Echtzeit-Diagnose komplexer technischer Systeme wie Kraftwerke ist entscheidend, um das System in einem funktionsfähigen Zustand zu halten. Ein ideales Diagnosesystem muss jegliche Störung im Voraus erkennen und den zukünftigen Zustand des technischen Systems vorhersagen können; daher werden prognostische Algorithmen in der Diagnose eingesetzt. In diesem Beitrag wird ein neuartiger, rechnerisch einfacher Algorithmus vorgestellt, der auf dem Auto-Regressive Integrated Moving Average (ARIMA)-Modell basiert, um Anomalieerkennungs- und Prognoseprobleme zu lösen. Die hohe Leistungsfähigkeit des vorgeschlagenen Algorithmus wurde in zahlreichen numerischen Experimenten sowohl für Anomalieerkennungs- als auch für Prognoseaufgaben bestätigt. Darüber hinaus wird in diesem Artikel eine Beschreibung der Bibliothek „Autoregressive Integrated Moving Average Fault Detection (ARIMAFD)“ bereitgestellt, die die vorgeschlagenen Algorithmen enthält. Der entwickelte Algorithmus erweist sich als effizient und kann in realen Diagnosesystemen zur Anomalieerkennung und zur Vorhersage technologischer Parameter eingesetzt werden.