所谓机械故障诊断，就是通过机械运行中的相关信息来识别其技术状态是否正常，确定故障的性质与部位，寻找故障起因，预报故障趋势，并提出相应对策;它以故障机理和技术检测为基础，以信号处理和模式识别为其基本理论与方法。一般的机械系统故障诊断系统从物理上划分为机械测量、监视与保护、数据采集、振动状态分析、网络数据传输五个部分；从功能上，机械系统状态监测与故障诊断系统又可分成数据采集、状态监测、故障诊断三个部分。

随着现代工业设备和系统日益大型化和复杂化，机械设备的可靠性、可用性、可维修性与安全性的问题日益突出，从而促进了人们对机械设备故障机理及诊断技术的研究。并且随着计算机技术及数字信号处理技术的迅速发展，机械设备振动监测与故障诊断技术被广泛应用于电力、石油化工、冶金等行业的大型、高速旋转机械中。目前这种技术己成为设备现代化管理和提高企业综合效益的技术基础。国内外实践表明，以振动监测与故障诊断技术为基础的设备预知维修能节省大量的维修费用，取得显著的经济效益，而且还能保证设备的安全运行，预防和减少恶性事故的发生，消除故障隐患，保障人身和设备安全，提高生产率。

传统的诊断方法和理论对单过程、单故障和渐发性故障的简单系统可以发挥较好的作用，对于多过程、多故障和突发性故障以及复杂庞大、高度自动化的大型设备和系统，例如汽轮发动机组等，就具有较大的局限性。当前，典型的机电一体化产品——数控机床、交流伺服驱动装置等正在向数字化、小型化、高精度等方向发展，为监控带来新的挑战，由于模糊神经网络控制不依赖控制对象和数学模型，具有较强的鲁棒性，是一种非线性的控制方法，在解决此类问题中有很好的优势。而专家系统主要用于复杂的机械系统，能够克服基于模型的故障诊断方法对模型的过分依赖性。而人工神经网络对于故障的模式识别具有独特的优点。将人工智能的理论和方法应用于机械故障诊断，发展智能化的机械故障诊断技术，是机械故障诊断的一个新的途径。智能化的机械故障诊断专家系统现已得到广泛的应用，成为机械故障诊断的一个重要方向。

2 人工智能在机械故障诊断中的应用方法

人工智能主要研究用人工的方法和技术来模仿、延伸及扩展人的智能，从而实现机器智能。应用机械故障诊断系统的ai技术传统上可以分为专家系统（es）、人工神经网络（ann）、模糊集理论（fst）三大类。

2.1 专家系统(expert system. es)

专家系统（expert system，简称es）是20世纪60年代初产生的一门实用学科，目前是人工智能技术中较活跃、较成功的领域之一。它是一个由知识库、推理机和人机接口等三个主要部分组成的计算机软件系统，在知识表达方面，利用产生式规则进行知识表达，一方面得有益于现有人工智能语言，另一方面，是它的表达合乎人的心理逻辑，便于进行知识获取，利于人们接受，利用框架进行知识表达得到了越来越多的应用。在诊断推理方面，主要表现在对推理逻辑和推理模型的研究，在人工智能领域，存在着许多推理逻辑，在专家系统中广泛使用模糊推理逻辑降低系统复杂性，在机械系统故障诊断上能产生很好的效果。其威力在于所拥有的专家知识和运用知识解题的推理机制。

由于建立在冯·诺伊曼计算机体系结构之上，专家系统在其发展过程中逐渐暴露出以下问题:知识获取的“瓶颈”、知识“窄台阶”、推理组合爆炸和无穷递归、智能水平低、系统层次少和在线实用性差等。

机械故障诊断专家系统的研究与开发机械故障诊断专家系统的出现与逐渐成熟是机械故障诊断领域最显著的成就之一。因为人类关于机械故障诊断与维修的科一学知识往往落后于专家的实践和经验知识，从而为专家系统提供了广阔的应用前景。

2.2 人工神经网络(artificial neural network. ann)

人工神经网络简称神经网络，它是由大量简单的处理单元（称为神经元）广泛相互连接而形成的复杂网络，是对生物神经系统的模拟，其信息处理功能是由网络的单元的输入输出特性（激活特性）、网络的拓扑结构（神经元的连接方式）所决定。为了使系统具有良好的透明性，在神经网络的推理中引用了模糊规则，为人工神经网络建立良好的解释机制提供了方便。

由于神经网络具有原则上容错、结构拓扑鲁棒、联想、推测、记忆、自适应、自学习、并行和处理复杂模式的功能，使其在工程实际存在着大量的多故障、多过程、突发性故障、庞大复杂机器和系统的监测及诊断中发挥着较大作用。