故障诊断指的是对系统运行状态进行分析,并根据分析结果检测、分离和评价异常状况,并为故障恢复提供依据的技术。预测性维护指的是借助算法分析系统状态的变化趋势,在故障造成重大损失前实施主动性维护措施,进而提高设备使用寿命的任务类型。随着集散控制系统在工业过程中的广泛应用,越来越多的生产数据能够得以采集和保存,利用这些数据对故障作出准确的诊断进而对设备实施早期的维护能够节省生产成本、提高产品质量、保证过程安全。然而,由于现代流程工业过程普遍存在复杂性高、非线性强、时变不确定等特点,传统的故障诊断方法已经越来越难满足要求。本文在前人研究工作的基础上,针对工业系统中常见的故障问题,提出了基于系统辨识的故障诊断和预测性维护方法,具体包括:(1)提出了一种基于辨识模型残差的故障检测与分离方法。首先在正常工况下,利用系统输入输出的采样数据辨识出过程的动态模型。然后,在在线监测工况下利用残差来检测系统是否存在故障,以及进一步分离输入端故障、输出端故障与过程参数变化。残差是基于过程输出观测值与模型输出之间一致性检验的结果,残差的阈值根据正常工况条件下残差统计量的分布规律设定。最后,通过仿真验证了所提方法的有效性。(2)针对工业控制阀非线性特性,提出了一种基于机理模型的两步辨识诊断法。首先,根据输入输出关系利用少量参数对控制阀的非线性特性进行系统描述。然后利用高阶ARX模型描述线性动态对象,采用输出误差准则通过遍历得到控制阀非线性部分的待估参数。接着重构阀门位置输出信号,利用低阶Box-Jenkins模型估计出线性动态对象模型的参数。最后从数学上证明了算法的一致性,并通过仿真和工业数据集验证了所提方法的有效性。(3)针对工业控制阀非线性特性,提出了一种基于唯象模型的迭代辨识诊断法。利用三次样条、多继电或多间隙结构将阀门非线性输入输出关系描述为已知基函数的线性组合,根据渐近辨识算法的思想,提出了一种使预报误差近似最小化的迭代辨识算法,估计出非线性基函数的权重与线性动态对象的模型参数。迭代分两个步骤单独进行,每一步解决一个最小二乘问题,同时引入单位化技巧提高辨识精度。最后通过工业数据集验证了所提方法的有效性。(4)针对过程参数变化,完善了 一种基于置信区间的故障诊断与预测性维护方法。定期对系统进行辨识实验,利用系统输入输出数据辨识出过程的动态模型,并计算出相应的置信区间。不断将在线监测工况下的过程模型与正常工况下的过程模型作比较,通过模型的阶跃响应、频率响应等特性的变化对系统的运行情况作出评价,当过程参数的变化达到一定程度时进行维护预警。最后,通过仿真验证了所提方法的有效性。文末,在总结全文的基础上,对所研究的内容进行了详细总结,并对今后的研究和发展方向进行了展望。