随着工业自动化水平的日益提高,系统中的关键设备都在朝着精密化和复杂化方向发展。这些设备的安全可靠运行是人们非常关心的重要问题,对其进行安全监测具有重要的社会意义和经济意义。在实际工业生产中,即使系统设计的很完善,在不同的工况下长时间运行,都会出现不同程度的故障。特别地,在系统发生渐变故障后,对系统运行状态进行准确及时的监测(从系统提取有效的、稳定的特征来准确反映系统退化状态)、故障诊断和健康管理显得尤为重要。本文主要研究如下三个方面的内容:基于确定学习理论,针对一类发生渐变故障的非线性不确定系统,沿着系统的轨迹,首先对系统动态进行准确辨识得到系统的动力学轨迹,在动力学轨迹基础上提取出更加敏感的系统动态特征;然后,使用动态模式识别方法对系统渐变故障进行快速检测;最后,结合系统残差的变化对系统失效时间进行准确预测,以实现对系统健康状态的实时评估。具体如下:1.非线性系统的动态建模及特征提取。对一类非线性动力学系统,通过确定学习理论对系统未知的系统动态进行局部准确辨识,并将系统状态轨迹代入动力学建模结果中得到系统的动力学轨迹。首先,在Lempel-Ziv复杂度(LZ复杂度)算法的基础上,提出了时空LZ复杂度,其包含了时间复杂度(Temporal-LZ compelxity,TLZC)和空间复杂度(Saptio-LZ compelxity,SLZC)两个指标,用于表征系统动力学轨迹的复杂度;其次,对系统的时空LZ复杂度特征指标进行敏感程度分析;然后,使用经典的非线性动力学系统(Rossler系统和Duffing系统)进行数值仿真。结果表明,相比于状态轨迹,从动力学轨迹中提取的特征可以更加敏感地反映出非线性动力学系统的周期、倍周期及混沌状态。最后,将所提出的方法应用到实际的心电信号动态特征表达上,结果表明,提取出的心电信号动态复杂度指标能更加明显反映出心肌缺血的情况,可以显著提高其对心肌缺血检测准确度、特异度和敏感度。2.基于确定学习理论的渐变故障快速检测。针对一类包含不确定项和外部扰动的非线性系统,定义系统的健康模式、亚健康模式和故障模式。运用确定学习理论对系统三种模式的动态进行准确的辨识,将学到的三种模式下的知识以常值径向基神经网络的形式进行存储。基于确定学习的泛化能力和故障的渐变特性选取具有代表性的模式,构建系统动态模式库。利用该模式库构造一系列动态估计器,与待检测系统进行比较,从而得到三类不同模式的残差。采用最小残差原则,实现对系统亚健康和渐变故障的快速检测。针对在有/无外部扰动干扰情况下,对渐变故障的可检测性进行了充分的分析。与现有的基于在线逼近器的渐变故障检测方法相比,所提出的方法不要求渐变故障幅值在一定时间内大于系统的建模不确定项,对微小渐变故障更加敏感,同时可实现对渐变故障的不同阶段(健康、亚健康和故障模式)进行检测,而且还可消除检测阈值需要设定的影响,提供一个更加准确和快速的检测故障方法。3.基于确定学习理论的系统失效时间准确预测。针对由渐变故障引起系统动力学变化的非线性不确定系统,基于确定学习理论的系统失效时间预测机制,可实现对系统失效时间的准确预测:利用确定学习对系统渐变故障不同阶段的动态进行准确辨识,随着系统渐变故障的变化,使用失效模式设计的估计器和待监测系统比较得到的残差将逐渐减小。当系统达到失效状态时,对应的残差将小于失效阈值;基于此,分别对无外部干扰和有外部干扰情况下,建立了系统失效时间预测模型,并将当前时刻系统动态代入到预测模型中,可得到准确的系统失效时间预测值,以便及时制定合理的系统维护策略,保障系统安全运行。进一步结合第四章,建立了一个非线性系统渐变故障检测和系统失效时间预测综合算法(Incipient faults detection and Time-to-failure Prediction,IFDTP)。与已有的其他系统失效时间预测方法相比,本文从系统动态变化的角度给出更加准确的失效时间预测值(满足持续激励条件),在检测和预测过程中都不需要对系统的动态进行重新学习,并且是并行执行的,所提出IFDTP算法更容易实施。