产过程分别进行预测、报警的对比分析,结果表明基于Deep-LSTM时序模型的过程监测方法具有更高的准确度和稳定性;最后,基于该监测方法,采用Python图形化界面开发工具,结合工业过程监测应用需求,设计、开发了相应的流程工业过程监测系统,实现了对观测变量、过程故障、及其预测的动态可视化,以及故障预警、参数与相关设置等功能。上述围绕Deep-LSTM时间序列预测模型的研究与软件开发,为流程工业过程在线监测——尽早发现故障、及时处置提供了一种新的解决思路。但在流程工业生产过程的动态监控方面还存在噪声污染、多变量之间相互耦合关系的提取等问题,需要进一步的改进与完善,从而更好地促进流程工业的健康发展。