传感器是系统获得数据的关键环节，其工作状态的好坏直接影响系统的正常运行。如果传感器发生了故障而未被检测到，则可能对系统造成灾难性的影响。因此，对传感器进行故障诊断研究就显得非常重要。　　液体火箭发动机地面试车的不安全因素多，危险性大。本文分析了目前传感器故障诊断技术的发展现状，总结了各种诊断方法的特点，并对其适用条件和局限性进行分析，在此基础上结合试车台的传感器的实际特点研究了相应的故障诊断方法。　　液氢供应系统压力信号的真实、准确对保证发动机试车的顺利进行最为重要，其传感器的故障诊断成为本文研究的重点。本文在分析液氢供应系统压力传感器之间相关特性的基础上，研究了基于多传感器解析模型的主元分析方法，深入探讨了各种传感器故障检测、辨识参数及数据重构方法，并通过仿真故障数据对检测、辨识和重构的方案进行了对比分析，得出了最佳的检测、辨识参数及重构方法。同时，对主元分析模型区分传感器故障与系统故障的能力进行了分析。　　在主元分析诊断方法研究的基础上进一步研究了多尺度主元分析方法。介绍了小波分析的基本原理和多尺度主元分析的思想，建立了基于多尺度主元分析的传感器故障诊断与重构模型，并给出了相应的实时诊断应用模型。与传统的主元分析方法相比，这种方法的传感器故障检测性能得到有效提高。在建立的多尺度主元分析诊断模型中，采用在传感器信号小波变换的所有尺度上建立主元分析模型的思想，并且结合主元分析方法中研究的检测、辨识参数及重构方法实现了对传感器故障的全面诊断及数据重构。对传统的多尺度主元分析的实时应用模型进行了改进，实际应用效果更加理想。在基于小波变换的多尺度主元分析研究的基础上，又进一步研究了基于小波包的多尺度主元分析方法，建立了基于小波包的多尺度主元分析模型并用于传感器故障诊断与数据重构。同基于小波变换的多尺度主元分析模型相比，建立的模型也可以使检测传感器高频类故障的性能得到进一步提高。　　本文根据试车台流量传感器的特点，研究了基于模式识别的传感器故障诊断方法，介绍了这种方法在故障诊断中的鲁棒性要求。设计了基于数据预处理及小波包分解提取各尺度能量的特征提取方法，满足了模型对故障起始时间及故障幅值的鲁棒性要求；建立了RBF和LVQ两种神经网络作为模式分类器，对传感器状态进行有效识别；利用减法聚类技术实现对传感器新型故障的辨识。这种将有监督的神经网络与无监督的聚类技术相结合的方法实现了对传感器故障模式的有效分类，同时满足了模型识别方法对传感器新型故障识别的鲁棒性要求。　　最后，根据算法的实时性及现场的实际需要，采用MS SQL Server及C++技术针对研究的方法开发了实际的传感器故障诊断系统，并通过仿真的传感器故障数据对开发的系统进行了检验。