报警系统是旨在引导操作者注意异常过程状态的一类系统。由于报警系统的不合理设计,在异常工况下,可能发生数以百计的过程报警甚至报警泛滥现象,严重干扰操作者对当前过程状态的判断,从而促成各种工业事故的发生。为此,采用先进的报警管理技术预报过程动态、辨识关联报警,能够全面改善报警系统表现,避免报警泛滥现象的不断发生。本文针对报警系统中存在的报警不及时、关联报警反复出现等问题,结合现有数据驱动方法存在的缺乏自适应性、可用数据信息不足等难点,提出了一套基于文本挖掘的过程工业报警自适应关联分析与预测方法,分别针对过程数据和报警日志信息进行报警关联及预测分析,开展了过程趋势自适应预警、风险传播路径自适应辨识、基于报警聚类的报警系统优化及基于文本挖掘的过程报警预测四个方面的研究工作,主要研究内容如下:（1）针对报警系统预控及时性差、现有趋势监控及预警方法缺乏自适应性和多变量预警体系等难点问题,提出了一种基于趋势监控的自适应过程预警方法,自适应提取过程数据趋势特征,对非平稳趋势的过程变量进行预警,并研究了多变量预警情况下的自适应权重计算及预警优先级排序方法。以常压塔及分馏塔异常工况为例对方法进行了应用,与传统趋势分析方法相比,所提方法在辨识上升/下降趋势的准确率上分别平均提高了17.9%和12.1%;与基于阈值的报警方法相比,所提方法在报警时间上分别平均提前了2min33s和2min35s,提升了报警系统的预控及时性和有效性。（2）为防止关联报警及报警泛滥现象的发生,针对现有因果推理方法大多存在主观性及不确定性因素、缺乏自适应量化推理机制等难点问题,提出了一种基于传递熵与核极限学习机的过程风险传播路径自适应分析方法,基于各相关设备过程变量间的关联程度及变化趋势信息,实现了风险传播路径的自适应辨识。以分馏塔顶循返塔温度超高风险过程为例论证了方法的有效性。与传统的Petri网建模及模糊逻辑推理等方法相比,所提方法量化了过程风险因果推理机制,避免了上述方法在因果推理分析上的主观性及不确定性。（3）针对现有报警关联分析方法多是基于二值报警序列,而有时难以获取有代表性二值报警序列的难题,结合报警日志丰富的信息量和报警变量间不同程度的关联性,提出了基于过程报警聚类的报警系统优化方法。结合Word2Vec词嵌入方法和集成k-means聚类方法对关联报警进行自适应分组,并提出了基于报警聚类的报警系统优化策略,以抑制关联报警、消除冗余报警及抖振报警。将该方法应用于某蒸汽生产系统,与优化前基于阈值的报警系统相比,报警数量共减少了61.2%。该方法有助于报警根源的进一步辨识,以防止关联报警的产生及报警泛滥现象的出现。（4）针对现有报警预测方法多是基于过程数据,而有些变量通常不会经常发生报警或并没有过程数据的难题,结合报警变量间不同程度的关联性及时序性特点,建立了基于词嵌入及深度学习的过程报警预测模型,通过对报警变量进行定量化处理及LSTM神经网络建模,对可能发生的关联报警进行预测。对某集中供热制冷厂进行案例分析得到预测报警的提前时间主要集中在0-10min,平均报警提前时间为6min49s。与N-gram模型相比,所提方法的预测准确率平均提高了7.4%。