下载掌阅APP，畅读海量书库
立即打开
（1）安全性：指不发生事故的能力，是判断、评价系统性能的一个重要指标。安全性表明系统在规定的条件下、规定的时间内不发生事故的情况下，完成规定功能的性能。其中，事故指的是使一项正常进行的活动中断，并造成人员伤亡、职业病、财产损失或破坏环境的意外事件。
（2）可靠性：指无故障工作的能力，是判断、评价系统性能的一个重要指标。可靠性表明系统在规定的条件下、规定的时间内完成规定功能的性能。系统或系统中的一部分不能完成预定功能的事件或状态，称为故障或失效。系统的可靠性越高，发生故障的可能性越小，完成规定功能的可能性越大。如果系统很容易发生故障，则说明系统很不可靠。
（1）异常：指系统中的不规则或偏离标准状态。
（2）故障：根据GJB 451A—2005，故障是指产品不能执行规定功能的状态，通常指功能故障，因预防性维修或其他计划性活动或缺乏外部资源而不能执行规定功能的情况除外。
（3）失效：根据GJB 451A—2005，失效是指产品丧失完成规定功能的能力的事件。在实际应用中，特别是对硬件产品而言，故障与失效很难区分，故一般统称为故障。
（1）诊断：指检测故障和隔离故障的过程（GJB 3385—98）、检测和隔离故障的活动（GJB 2547—95、GJB/Z 91—97）、为确定和隔离故障所执行的功能和所用的技术（MIL-STD-1309D-92），以及为识别故障、定位故障和确定故障原因所进行的工作（GB/T 3187—94）。
注：在GB/T 3187—94中，将此（诊断）定义称为“故障诊断”（Fault Diagnosis）。
（2）预测：指根据测试数据确定系统或设备潜在故障的过程。在评价一个系统或设备时，使用测试性能或其他有关数据，确定潜在的、即将发生的故障（MIL-STD-1309D-92）。对故障的症状进行分析，以预测未来的使用状态和剩余使用寿命。
维修保障是指维修机构在规定的条件下，按照规定的维修策略提供维修元件或系统所需资源的能力。
（1）健康：“健康”是系统良好状态的一种统称，是医学领域的常用名词。“人的健康”定义为人在身体、情感、精神、社会等方面持续应对所处环境的能力程度。现阶段，对于装备的“健康”尚未形成统一的定义。参照“人的健康”的定义，结合装备特点，本书中定义“装备的健康”为装备系统持续应对所处环境并完成规定任务的能力程度。
（2）健康监测：根据诊断/预测信息、可用资源、使用需求，对维修活动做出适当规划与决策。
（3）装备健康监测理论：装备健康监测理论着眼于微观和介观的动态变化与损伤过程控制，是由健康相关概念内涵及表征（认知层次）、健康时空演化规律（机理层次）、装备健康监测方法（实践层次）构成的理论体系。装备健康监测工程是以防止故障和最大限度降低故障影响为目标，进行健康监测系统设计、分析、制造、验证和使用的管理与技术过程。
故障诊断技术是一门综合性技术，不仅与诊断对象的性能和运行规律密切相关，而且涉及多门学科，如现代控制理论、可靠性理论、数理统计、模糊集理论、信号处理、模式识别和人工智能等。设备故障诊断的任务是监测设备的状态并判断其是否正常，预测和诊断设备的故障并消除故障，指导设备的管理和维修。
状态监测的任务是了解和掌握设备的运行状态，包括采用各种检测、测量、监视、分析和判别方法，结合系统的历史和现状，考虑环境因素，对设备运行状态进行评估，判断其是否处于正常状态，并对状态进行显示和记录，对异常状态进行报警，以便运行人员及时处理，并为设备的故障分析、性能评估、合理使用和安全工作提供信息和基础数据。
设备的状态通常可分为正常状态、异常状态和故障状态3种情况。
（1）正常状态：指设备的整体或局部没有缺陷，或虽有缺陷，但其性能仍在允许的限度内。
（2）异常状态：指缺陷已有一定程度的扩展，使设备状态信号发生一定程度的变化，设备性能已劣化，但仍能工作，此时应注意设备性能的发展趋势，即设备应在监护下运行。
（3）故障状态：指设备性能已大幅下降，设备已不能正常工作。设备的故障状态有严重程度之分，包括已有故障萌生并有进一步发展趋势的早期故障、设备尚可勉强“带病”运行的一般功能性故障、设备不能运行必须停机的严重故障、已导致灾难性事故的破坏性故障及由于某种原因瞬间发生的突发性紧急故障等。
对应不同的状态，应有不同的报警信号，一般用指示灯的颜色加以区分，绿灯表示正常，黄灯表示预警，红灯表示报警。对于设备状态演变的过程，应进行记录，包括对灾难性破坏事故的状态信号的存储、记忆，俗称“黑匣子”记录，以利事后分析事故原因。
故障诊断的任务是根据状态监测所得的信息，结合已知的结构特性、参数、环境条件，以及设备的运行历史（包括运行记录和曾发生过的故障及维修记录等），对设备可能发生的或已经发生的故障进行预报和分析、判断，确定故障的性质、类别、程度、原因、部位，指出故障发生和发展的后果及趋势，提出阻止故障继续发展和消除故障的对策并加以实施，最终使设备恢复正常状态。故障诊断包括如下4个方面的内容。
（1）故障建模。按照先验信息和输入输出关系，建立系统故障的数学模型，作为故障检测与诊断的依据。
（2）故障检测。从可测或不可测的估计变量中，判断运行的系统是否发生了故障，一旦出现意外变化，就发出报警。
（3）故障分离与估计。如果系统发生了故障，则给出故障源的位置，确定故障原因是执行器、传感器或被控对象出现了问题还是发生了特大扰动等。故障估计是指在弄清故障性质的同时，计算故障程度、大小及故障发生时间等参数。
（4）故障分类、评价与决策。判断故障的严重程度，以及故障对系统的影响和发展趋势，针对不同的工况采取不同的措施（包括保护系统的启动）。
设备上不同部位、不同类型的故障会引起设备功能的不同变化，导致设备整体及各部位状态和运行参数的不同变化。故障诊断的任务就是当设备上某一部位出现某种故障时，从相关状态及其参数的变化中推断出导致这些变化的故障及其所在部位。由于状态参数数量极大，所以，必须找出其中的特征信息并提取特征量，才能对故障进行诊断。由某一故障引起的设备状态的变化称为故障的征兆。故障诊断的过程就是根据已知征兆判定设备上存在的故障的类型及其所在部位的过程。因此，故障诊断方法本质上是一种状态识别方法。
故障诊断的困难在于，故障和征兆之间不存在简单的一一对应关系：一种故障可能对应多种征兆，一种征兆也可能对应多种故障。例如，旋转机械转子的不平衡故障导致振动增大，其中对应转速的工频分量占比较大，是其主要征兆，同时还存在一系列其他征兆。反过来，工频分量占比较大这一征兆不是不平衡的特有征兆，还有许多其他故障也对应这一征兆，这就为故障诊断增加了难度。因此，通常故障诊断有一个反复试验的过程：首先，按已知信息提取征兆，进行诊断，得出初步结论，提出处理对策，对设备进行调整和试验，甚至停机维修；然后，启机进行验证，检查设备是否已恢复正常。如尚未恢复，则需要补充新的信息，进行新一轮的诊断和提出处理对策，直至状态恢复正常。
设备管理和维修方式的发展经历了3个阶段，即从早期的事后维修（Run-to-Breakdown Maintenance）发展到定期预防维修（Time-based Preventive Maintenance），现在正向视情维修（Condition-based Maintenance）发展。定期预防维修可以预防事故的发生，但可能出现过剩维修或不足维修的情况。视情维修是一种更科学、更合理的维修方式，但其有赖于完善的状态监测和故障诊断技术，这也是国内外近年来对故障诊断技术非常重视的一个原因。随着我国故障诊断技术的进一步发展和实施，我国的设备管理、维修工作将上升到一个新的水平，工业生产的设备完好率将进一步提高，恶性事故将进一步得到控制，经济建设将更健康地发展。
随着故障诊断技术的发展，人们已提出了许多方法。按照国际故障诊断权威专家德国Frank教授的观点，故障诊断方法可分为基于数学模型的方法、基于知识的方法和基于信号处理的方法3类。然而，近年来随着理论研究的深入和相关领域的发展，各种新的故障诊断方法不断出现，传统的分类方式已经不再适用。周东华教授从一个全新的角度对现有的故障诊断方法进行了重新分类，将其分为定性分析方法和定量分析方法两大类，如图1-1所示。
图1-1 故障诊断方法分类
1）基于图论的故障诊断方法
基于图论的故障诊断方法主要包括符号有向图（Signed Directed Graph，SDG）方法和故障树（Fault Tree）方法。
SDG是一种被广泛采用的描述系统因果关系的图形化模型。在SDG中，事件或者变量用节点表示，变量之间的因果关系用从原因节点指向结果节点的有方向的边表示。在系统正常时，SDG中的节点都处于正常状态；在系统发生故障时，故障节点的状态会偏离正常值，并发出报警信号，根据SDG给出的节点变化的因果关系并结合一定的搜索策略，可以分析出故障所有可能的传播路径，判明故障发生的原因，并且得到故障的发展演变过程。
故障树是一种特殊的逻辑图。基于故障树的诊断是一种由果到因的分析过程，它从系统的故障状态出发，逐级进行推理分析，最终确定故障发生的基本原因、影响程度和发生概率。
基于图论的故障诊断方法具有建模简单、结果易于理解和应用范围广等特点。但是，当系统比较复杂时，这类方法的搜索过程会变得非常复杂，而且诊断正确率不高，可能给出无效的故障诊断结果。
2）基于专家系统的故障诊断方法
基于专家系统（Expert System）的故障诊断方法利用领域专家在长期实践中积累起来的经验建立知识库，并设计一套计算机程序，模拟人类专家的推理和决策过程，从而进行故障诊断。专家系统主要由知识库、推理机、综合数据库、人机接口及解释模块等部分构成。
知识库和推理机是专家系统的核心，在传统专家系统中，专家知识常用具有确定性的“if-then”规则表示。通常来说，专家知识不可避免地具有不确定性。模糊专家系统在专家知识的表示中引入了模糊隶属度的概念，并利用模糊逻辑进行推理，能够很好地处理专家知识中的不确定性。模糊理论善于描述由“不精确”引起的不确定性，证据理论则能描述由“不知道”引起的不确定性。
基于专家系统的故障诊断方法能够利用专家丰富的经验知识，无须对系统进行数学建模，并且诊断结果易于理解，因此得到了广泛的应用。但是，这类方法也存在不足，主要表现如下：首先，知识的获取比较困难，这成为专家系统开发中的主要瓶颈；其次，诊断的准确程度依赖知识库中专家经验的丰富程度和知识水平的高低；最后，当规则较多时，推理过程会出现匹配冲突、组合爆炸等问题，使得推理速度较慢、效率低下。
3）定性仿真
定性仿真（Qualitative Simulation）是获得系统定性行为描述的一种方法，由定性仿真得到的系统在正常和各种故障情况下的定性行为描述可作为系统知识以用于故障诊断。基于定性微分方程约束的定性仿真方法是定性仿真中最为成熟的方法之一。这种方法先将系统描述成一个代表物理参数的符号集合及反映这些物理参数之间相互关系的约束方程集合，然后从系统的初始状态出发，生成各种可能的后继状态，并用约束方程过滤掉那些不合理的状态，重复此过程，直到没有新的状态出现为止。定性仿真的最大特点是能够对系统的动态行为进行推理。
1）基于解析模型的故障诊断方法
基于解析模型的故障诊断方法，利用系统精确的数学模型和可观测输入输出量，构造残差信号来反映系统期望行为与实际运行模式之间的不一致，然后基于对残差信号的分析进行故障诊断。总体来说，这类方法包括状态估计（State Estimation）方法、参数估计（Parameter Estimation）方法和等价空间（Parity Space）方法。
（1）状态估计方法主要包括滤波器方法和观测器方法，利用被控过程的状态直接反映系统的运行状态，并结合适当的模型进行故障诊断。首先，重新构造被控过程状态，并构造残差序列，残差序列包含各种故障信息及基本残差序列；其次，通过构造适当的模型并采用统计检验法，把故障从中检测出来，并做进一步的分离、估计及决策。通常可用Luenberger观测器或卡尔曼滤波器进行状态估计。
2000年，Puneet Goel等几位美国机器人学者在滑轮式机器人上提出了一种基于多卡尔曼滤波器的故障检测和辨识方法，用适应方法预测可能出现的故障类型，然后学习它们并将其作为故障样本。每种故障类型的行为模型都被嵌入多个类似的卡尔曼滤波器估计器。当预报读数和实际的传感器读数不同时，这个残差就被作为每个滤波器的工作情形指示器。用反馈式神经网络的方法将这个残差集作为样本，确定哪个滤波器与正常状态的滑动式机器人更协调，则最不协调的滤波器可能出现故障。
（2）参数估计方法认为故障会引起系统过程参数的变化，而过程参数的变化会进一步导致模型参数的变化，因此，可以通过检测模型中的参数变化来进行故障诊断。
（3）等价空间方法利用系统的解析数学模型，建立系统输入和输出变量之间的等价数学关系，这种关系能够反映输出变量之间静态的直接冗余及输入和输出变量之间动态的解析冗余，然后通过检验实际系统的输入值和输出值是否满足该等价关系，达到检测和分离故障的目的。
基于解析模型的故障诊断利用了对系统内部的深层认识，具有很好的诊断效果。但是这类方法依赖被诊断对象精确的数学模型，在实际应用中，对象精确的数学模型往往难以建立，此时基于解析模型的故障诊断方法便不再适用。然而，系统在运行过程中积累了大量的运行数据，因此，需要研究数据驱动的故障诊断方法。
2）数据驱动的故障诊断方法
数据驱动的故障诊断方法对过程运行数据进行分析处理，从而在不需要知道系统精确解析模型的情况下完成系统的故障诊断。这类方法又可分为机器学习方法、多元统计分析方法、信号处理方法、信息融合方法和粗糙集方法等。
（1）机器学习方法。机器学习方法的基本思路如下：利用系统在正常和各种故障情况下的历史数据训练神经网络（Neural Network）或者支持向量机（Support Vector Machine）等，以用于故障诊断。
在故障诊断中，神经网络主要用来对提取出来的故障特征进行分类。神经网络的训练需要大量对象的历史数据，这对于有些系统是无法实现的。与神经网络不同，支持向量机更适用于小样本的情况。
机器学习方法以故障诊断正确率为学习目标，并且适用范围广。但是机器学习方法需要过程故障情况下的样本数据，并且精度与样本的完备性和代表性有很大的关系，因此，难以用于那些无法获得大量故障数据的工业过程。
（2）多元统计分析方法。多元统计分析方法利用多个变量之间的相关性对过程进行故障诊断。这类方法根据过程变量的历史数据，利用多元投影方法将多变量样本空间分解成由主元变量张成的较低维的投影子空间和一个相应的残差子空间，并分别在这两个空间中构造能够反映空间变化的统计量，然后将观测向量分别向两个子空间进行投影，并计算相应的统计量指标以用于过程监控。利用不同的多元投影方法得到的子空间分解结构反映了过程变量之间不同的相关性，常用的多元投影方法包括主元分析（Principal Component Analysis，PCA）、偏最小二乘（Partial Least Squares，PLS）及独立主元分析（Independent Component Analysis，ICA）等。
PCA对过程变量的样本矩阵或样本方差矩阵进行分解，所选取的主元变量之间是互不相关的，并且可以由过程变量通过线性组合的形式得到。PCA方法得到的投影子空间反映了过程变量的主要变化，而残差子空间则主要反映了过程的噪声和干扰等。
基于PCA的故障诊断方法将子空间中的所有变化都当作过程故障，而实际中人们往往最关心质量变量的变化，因此，只对那些能够导致质量变量发生变化的故障感兴趣。PLS利用质量变量引导过程变量样本空间的分解，所得的投影空间只反映过程变量中与质量变量相关的变化，因此，具有比PCA更强的对质量变量的解释能力。如果质量变量能够实时在线测量，则可以建立过程变量与质量变量之间的软测量模型，将质量变量的预测值与实测值比较以进行故障诊断。但是质量变量通常无法在线获得，在这种情况下，只能利用PLS给出的过程变量的投影结构和实测值来对质量变量进行监控。当将PLS用于过程监控时，更为贴切的名称是潜空间投影（Projection to Latent Structures）。
基于PCA的故障诊断方法假设过程变量服从多元正态分布，然而在有些情况下，过程变量并不完全是正态分布的。此时，PCA提取出来的主元变量只是不相关的，并不是相互独立的。针对具有非高斯分布的多个过程变量，ICA认为影响这些过程变量的少数本质变量是相互独立且非高斯的，并且可以由过程变量的线性组合得到，利用ICA算法可以提取出这些互相独立的主元变量。
多元统计分析方法不需要对系统结构和原理深入了解，完全基于系统运行过程中传感器的测量数据，而且算法简单，易于实现。但是，这类方法诊断出来的故障物理意义不明确，难以解释，并且由于实际系统的复杂性，这类方法中还有许多问题有待进一步的研究，如过程变量之间非线性，以及过程的动态性和时变性等。
（3）信号处理方法。这类方法利用各种信号处理方法对测量信号进行分析处理，提取与故障相关的信号的时域或频域特征以用于故障诊断，主要包括谱分析（Spectrum Analysis）方法和小波变换（Wavelet Transform）方法。不同的故障会导致信号的频谱表现出不同的特征，因此，可以通过对信号的功率谱、倒频谱等进行谱分析来进行故障诊断。
以傅里叶变换为核心的传统谱分析方法虽然在平稳信号的特征提取中发挥了重要作用，但是实际系统发生故障后的测量信号往往是非平稳的，而且傅里叶变换是一种全局变换，不能反映信号在时频域上的局部特征。小波变换作为一种非平稳信号的时频域分析方法，既能反映信号的频率内容，又能反映该频率内容随时间变化的规律，并且其分辨率是可变的，即在低频部分具有较高的频率分辨率和较低的时间分辨率，而在高频部分具有较高的时间分辨率和较低的频率分辨率。小波变换在故障诊断中的应用主要有以下几种：利用小波变换对信号进行多尺度多分辨率分析，从而提取信号在不同尺度上的特征以用于故障诊断；利用小波变换的模极大值可以检测出信号的突变，因此，基于小波变换的奇异性检测可用于突发型故障的诊断；根据实际系统中有用信号往往集中在低频部分且比较平稳，而噪声主要表现为高频信号的特点，小波变换还常用于随机信号的去噪。基于小波分解与重构的去噪方法通过在小波分解信号中去除高频部分来达到去噪的目的。
（4）信息融合方法。信息融合方法对多源信息进行自动分析和综合，从而获得比单源信息更为可靠的结论。信息融合按照融合时信息的抽象层次可分为数据层融合、特征层融合和决策层融合。目前，基于信息融合的故障诊断方法主要是决策层融合方法和特征层融合方法。
决策层融合方法利用决策层融合算法对基于不同传感器数据得到的故障诊断结果或者基于相同数据经过不同方法得到的故障诊断结果进行融合，从而获得更加准确的结论。基于DS证据理论（Dempster-Shafer Evidence Theory）融合的方法是决策层融合方法中研究最多的一类。DS证据理论处理具有不确定性的多属性判决问题时具有突出的优势，它不但能处理由“不精确”引起的不确定性，还能处理由“不知道”引起的不确定性。
特征层融合方法主要利用神经网络或支持向量机将多个故障特征进行融合，得到融合后的故障特征以用于诊断或者直接输出故障诊断结果。故障特征既可以是从多个传感器数据中得到的特征，也可以是从相同数据中抽象出来的不同特征。
基于信息融合的故障诊断方法利用了多个传感器的互补和冗余信息，但是，如何保证这些信息能够被有效利用以达到提高故障诊断的准确性及减少虚报和漏报的目标，还有待进一步的研究。
（5）粗糙集方法。粗糙集（Rough Set）是一种从数据中进行知识发现并揭示其潜在规律的新的数学工具。与模糊理论使用隶属度函数和证据理论使用置信度不同，粗糙集的最大特点就是不需要数据集之外的任何主观先验信息，就能够对不确定性进行客观描述和处理。属性约简是粗糙集理论的核心内容，它是在不影响系统决策的前提下，通过删除不相关或者不重要的条件属性，使得可以用最少的属性信息得到正确的分类结果。因此，在故障诊断中可以使用粗糙集来选择合理有效的故障特征集，从而降低输入特征量的维数及故障诊断系统的规模和复杂程度。
总之，数据驱动的故障诊断方法不需要精确的解析模型，完全从系统的历史数据出发，因此，在实际系统中更容易直接应用。但是，这类方法因为没有系统内部结构和机理的信息，因此，对故障的分析和解释相对比较困难。需要说明的是，虽然基于解析模型的方法和数据驱动的方法是两类完全不同的故障诊断方法，但它们之间并不是完全没有联系的。
设备故障诊断技术发展至今，相关方法均已有了明显的成效。在定量分析方法中，基于解析模型的故障诊断方法研究较早，对线性系统的诊断也较完善。对非线性系统的故障诊断仍是当前的研究热点和难点问题，采用非线性理论、自适应观测器及定性方法等可以对一些简单的非线性系统进行故障诊断。另外，故障诊断的鲁棒性研究也日益受到重视，它和故障诊断的灵敏性的合理折中也是一个难点问题。此外，故障检测最优阈值的选取和故障的准确定位等诊断性能方面的问题也是研究热点方向之一。数据驱动的故障诊断方法避开了系统建模的难点，实现简单，实时性较好，但对潜在的早期故障的诊断存在不足，因此，多用于故障的检测，与其他诊断方法的结合有望提高其故障诊断性能。
定性分析方法对于复杂系统和非线性系统有较大的实际意义。由于该类方法充分考虑了人的智能因素，更符合对实际系统的自然推理，是一类很有前途的诊断方法。但该类方法的部分理论尚不成熟，真正应用于工业实际过程的不是很多，在很多方面还有待进一步研究。
虽然经过几十年的发展，故障诊断研究已经取得了大量的成果，但是在已有成果中，对于故障检测问题的研究较多，而对于故障分离和辨识问题的研究较少；对于单故障诊断问题的研究较多，而对于多故障诊断问题的研究较少。此外，对于故障诊断的鲁棒性、自适应性等问题的研究和结论也较少，这些都有待进一步的研究。
（1）数据驱动的复杂系统的故障诊断和预测。复杂系统具有高维、强非线性、强耦合及大时延等特性，很难对其建立精确的数学模型，因此，根据复杂系统的实际运行数据对其进行故障诊断和预测，成为保证复杂系统安全、可靠运行的关键问题。
（2）基于定量数据和定性信息的故障诊断和预测。系统知识既包括客观反映系统运行状态的测量数据（定量数据），也包括人们的主观认知和经验（定性信息），因此，如何在故障诊断和预测中将这些客观定量数据和主观定性信息进行综合利用是一个重要的研究方向。
（3）复杂系统的混合故障诊断和预测。实际系统的复杂性及各种故障诊断和预测方法的局限性，使得单一的故障诊断和预测方法往往无法达到理想的效果。因此，如何有效地利用多种故障诊断和预测方法提高整个诊断系统的性能是一个具有重要现实意义的研究方向。
（4）特定系统的故障诊断和预测。在对混杂系统、奇异系统和网络化控制系统等进行处理时，需要解决其特有的问题，一般的动态系统故障诊断和预测方法很难适用，必须研究针对这类系统结构和特点的故障诊断和预测方法。
目前，故障诊断正处于智能化诊断阶段。这一阶段的特点是将人工智能的研究成果（如专家经验的总结、模糊逻辑和人工神经网络等）应用到故障诊断领域中，以常规诊断技术为基础，以人工智能技术为核心，其研究内容与实现方法已发生并将继续发生重大变化。此时，以数据处理为核心的诊断过程被以知识处理为核心的诊断过程代替，对诊断技术的研究转变为从知识的角度出发来系统地研究诊断技术。智能诊断技术经过二十多年的发展，已有了很多研究成果，但远未达到成熟的水平。
智能诊断技术能够大大提高诊断的效率和可靠性。目前，智能诊断技术主要有3个基本方向：专家系统故障诊断、模糊逻辑故障诊断和神经网络故障诊断。它们之间的融合也在研究之中。
人工智能在故障诊断领域中的应用，实现了基于人类专家经验知识的设备故障诊断，并且将其提高到一个新的水平——智能化诊断。由此可以看出，故障诊断是一门综合性学科，它的发展离不开它所依赖的基础学科的发展。可以说，与前沿科学的相互融合、取长补短是故障诊断技术的发展方向。传感器的精密化、多维化，诊断理论和诊断模型的多元化，以及诊断技术的智能化是当今故障诊断技术的发展趋势。
基于人工智能的故障诊断即将人工智能领域的各种研究成果用于故障诊断，如基于专家系统的方法、基于人工神经网络的方法、基于遗传算法及模糊推理的方法等。它是计算机技术和故障诊断技术相互结合与发展进步的结果。基于人工智能的故障诊断的本质特点是模拟人脑的机能，有效地获取、传递、处理、再生和利用故障信息，成功地识别和预测诊断对象的状态。将神经网络、专家系统、遗传算法、模糊推理等人工智能领域中的各种方法加以综合利用并用于故障诊断，特别是针对具有模糊性的诊断对象，将更有利于深入细致地刻画与描述故障的特征，有利于避免故障判断中的非此即彼的绝对性，使推理过程与客观实际更加相符，同时也解决了传统的故障诊断专家系统中存在的知识获取“瓶颈”问题、知识“窄台阶”问题，以及容易出现的“匹配冲突”“组合爆炸”“无穷递归”等问题。将人工智能领域中的各种方法有机结合，可以大大提高故障诊断的水平和效率。因此，基于人工智能的故障诊断技术是故障诊断领域最为引人注目的且最有发展前途的研究方向之一，是今后故障诊断领域的研究热点。
系统故障诊断的内容包括状态监测、诊断分析和故障预测3个方面。其具体实施过程可以归纳为以下4个方面。
设备在运行过程中必然会有力、热、振动及能量等特征量的变化，由此会产生各种不同信息（信号）。根据不同的诊断需要，选择能表征设备工作状态的不同信号（如振动、压力、温度等）是十分有必要的。这些信号一般是用不同的传感器来获取的。
信号处理是将采集到的信号进行分类处理、加工，获得能表征机器特征的过程，也称特征提取过程，如将振动信号从时域变换到频域以进行频谱分析。
将经过信号处理后获得的设备特征参数与规定的允许参数或判别参数进行比较，以确定设备所处的状态、是否存在故障及故障的类型和性质等。为此，应正确制定相应的判别准则和诊断策略。
根据对设备状态的判断，决定应采取的对策和措施，同时根据当前信号预测设备状态可能发展的趋势，进行趋势分析。
上述诊断内容可用图1-2来表示。
图1-2 设备诊断过程框图
设备状态监测与故障诊断既有联系又有区别，有时为了方便，将其统称为设备故障诊断。其实，没有监测又何谈诊断？诊断为目的，监测是手段，监测是诊断的前提。状态监测通常是指通过监测手段，监测和测量设备或部件运行状态信息和特征参数（如振动、温度等），以此来检查其状态是否正常。例如，当特征参数小于允许值时，便认为是正常，否则为异常；尚可认为超过允许值的大小表示故障严重程度，当它达到某一设定值（极限值）时就应停机检修。以上过程前部分是监测部分。当监测的结果不需要进行更进一步的处理和分析时，以有限的几个指标就能确定设备的状态，这也是诊断，这往往是简易诊断，称为以监测为主的简易诊断系统，或称监测及简易诊断系统。
设备故障诊断，不仅要检查出设备是否正常，还要对设备发生故障的部位、产生故障的原因及故障的性质和程度，给出正确的、深入的判断，即要求做出精密诊断。因此，不仅要对这些监测和诊断系统有所了解，更重要的是对设备本身的结构、特性、动态过程、故障机理及故障发生后的后续工作或事件（包括维修与管理）有比较清楚的了解。对现代工业大型设备的了解，本身就是一类专业知识，非一般仪表工程师或电子、计算机专业人员能力所及。从这一角度考虑，故障诊断技术与状态监测系统又是两回事，有着十分不同的专业倾向。