随着互联网技术的发展,工业生产与社会生活中的许多关键基础设施也逐渐被互联网融入,形成了信息物理系统,关键基础设施网络化发展的结果就是使得其运行效率和自动化程度大幅提升,同时使得物理设备运行信息的获取极为便利。但也带来了一些问题,比如系统数据量巨大、维度较高、价值密度低等特点,这些都给基于数据的故障诊断方法带来了挑战。就上述问题,本文开展针对数据预处理和智能故障诊断等方面的研究,主要创新点和研究内容如下:(1)基于元素重要程度数据变换的k-近邻故障诊断方法。首先,利用平均影响值算法,训练评价元素重要程度的网络模型;然后基于该网络模型求解元素重要程度权重系数;其次,在此元素重要程度评价模型的基础上,进一步优化完善评价机制,使得模型求解得到的元素重要程度值为最优值。进而结合k-近邻方法做故障诊断处理。最后,在标准UCI数据集上仿真测试,验证所提数据预处理方法对提升故障诊断性能是有效的。(2)基于信息贡献度评价函数的数据预处理方法与故障诊断。无论采用何种方式求解元素的重要程度权值,都需要一个准确的模型。首先,本章给出了评价函数参数更新的新方法,新方法在不改变模型其他参数的基础上对模型中的部分参数进行实时更新,从而保证模型的准确性。然后,基于上述评价函数求取特征权值,并将加权后的数据带入建立好的故障诊断模型进行故障诊断。最后,通过标准UCI数据集来验证本算法的有效性。(3)基于输出误差逐级补偿的多自由度宽度神经网络建模分析。针对浅层神经网络拟合精度低,分类效果差,深度神经网络待求参数多,训练耗时的问题,结合已有的宽度神经网络的研究内容,本章提出了一种基于误差补偿的三自由度神经网络结构。采用输出预测误差逐级补偿的方法,对网络输出做出补偿。通过标准UCI数据集仿真测试表明,本算法不仅优化了深度神经网络算法的复杂度,也在网络的分类性能上表现了极佳的性能。