为了保证系统正常、安全地运行,故障诊断研究备受关注。通常,在复杂动态系统中,过程数学机理与知识难以预先获取,而过程数据很丰富且易于获取。因此,研究在纯数据模型框架下动态系统的故障诊断问题很有意义。针对动态系统故障诊断面临的模型自动更新和动态过程特征表达两大问题,本文分别从过程中全局和局部信息的自适应提取、模型的自适应稀疏化、时序逻辑的引入和扩展的角度,采用自适应主元分析(principal component analysis,PCA)和时序逻辑主要进行了以下几个方面的创新性研究:1、针对传统的PCA因模型全局、固定不能准确地反映动态时变和局部信息的缺陷,通过在每一种系统运行状况下对过程变量进行自适应分块,使得不同的运行状况有着各自的变量分块结果,并且充分利用块内局部信息和块间全局信息,根据每一个分块结果构建不同的全局和分块故障诊断模型,提出自适应分块PCA方法。最后探究该方法在TE过程中的应用,提高了故障检出率和故障分离的准确性。2、研究动态时变模型的自适应稀疏化问题。通过将不同的与各自系统运行状况相关的负荷向量稀疏惩罚项引入原始的PCA的优化命题的目标函数中,构建自适应稀疏PCA的优化命题,并且提出用于求解该优化命题的迭代内点算法,得到仅仅包含少量非零元素的稀疏负荷向量。然后,定义QT2和SPE统计量用于故障检测。如果发生了故障,则通过选取与故障相关程度大的变量并优先对它们进行故障重构的方式来实现故障分离。将该自适应稀疏方法应用在TE过程和波形系统的故障检测与分离中,验证了方法的有效性。3、探究纯数据驱动的复杂动态系统中过程时变特征的表达和学习问题,并且提出一种基于PCA和时序逻辑的多层故障检测与识别框架。利用时序逻辑以自然语言的形式表达系统中过程变量层、PCA所选取的主元层和监控统计量层的过程时变特征。提出一种新的分段线性拟合算法,用于统计学习时序逻辑公式。然后,在系统正常和故障运行状况下,分别创建正常和故障时序逻辑库。通过检查系统当前行为是否满足正常库中的时序逻辑公式来在线监测是否发生故障,如果发生故障,则基于故障库采用相似度测量来识别被检测故障的类型。最后将该多层故障检测与识别框架应用在TE过程中。4、针对现有的时序逻辑对动态时变特征表达力不足的问题,扩展一种新的时序逻辑,并将该扩展时序逻辑用于在线故障检测。首先,利用PCA选取其所提取的前几个主元作为过程特征变量。然后,根据这些特征变量,统计学习扩展的时序逻辑公式。最后,构建自动机形式的故障诊断模型,实现机器人手臂系统和波形系统的在线故障检测。