随着科学技术的发展,系统逐渐向智能化、自动化、复杂化方向发展。系统在长期工作过程中,由于设备的磨损或老化,不可避免地会导致其出现故障。一旦故障发生,势必对生产过程造成一定的影响,甚至出现财产损失和人员伤亡。因此,对设备进行及时有效的故障检测与诊断具有非常重要的意义。同时,随着计算机技术的发展与网络的普及,网络化系统越来越多地出现在生产过程中。由于网络的承载能力和通信带宽有限,以及环境遮挡和干扰等因素的影响,网络系统中不可避免地存在时间延迟和数据包丢失等问题,进一步增加了网络化系统故障检测与诊断的难度。在这样的背景下,本文综合考虑以上问题,重点研究故障检测与诊断技术及其在网络化系统中的应用,主要内容和创新点如下:(1)提出了改进的残差加权平方和故障检测算法以及范数有界故障检测算法。首先,针对网络数据通信存在的一步随机滞后和多丢包问题,应用新息分析方法,设计了在线性最小方差意义下的最优线性滤波器,并分析了滤波器的稳态特性。其次,基于所设计的滤波器,提出了改进的残差加权平方和故障检测算法以及范数有界故障检测算法,并通过仿真实验对两种方法的性能进行了比较研究。(2)提出了一种具有自适应网络结构和高分类准确率的BP神经网络(Back Propagation Neural Network,BPNN)故障诊断方法。首先,针对BP神经网络结构难以确定的问题,提出了基于有界最小信息准则(Akaike Information Criterion,AIC)的隐层神经元个数优选方法,为神经网络结构优化提供了一种有效途径。其次,针对BP神经网络在少样本情况下分类准确率不高的问题,利用AdaboostM2(Adaptive Boosting Method 2)算法可以提高任意系统学习能力的优势对BP神经网络进行优化,设计了BP_AdaboostM2强分类器,使其分类准确率大幅提高,同时给出了优化过程中提高错分样本学习概率的措施。最后,通过实例验证了该方法的实用性和有效性。(3)提出了一种基于一致强度证据合成规则的故障诊断方法。首先,针对经典DS合成规则无法处理冲突证据的问题,提出了一致强度的概念,进而给出了基于一致强度的证据合成规则,分析了其计算复杂度,并通过算例验证该合成规则的有效性。最后,给出了一种基于一致强度证据合成规则的故障诊断模型及其实现步骤,并通过实例验证了经过多故障特征融合后,能够得到正确的故障诊断结果。(4)应用前面所提出的方法解决移动机器人的故障检测和诊断问题。针对移动机器人传感器子系统和驱动子系统的故障特点,提出了基于系统新息云特征和神经网络的移动机器人故障诊断方法,详细给出了方法的实现过程并进行了实例测试;针对神经网络对于某些故障类型的诊断结果准确率不高的问题,将神经网络的一级诊断结果作为证据体,利用证据理论进行融合,提出了基于证据理论的二级融合故障诊断方法。实例分析表明,所提出的策略有效提高了诊断结果的准确性。