当前控制系统趋向于大型化和复杂化,在现代控制系统中,数据参数众多,故障类型复杂。为提高控制系统的安全性和可靠性,在故障发生时,需要及时有效地对故障进行故障检测和分类,实现控制系统的故障诊断。传统的故障诊断方法常要求建立精确的数学模型完成对控制系统的故障诊断,但是复杂的控制系统内部之间相互关联,故障数据多为非线性、非高斯数据,难以建立精确的数学模型。人工智能的方法具有处理复杂多模式、自适应学习推理和并行协调处理数据等特点,能对故障数据进行多方面、多层次、多级别的处理,适应性强,易于转换,能够适应和应用在不同控制系统中,为当前大数据处理和非线性分析提供了有效地手段。基于人工智能的故障诊断方法不用建立精确的数学模型,通过对故障数据的分析处理便能实现控制系统的故障诊断。首先,论文介绍了本课题的研究背景和意义,对当前的故障诊断方法研究现状进行了分析,在故障诊断方法中,人工智能方法具有较大的优势。分析控制系统故障类型,针对控制系统故障具有随机性和隐蔽性等特点,选择人工智能方法中的栈式降噪自编码器(stacked denoising autoencoder,SDAE)进行故障诊断。栈式降噪自编码器为深度学习方法中的一种,通过将无监督学习和有监督学习相结合,能有效地分析处理控制系统中维度高,具有非线性特征的数据,实现故障特征提取和故障分类。通过TE控制系统仿真实验,将栈式降噪自编码器与径向基(radial basis function,RBF)神经网络和BP(back propagation)神经网络进行比较。实验表明栈式降噪自编码器的正确率明显高于径向基神经网络和BP神经网络,验证了该方法的有效性。其次,栈式降噪自编码器方法在控制系统故障诊断中虽然能取得较高的正确率,但是在慢漂移故障诊断中的诊断效果较差。本文在栈式降噪自编码器的基础上,对栈式降噪自编码器进行改进,提出核主成分分析(nuclear principal comporent analysis,KPCA)和栈式降噪自编码器相结合的方法。核主成分分析对故障数据进行非线性处理,得到故障数据的主导成分,提取故障特征,降低数据维数,将处理后的数据作为栈式降噪自编码器的输入数据,对故障再次进行特征提取和分类,完成控制系统的故障诊断。通过实验验证了 KPCA-SDAE神经网络模型对慢漂移故障的正确率有了明显的提升,该方法具有良好的故障诊断效果。最后,对KPCA-SDAE的参数设置进行分析研究,通过选择不同的激活函数和梯度下降优化算法进行实验仿真,验证了不同参数设置对实验模型的影响,对KPCA-SDAE神经网络参数选择的合理性进行了探讨。