空分装备是冶金、化工、石油、城市市政工程、医疗和航空航天等现代工业领域中广泛采用的大型装备。提高空分装置运行稳定性、减少故障,能有效地提高空分生产的经济效益,是空分企业在生产中的重要工作之一。故障检测与预报对于降低生产事故、提高生产绩效、减少经济损失、增强企业竞争力等都具有重要的意义。为空分系统建立故障检测与预报系统,能够有效利用空分生产过程的数据信息,及时检测乃至提前预报故障的发生,确保空分生产稳定高效。本文在综述了故障检测和预报,尤其是空分过程故障检测和预报的研究现状的基础上,首先研究了主元分析/动态主元分析(PCA/DPCA)、聚类、神经网络集成等常用于故障检测与预报的非参数模型监控的方法,并将这几种方法用于空分生产现场数据的仿真研究,仿真结果表明,三种方法从不同方面描述空分过程的运行特点并依此作出各自的决策结果,在故障报警率、误报率和预报提前量上各有优劣。为了进一步提高故障检测和预报的可靠性和准确性,本文将数据融合技术引入到工业过程状态监控与故障预报领域,并结合上述三种非参数模型监控的方法,提出了多模型决策融合的故障检测与预报方法,分别提出了基于分批估计与加权平均、Bayes推理、空间变换的三种多模型决策融合方法。分析了三种方法的原理和特点,结合空分过程的特性,分别建立了基于这三种方法的多模型决策融合氮塞故障检测与预报模型。仿真结果表明采用数据融合算法实现多模型监控可以充分利用各个模型之间的互补和冗余,比单一模型监控更加可靠、准确、快速。