设备故障预警和状态监测根据设备运行规律或观测得到的可能性前兆，在设备真正发生故障之前，及时预报设备的异常状况，采取相应的措施，从而最大程度的降低设备故障所造成的损失。随着设备装置和工程控制系统的规模和复杂性日益增大，为保证生产过程的安全平稳,通过可靠的状态监控技术及时有效的监测和诊断过程异常就显得尤为迫切和重要。
现有的设备故障预警技术主要分为三大类：基于机理模型的方法、基于知识的方法和基于数据驱动的方法。
基于机理模型的方法是发展最早也最为深入的故障预警和状态监测方法，它主要包括两个阶段：（1）残差产生阶段：通过设备运行机理建立精确的数学模型来估计系统输出，并将之与实际测量值比较，获得残差，这个阶段构建的模型又叫残差产生器；（2）残差评价阶段：对残差进行分析以确定过程是否发生故障，并进一步辨识故障类型。该类方法与控制理论紧密结合，主要采用参数估计、状态估计和等价空间三类具体的方法来实现残差序列的构建，其中状态估计方法最为常用，可使用观测器或卡尔曼滤波器实现。
基于知识的方法主要以相关专家和操作人员的启发性经验知识为基础，定性或定量描述过程中各单元之间的连接关系、故障传播模式等，在设备出现异常征兆后通过推理、演绎等方式模拟过程专家在监测上的推理能力，从而自动完成设备故障预警和设备监测。该类方法无需精确的数学模型，但对专家知识有较强的依赖性，常用的方法主要包括专家系统、故障决策树、有向图、模糊逻辑等。
基于数据驱动的方法通过挖掘过程数据中的内在信息建立数学模型和表达过程状态，根据模型来实施过程的有效监测。随着智能化仪表和计算机存储技术的广泛应用，海量的过程数据得以有效地监测、收集和存储，而该类方法正是基于这样的海量数据，在监测和预警算法上它又可以分为基于信号处理、粗糙集、机器学习、信息融合和多元统计这五大类算法，其中机器学习算法是在理论和实践中发展最为活跃的分支，它包括贝叶斯分类器，神经网络，支持向量机，k最近邻算法，聚类算法，主成分分析等算法。
基于机理模型的监控方法能够把物理认识与监控系统结合起来，通过分析残差来进行故障预警的方式也更有利于专业人员的理解，但由于多数机理模型均为简化的线性系统，因此当面对非线性、自由度较高以及多变量耦合的复杂系统时，其使用效果并不理想；另外，对复杂系统建立机理模型可能要付出巨大的成本；再者，实际工业过程中的噪音影响，环境因素的变化等都提高了模型失效的风险。以上原因都使得基于机理模型的监控方法检测效果不佳，应用范围不广。
基于知识的监控方法使用定性的模型实现预警和监测,当被监控对象较为简单，工艺知识和生产经验较为充足时，其性能较为优良。但需要注意的是该类方法的预警准确度对知识库中专家知识的丰富程度和专家知识水平的高低具有很强的依赖性；同时，部分专家实际操作经验很难用一种合理的形式化表达方式进行描述,当系统较为复杂时还有可能出现“冲突消解”、“组合爆炸”等问题；另外，这类方法的通用性较差,且先验知识的完整性一般难以保证。
基于数据驱动的故障预警和状态监测技术直接通过系统的历史数据建立故障预警模型，不需要知道系统精确的机理模型，因此其通用性和自适应能力都较强。但是由于这类方法并不明确系统的内部结构和机理信息,所以对预警结果的分析和解释则相对比较困难；另外，机器学习等基于数据驱动的算法主要都是应用于故障诊断，而基于数据的故障预警技术还处于起步阶段,可靠有效的方法也相对较少；再者，由于数据量较大且基于数据驱动的算法的时间复杂度都普遍较高，所以如何提高监测算法的效率也是亟待解决的问题。