随着现代工业的快速发展,工业过程正朝着一体化和智能化的方向发展,同时对生产过程中的安全性逐渐提高。人们不仅希望能够在故障出现时做出有效的隔离和防护措施,还要求在过程故障发生前就能够预先知道,尤其是对微小故障(幅值小且不易检测的)希望能够及时发现并做到提前排除故障。因此,如何完善现有的故障预测方法,加强工业过程中的微小故障监控,成为目前研究的重点。为此,本课题针对复杂系统的数据处理、改进现有故障预测方法和加强微小故障预测,做了以下研究：(1)针对过程系统变量多、关系复杂且存在严重的时滞性的问题,本文重点研究过程变量的相关性和时滞性,提出了建立多元相关时滞序列的方法。由于系统变量概率密度函数获得困难,采用k-近邻算法改进的互信息量求取变量间的相关系数。对于变量间的时滞性问题,采用贝叶斯信息准则(BIC)获取变量的延迟时间。这样,本文利用改进的互信息量算法和BIC准则建立了工业过程的多元相关时滞序列。(2)本课题将定性方法与定量方法结合,提出了一种新的基于时延符号有向图(SDG)和改进独立成分分析(ICA)的故障预测方法。该方法在原有SDG的基础上,增加了关联信息和时滞信息,形成了具有信息完备性的时延SDG。同时,该方法针对ICA不能快速获取大量数据的独立成分的问题,提出了一种极限学习机神经网络(ELM)改进的ICA算法以此快速获取系统的独立成分。通过对TE过程的故障预测实验表明了该方法的有效性。(3)本课题在完成工业过程故障预测的基础上,又着重针对微小故障预测进行了研究,提出了一种基于多元相关时滞序列和改进统计局部核主元分析(KPCA)的微小故障预测方法。该方法是在多元相关时滞序列的基础上建立的,同时,为了提高变量预测模型的精度,将相关变量作为神经网络的输入。然后,本文利用统计局部技术和移动窗口改进KPCA,以此增加监控方法的灵敏度。在TE过程上的实验结果表明,该方法能够实现微小故障预测的目的。本文的研究结果表明,将过程变量的相关性和时滞性引入复杂系统的故障预测,通过构建过程的多元相关时滞序列,建立信息完善的时延符号有向图,改进多元统计监控方法,在一定程度上发挥了其在故障预测中的优势,为保证工业过程的安全方法提供了新途径。