在过去的几十年中,人们对离散事件系统(DES)的状态估计和故障诊断问题进行了广泛的研究。一般来说,为了解决状态估计和故障诊断问题,所研究系统的输出信息必须被给出。通常,存在两种不同类型的输出,这是因为DES可以由状态和事件来描述。传感器可以与事件或状态连接,传感器测得的相应输出就被称作事件观察和状态观察。在事件观察的框架下,事件集被划分为可观察和不可观察的两个子集。在状态观察框架下,系统当前状态所属的状态子集是已知的。需要注意的是,上述两种输出可以被结合,也就是说在系统演变过程中事件观察和状态观察可能同时存在。在这篇论文中,我们只考虑事件观察的情形。最大-加自动机是时间DES的重要数学模型,尤其是对那些具有同步行为的系统。本文首先研究了一个由最大-加自动机建模的离散事件系统的状态估计问题。据我们所知,在已有文献中没有直接对时间自动机进行这个问题研究的工作。根据观察到的时间序列,状态估计问题在于找出系统在给定时刻的所有可能的当前状态。我们首先给出了关于观察序列的一致状态的定义。然后我们提出迭代算法分别用来在线和离线解决状态估计问题。提出的算法主要思想源于以下事实:最大-加自动机的动态行为可以通过其状态向量来表征,状态向量是关于发生事件序列的递归方程的解。然而我们发现不能直接使用状态向量来解决这个问题,所以伪状态向量被定义并被用于状态估计问题。基于状态估计方法,我们对最大-加自动机进行故障诊断。在故障诊断问题中,基于事件的框架下,不可观测的事件通常被划分为两部分,一部分是模拟故障行为的故障事件,另一部分是正常事件,它们虽然是不可观察,但没有描述任何故障行为。相关文献表明,基于事件框架中的故障诊断问题总是可以转化为基于状态框架中的等效问题。因此,我们首先提出了一种将自动机G转换为G~*的算法,以便于在基于状态的框架下处理故障诊断问题。我们的算法确保自动机G产生的时间语言等于G~*产生的时间语言。然后,在G~*中,状态估计方法被用来计算与给定时刻观察到的时间序列一致的状态。最后,与故障类别有关的诊断状态,例如“正常”或“故障”或“不确定”被分配给观察序列。换句话说,故障类别是否发生被确定了下来。