随着现代生产生活对系统设备可靠性、安全性要求的提高,故障诊断吸引了众多国内外学者的研究兴趣。故障诊断为实时检测、定位、排除故障提供了有力的科学依据。现在的系统设备结构复杂,多为非线性系统,工作现场噪声干扰严重,不同于实验室的理想高斯噪声。粒子滤波算法是解决非高斯非线性系统故障诊断问题的一种有效算法。粒子滤波是递推贝叶斯估计的一种蒙特卡洛实现方法,让样本粒子通过系统模型按时间顺序向前传播,得到各时刻系统的状态样本,从而求得系统状态的后验概率密度函数。基于粒子滤波的故障诊断方法的核心思想是：利用粒子滤波算法估计系统状态值,和系统状态真实值进行比较,其残差作为故障诊断的依据。当残差大于设定阈值时,判断故障发生,小于设定阈值时,判断故障未发生。主要研究内容包括：(1)研究粒子滤波的基础算法和两种改进算法,分析每种算法的特点。序贯重要性采样算法(Sequential Importance Sample)是粒子滤波算法的基础算法,通过从重要性函数中采样,利用样本估计后验概率密度,解决了无法直接从真实后验概率分布中采样的问题。采样重要性重采样算法(Sample Importance Resample)采用重采样降低了序贯重要性采样算法(SIS)存在的粒子退化现象。无迹粒子滤波算法(Unscented Particle Filter)用无迹卡尔曼滤波(Unscented Kalman Filter)的结果作为建议分布,估计系统状态,使得估计结果的均方误差最小。(2)为了提高非高斯非线性系统故障诊断的精确性,深入研究了两种粒子滤波算法-采样重要性重采样算法(Sampling Importance Resampling)、无迹粒子滤波算法(Unscented Particle filter)和一种无迹卡尔曼滤波算法(Unscented Kalman Filter),提出了使用故障误报率和漏报率构成的平均代价作为衡量诊断方法效果的评价指标。以水位/温度控制系统和一维非线性单变量模型作为研究对象,由系统状态方程或观测方程的参数变化模拟故障。仿真结果表明,三种算法都能诊断出故障发生,基于无迹粒子滤波(UPF)的故障诊断方法的平均代价小于采样重要性采样算法(SIR)和无迹卡尔曼滤波算法,诊断效果优于后两种算法,提高了故障诊断的可靠性。两模型代表了一般的非线性系统,基于无迹粒子滤波(UPF)的故障诊断方法适用于一般的非线性系统。(3)为了更接近真实故障情况,提出利用模糊逻辑代替传统的二值逻辑,将其和粒子滤波算法相结合应用到故障诊断领域。模糊逻辑可以描述故障的渐变过程,从正常到故障的过渡状态。用模糊逻辑的隶属度函数描述故障程度,粒子滤波算法估计系统状态,和实际状态比较,其结果作为残差,进行故障诊断,实现从模糊描述到精确诊断。仿真结果表明,该方法能诊断出故障发生,残差平滑值均值随故障程度的加重而增加。诊断结果含有故障程度信息,更接近真实故障,提高了故障诊断的精确性。