随着自动化技术、计算机技术以及人工智能技术等高新技术的快速发展,现代化复杂工业系统正逐步朝着高复杂度和高集成度方向发展,而保证现代复杂工业系统安全有效运行的故障诊断技术至关重要。但由于系统数据具有数据量大、维数高、种类多、单位信息包含有价值信息少等问题,给故障诊断带来很多新的挑战。基于此,本文开展针对数据预处理和在线实时故障诊断等方面研究,全文的主要研究内容如下:(1)基于信息熵与相对主元分析的故障诊断方法。首先,利用信息熵及信息增益算法,构建了度量变量重要性的度量函数;然后基于该度量函数和量纲标准化方法,建立了新的数据预处理模型;进而结合新型的主元分析模型进行故障诊断。最后,通过TE化工过程故障数据集和UCI的Wine数据集仿真实验,所提方法表现较好的诊断性能。(2)基于随机投影和支持向量机的故障诊断方法。首先引入数据降维,以解决训练数据集的复杂分布以及高维特征计算复杂度高的问题;然后通过对不同降维方法的保距性分析,相较基于主元分析的降维方法,随机投影在降维同时能够保持样本间距离近似不变;之后据此提出基于随机投影进行降维和支持向量机进行故障诊断的算法,它不仅能降低计算复杂度,而且可确保算法在投影空间的诊断性能。最后,通过美国西储大学的滚动轴承故障仿真实验,验证算法的有效性。(3)基于kalman filter的实时在线极限学习机的算法。首先引入在线序贯极限学习机算法,解决系统运行过程中实时在线更新数据的问题;然后通过理论分析和实验验证对比kalman filter与上述方法在参数更新的性能;之后,据此提出基于kalman filter的实时在线极限学习机的算法,它不仅能快速学习模型,并且可利用新采集有效信息调整模型,以实现准确的故障诊断。最后,基于不同回归模型的仿真实验,说明新方法的有效性和普适性。