造纸过程受工艺、浆料、设备和环境等众多因素影响,纸页抄造过程中易发生纸幅断裂的故障,降低造纸企业产量,提高生产成本。因此,有效应对断纸故障,保持正常生产是造纸企业提高市场竞争力亟需解决的问题。本文以生活用纸为研究对象,提出了一种断纸故障预测模型,通过多种参数的实时在线监测,实现断纸故障预测目标。在故障预测模型的基础上,针对故障频发原因,进一步建立了时序数据预测分析模型,以满足现场操作人员需求。本文在对造纸机生产线基本情况和断纸原因进行分析调研后确定数据采集方案。不同特征参数之间存在着关联关系和耦合现象,因此需要研究分析充分考虑到各个参数之间的相关性,识别出互相关的冗余变量和与断纸故障无关的特征参数。针对传感器采集原始数据的过程中还存在数据不匹配、缺失、大量人为停机数据等问题,本文因此依次对数据进行了数据匹配、人为停机数据剔除、数据填补以及相关性分析等操作,经过处理后的数据将用于后续建模。本文采用滑动窗口提取出经预处理后特征参数的时序片段均值和方差特征,之后对所有特征聚类分析判断出异常数据,并借助相关性分析筛选出与异常波动数据有关联的核心特征变量。针对不同参数对断纸故障的关联关系和耦合现象,需要在断纸预测过程中充分考虑到各个参数之间的相关性。本文基于高斯混合模型和马氏距离提出了一种组合算法对不同变量构建了健康指标来评估生产过程的健康程度。通过造纸企业实时生产数据证明故障预测模型精准率为76.82%,召回率为72.50%,结果表明模型可以较好地跟踪变量的运行状况,实现对断纸故障的有效预测。在上述工作的基础上,本文基于卷积神经网络和长短时记忆网络建立了一种参数预测分析模型,并利用历史时序数据对模型性能进行验证。结果表明模型均方根误差为0.0043,平均绝对误差为0.0042,决定系数为0.9959,效果良好。另外,还通过实例对模型预测效果进行了分析,结果显示该模型可以较好地满足实际生产需求。