随着社会科学技术的发展,高科技已经注入到人类生活的各个方面,并使得工业、通信、航空等领域的工程和系统更加复杂化、集成化和智能化。同时,随着这些复杂工程系统的快速发展,开发和生产成本越来越高,可靠性和安全性要求也明显提高。当这些系统处于失效状态时,可能会带来严重的经济损失和环境污染,有时还会危及人身安全,造成灾难性的破坏。因此,对系统进行有效的故障诊断和性能预测至关重要。本文以两个复杂的动态系统TE过程和锂离子电池容量衰减过程为研究对象,进行复杂系统的故障诊断与性能预测方法研究:(1)针对复杂系统的故障诊断中,传统的方法存在诊断准确率低的问题,本文提出了一种基于改进的蝴蝶优化算法优化概率神经网络的故障诊断方法。首先,针对基本蝴蝶优化算法收敛速度低、易陷入局部最优等问题,使用了对立学习策略对蝴蝶的初始化种群的分布位置进行调整,使其更能接近搜索空间的最优位置;面对蝴蝶优化算法中种群的全局搜索与局部搜索不平衡的问题,使用自适应惯性权重对种群的全局寻优过程进行改进,增强了算法的全局动态寻优能力。其次,将改进的蝴蝶算法应用于概率神经网络的平滑因子优化中,有效地提高了神经网络的故障诊断能力。最后,将优化的概率神经网络用于TE过程的故障诊断中,实验分析表明:与传统的故障诊断方法相比,该方法有更高的故障检测率,验证了该方法的有效性和优越性。(2)针对复杂系统的性能预测中,传统的方法存在预测率低的问题,本文提出了一种基于改进的蝴蝶算法优化粒子滤波算法的性能预测方法。首先,对于粒子滤波算法权值退化和粒子多样性匮乏等问题,将改进的蝴蝶算法应用于粒子滤波的重采样中,使其预测性能得到了提升。其次,将改进的粒子滤波算法应用到锂离子电池系统剩余寿命预测中,实验分析表明:与基本粒子滤波算法相比,该算法能准确地预测到电池的剩余寿命值。