摘要
状态估计是动态系统中基于模型的故障检测与诊断技术的重要组成部分，它为航空航天、电力系统、机器人技术以及自动驾驶汽车等领域的实时监控、预测性维护以及关键安全操作提供了支撑。传统的状态估计器，如卡尔曼滤波器及其变体，虽然能够为故障检测提供具有物理意义的残差信息，但在面对非线性动力学、模型不确定性、传感器故障以及非高斯噪声时，往往无法保持良好的性能。本文对基于状态估计的故障检测与诊断方法进行了全面综述，重点探讨了结合人工智能技术的卡尔曼滤波方法，以及将机器学习模型——包括神经网络、支持向量机和高斯过程——与传统估计理论相融合的混合框架。该综述系统地分析了基于模型、数据驱动以及混合型的各种方法，在复杂的 Cyber-Physical Systems 中对比了它们的鲁棒性、精度、计算效率、可扩展性以及可解释性。此外，文章还指出了当前的研究趋势和尚未解决的问题，包括在线自适应、容错估计、传感器融合、可解释人工智能技术，以及在工业4.0和物联网环境中的应用。通过将传统估计理论与现代人工智能技术相结合，本文为设计出更加智能、灵活且具备强韧性的故障检测与诊断系统提供了指导，有助于提升系统的可靠性、运行安全性以及实际应用能力。
