設備故障預警和狀態監測根據設備運行規律或觀測得到的可能性前兆，在設備真正發生故障之前，及時預報設備的異常狀況，采取相應的措施，從而最大程度的降低設備故障所造成的損失。隨着設備裝置和工程控制系統的規模和復雜性日益增大，為保證生產過程的安全平穩,通過可靠的狀態監控技術及時有效的監測和診斷過程異常就顯得尤為迫切和重要。
現有的設備故障預警技術主要分為三大類：基於機理模型的方法、基於知識的方法和基於數據驅動的方法。
基於機理模型的方法是發展最早也最為深入的故障預警和狀態監測方法，它主要包括兩個階段：（1）殘差產生階段：通過設備運行機理建立精確的數學模型來估計系統輸出，並將之與實際測量值比較，獲得殘差，這個階段構建的模型又叫殘差產生器；（2）殘差評價階段：對殘差進行分析以確定過程是否發生故障，並進一步辨識故障類型。該類方法與控制理論緊密結合，主要采用參數估計、狀態估計和等價空間三類具體的方法來實現殘差序列的構建，其中狀態估計方法最為常用，可使用觀測器或卡爾曼濾波器實現。
基於知識的方法主要以相關專家和操作人員的啟發性經驗知識為基礎，定性或定量描述過程中各單元之間的連接關系、故障傳播模式等，在設備出現異常征兆后通過推理、演繹等方式模擬過程專家在監測上的推理能力，從而自動完成設備故障預警和設備監測。該類方法無需精確的數學模型，但對專家知識有較強的依賴性，常用的方法主要包括專家系統、故障決策樹、有向圖、模糊邏輯等。
基於數據驅動的方法通過挖掘過程數據中的內在信息建立數學模型和表達過程狀態，根據模型來實施過程的有效監測。隨着智能化儀表和計算機存儲技術的廣泛應用，海量的過程數據得以有效地監測、收集和存儲，而該類方法正是基於這樣的海量數據，在監測和預警算法上它又可以分為基於信號處理、粗糙集、機器學習、信息融合和多元統計這五大類算法，其中機器學習算法是在理論和實踐中發展最為活躍的分支，它包括貝葉斯分類器，神經網絡，支持向量機，k最近鄰算法，聚類算法，主成分分析等算法。
基於機理模型的監控方法能夠把物理認識與監控系統結合起來，通過分析殘差來進行故障預警的方式也更有利於專業人員的理解，但由於多數機理模型均為簡化的線性系統，因此當面對非線性、自由度較高以及多變量耦合的復雜系統時，其使用效果並不理想；另外，對復雜系統建立機理模型可能要付出巨大的成本；再者，實際工業過程中的噪音影響，環境因素的變化等都提高了模型失效的風險。以上原因都使得基於機理模型的監控方法檢測效果不佳，應用范圍不廣。
基於知識的監控方法使用定性的模型實現預警和監測,當被監控對象較為簡單，工藝知識和生產經驗較為充足時，其性能較為優良。但需要注意的是該類方法的預警准確度對知識庫中專家知識的豐富程度和專家知識水平的高低具有很強的依賴性；同時，部分專家實際操作經驗很難用一種合理的形式化表達方式進行描述,當系統較為復雜時還有可能出現“沖突消解”、“組合爆炸”等問題；另外，這類方法的通用性較差,且先驗知識的完整性一般難以保證。
基於數據驅動的故障預警和狀態監測技術直接通過系統的歷史數據建立故障預警模型，不需要知道系統精確的機理模型，因此其通用性和自適應能力都較強。但是由於這類方法並不明確系統的內部結構和機理信息,所以對預警結果的分析和解釋則相對比較困難；另外，機器學習等基於數據驅動的算法主要都是應用於故障診斷，而基於數據的故障預警技術還處於起步階段,可靠有效的方法也相對較少；再者，由於數據量較大且基於數據驅動的算法的時間復雜度都普遍較高，所以如何提高監測算法的效率也是亟待解決的問題。