随着工业技术的飞跃突破,系统的发展逐渐趋向高度集成化、日渐复杂化。这些复杂的系统经过长期运转,不可避免地会发生故障,若不能及时发现并处理,势必会造成严重的后果。因此,对系统进行及时有效地故障诊断和故障预报至关重要。同时,通信技术的进步和网络的普及促使了网络化控制系统在生产过程的广泛应用,但数据在网络环境中传输时必然会遭受网络固有的缺点,如时延和丢包等,从而增加了网络化控制系统故障诊断的难度。本文对存在多丢包率及带有参数摄动的多传感器网络化动态系统的故障诊断问题进行了研究。首先,采用了多个独立伯努利序列对多传感器的丢包过程进行建模并设计了网络化无迹卡尔曼滤波器;然后,在网络化无迹卡尔曼滤波器基础上引入强跟踪思想,设计了网络化强跟踪无迹卡尔曼滤波器,并且通过状态扩维,在对状态进行估计的同时得到故障幅值的估计值;最后,在三水箱上对上述方法进行了验证,结果表明,在多丢包率及参数摄动的环境下,设计的滤波器能够精准地跟踪系统状态和故障的幅值,及时准确地对故障进行诊断。而对于一些复杂的工业系统而言,其具体机理是难以获知的,数据驱动的方法可以在无须了解系统机理知识的条件下,直接从历史的运行数据中提取信息,实现故障诊断或预报。目前绝大多数基于数据驱动的方法都是离线的,在后期的预测过程中容易导致模型匹配度较低。本文提出了基于在线顺序极限学习机的锂电池剩余寿命在线预测算法:当新数据到来时,通过在线顺序极限学习机在线地更新预测模型,同时也在线更新预测误差值,用来对预测值进行矫正,从而提高模型的匹配度和预测数据的精准度。最后在多个锂电池数据集上对上述算法进行验证,结果表明了其在进行剩余寿命预测时的优越性。最后,概括总结了全文的工作,规划展望了接下来的研究内容。