随着科学技术的发展,工业系统的结构日趋复杂,故障出现的可能性和复杂性随之增加。为了提高系统的安全性和可靠性,及时地对系统进行故障检测、隔离和辨识至关重要。根据故障的性质,故障可分为结构型故障（硬故障）和参数型故障（软故障）。由于结构型故障往往会给系统带来灾难性后果,其相关诊断理论与方法是早期故障诊断研究的重点。近年来,随着结构型故障诊断理论的不断成熟,故障诊断的研究重点逐渐转移到了参数型故障诊断。相比于结构型故障,参数型故障虽不会立即引发系统拓扑结构的改变,但会造成系统整体性能的退化甚至失效。因此,参数型故障诊断是进行早期故障判定,故障根源分析、剩余寿命估计和容错控制等问题分析的前提和关键。相比于结构型故障,参数型故障的故障诊断更加困难,相关研究也更加活跃。目前,针对参数型故障的诊断主要有基于模型和基于数据驱动这两类方法。其中基于模型的故障诊断方法大多是将线性系统的故障诊断方法推广到非线性系统,然后利用线性系统的故障诊断理论进行相关研究。当系统包含模型误差、随机噪声和外部干扰时,这种线性化的方法很可能会产生较大的误差,甚至导致错误的结论。而基于数据驱动的方法,其诊断性能常常依赖于训练数据的数量和质量。由于实际系统的故障模式较多且故障样本有限,因此,基于数据驱动的诊断方法存在计算复杂度大和对故障的逼近精度不足等问题。为了克服单一方法所带来的弊端,本文采取基于数学模型、数据驱动以及智能优化等多种方法的融合进行故障诊断。具体内容主要围绕三个问题展开:一是智能观测器的设计,二是智能自适应观测器的设计,三是智能自适应观测器在非线性时变故障诊断中的应用研究。围绕以上问题,论文的主要研究内容及取得的成果如下:一、本文系统地归纳并总结了现有诊断方法的优缺点。围绕如何提高多维参数型故障的辨识精度、增强状态参数估计的鲁棒性等问题,重点分析了不确定系统故障诊断中存在的保守性、数学模型的局限性,以及多诊断方法融合的趋势和优势。二、提出了一种智能观测器。针对传统观测器对于非线性系统多维状态估计困难,观测器增益不易求解等问题,本文将多状态故障诊断问题转化为多状态优化问题。在系统参数已知,初始状态未知,状态部分可测的前提下,利用基本差分进化算法对系统初始状态进行优化求解。通过将优化算法估计的状态初始值代入系统模型构成一种智能观测器实现非线性系统状态估计。三、提出了一种智能自适应观测器。针对系统初始状态难以确定或存在误差,状态不完全可观测的系统,本文设计了可对参数-状态联合估计的智能自适应观测器,并从系统结构,优化以及智能算法三个方面,给出观测器收敛的充分条件。针对输出数据存在噪声等情况,通过构建不同的适应度函数对输出信号进行一致性分析和特征提取,提高智能自适应观测器的鲁棒性。四、为了改进基本差分进化算法搜索停滞和早熟收敛等问题,本文引入Cubic混沌映射增强初始种群多样性,并在变异环节引入自适应收缩因子,保证算法的遍历性和收敛速度。五、针对非线性动态系统的时变参数型故障,本文基于“时间冻结”理论,引入滑动时间窗,实现对模型参数的分时段的辨识和滚动优化。通过多个仿真案例证明了本文所提观测器无论是对于单参数还是多参数故障诊断均有较好的鲁棒故障诊断性能。