现代控制系统规模和复杂度不断增加,对其可靠性和安全性的要求也越来越高,精确的状态估计是实现智能控制、故障诊断和预示等功能的关键环节和必要基础。粒子滤波具有不受系统线性和噪声高斯分布约束的显著优点,已被广泛应用于非线性非高斯系统的状态估计。但是,系统参数和量测的不确定性,如静差、漂移、异常值等非随机显著误差的存在,使得常用粒子滤波算法对系统状态的估计产生较大的偏差,影响状态估计的鲁棒性,特别是进行故障诊断时,容易导致误报警或漏报警。本文针对非线性非高斯系统中量测和参数不确定问题,深入研究粒子滤波在不确定性系统状态估计与故障诊断中的关键技术,主要研究内容包括:(1)综述了状态估计和粒子滤波算法的基本思想、意义及其应用,深入分析并比较了各种状态估计方法的优劣特性,阐述了面向状态估计的粒子滤波算法研究现状及发展趋势,给出了课题研究的重要意义。(2)针对不确定系统状态估计的粒子滤波问题,系统全面地研究了基于GPF和APF算法的状态估计框架,论述了面向非线性系统数据校正的PF-DRGED机制,阐述了该机制的算法设计思想,分析了该算法未综合考虑各种显著误差类型共存的局限,为后续研究奠定了基础。(3)针对量测不确定系统中静差、漂移和异常值等显著误差并存的问题,提出了一种融合错误识别与测量补偿功能的鲁棒粒子滤波GEDI-MC-RPF算法。该算法首先基于观测函数残差来检测异常测量值,进而利用不同显著误差数学特征来识别误差类型并估计其量级,然后通过有针对性的补偿方案消除其影响并更新其权重,最终推导得到更新的状态。为验证所提出算法的准确性和有效性,使用一个过程工业实例来进行仿真,并将其与传统GPF和APF算法估计结果进行了比较分析。结果表明GEDI-MC-RPF对于具有静差、漂移和异常值等不确定测量误差的系统状态估计具有良好的鲁棒性。(4)Artificial Evolution和Kernel Smoothing策略是状态参数估计领域中传统粒子滤波算法的两大策略,但它们均存在无法及时检测与跟踪系统运行条件改变、或发生故障所导致的模型参数变化问题。针对这一问题,提出了一种面向参数不确定系统的新型粒子滤波算法——RPF-SPE方法。该方法通过含有测量误差的测试标准来识别和跟踪参数变化,并根据变化的参数自适应调整粒子方差,最终通过粒子迭代实现可靠的状态参数估计。通过一个分别设置器件和传感器故障、带有可变参数的典型非线性动态系统来验证所提出方法的效果,并与传统方法进行了有针对性的比较。结果表明,当发生系统故障或运行条件改变时,所提出的RPF-SPE方法可以有效地追踪参数的改变,精确实现系统状态和参数的鲁棒估计。(5)针对量测与参数不确定系统的故障诊断问题,提出了基于粒子滤波算法的鲁棒故障诊断RPF-FDD策略,并设计了基于无线传感网络的复杂分布式数据采集网络。针对混合动力轮胎吊能量回馈制动系统,建立了故障诊断框架,提出了分布式智能故障诊断系统构建方法,通过设置相应的模拟故障,验证了所提出的鲁棒故障诊断策略。实验结果证明,该方法可有效识别量测与参数不确定下的系统故障类型。本文针对基于粒子滤波的状态估计与故障诊断若干关键问题开展了深入研究,主要提出了针对量测不确定系统的GEDI-MC-RPF算法和参数不确定系统的RPF-SPE方法,解决了不确定测量误差与动态变化参数对粒子滤波迭代过程及估计结果带来的影响;提出了基于粒子滤波的故障诊断RPF-FDD策略,并设计了相应的分布式数据采集网络,实验仿真结果表明所提出的方法达到了预期目标和要求。