石化生产领域中突发设备故障带来的损失极其巨大,一方面设备故障将会影响企业的正常生产;另一方面部分高温高压设备故障甚至可能会造成人员伤亡。因此对石化生产所需设备进行有效的故障管理非常必要。随着大数据技术和应用的发展,基于大数据技术实现对石化生产所需的设备进行实时运行状态监测与故障预警,为故障处置赢得时间,预防重大事故发生,已成为当前石化生产领域的重要趋势。针对上述问题,本课题提出了针对石化领域数据的基于自动化噪声区间检测和皮尔森系数的数据清洗方法,一方面规避了异常数据对后继数据分析的不良影响,另一方面有效的降低了分析的数据维度,提高了数据分析效率;提出了基于系统健康模型的故障预警方法和基于GAN和LSTM的故障预警方法,基于系统健康模型的故障预警方法可以更好的解决系统上线初期监控数据累积较少的冷启动问题,而基于GAN和LSTM的故障预警方法在数据量较大时可以提供更优的预测效果。其中“基于系统健康模型的故障预计方法”中以主成分分析(PCA)方法为基础,针对原有方法的检测结果未考虑历史数据、多指标存在在潜在不一致性的问题,引入了健康分数打分算法,不但综合考虑了历史健康得分,而且可以给出导致故障的关键指标。“基于GAN和LSTM的故障预警方法”引入故障图的概念,将原始的石化数据转化成可直观认知的二维图,对于故障图样本倾斜的问题通过生成式对抗神经网络(GAN)进行少数样本增强,并通过计算基于故障图的汉明距离的方法,解决了GAN本身生成数据难以量化评估的问题,而后通过长短期记忆网络(LSTM)对问题重新建模,将原本的故障预警问题转换成多分类问题,从实现了对故障的精准预测;设计和实现了面向石化领域的大数据故障预警系统,通过综合运用前述关键技术,实现了对石化生产设备的故障预警,并指明了导致故障的关键指标。通过对本系统的测试和现场应用证明了系统的有效性。