人工智能故障诊断方法主要可以分为基于症状的方法和基于定性模型的方法，其思想是：在知识的层次上，以知识处理技术为基础，实现辩证逻辑与数理逻辑的集成、符号处理与数值处理的统一以及推理过程与算法过程的统一，通过在概念和处理方法上的知识化实现系统的故障诊断。它不需要系统的定量数学模型，也更适合于非线性系统领域。采用的方法有：专家系统故障诊断方法、神经网络故障诊断方法、模糊故障诊断方法、遗传算法故障诊断方法、粗糙集故障诊断方法、人工免疫算法故障诊断方法、故障树故障诊断方法、支持向量机故障诊断方法等。
1.专家系统故障诊断方法
专家系统是由计算机软件组成的系统，它具有某一领域的专家知识和推理方法，能解决只有专家才能解决的难题。所以它是一种模拟专家大脑功能的智能型软件系统，是人工智能的一个重要分支，用以解决复杂的、高难的故障诊断问题。专家系统组成不同，专家系统具有不同的知识领域和不同的应用范围，但是它们的基本结构是相同的，如图1-3所示。
利用专家系统进行故障诊断时，可以将诊断问题分为黑箱系统问题和白箱系统问题。内部子系统间的作用比较复杂，缺乏准确的因果逻辑关系，而且无法完成子系统症状检测的系统是黑箱系统问题；白箱系统问题的子系统之间作用相对简单，且包含一定的因果和逻辑关系，同时还可以检测子系统症状。对于复杂的故障类型，由于其机理复杂而难于诊断，需要一些经验性知识和诊断策略。专家系统在诊断领域的应用可以解决复杂故障的诊断问题。
图1-3 专家系统结构
现代液压故障诊断专家系统由知识库和推理机组成。知识库中存放着各种故障现象、引起故障的原因及原因和现象之间的关系，这些都来自有经验的维修人员和领域专家，它集中了多个专家的知识，收集了大量的资料，排除了个人解决问题时的主观偏见，使诊断结果更接近实际。一旦液压系统发生故障，通过人机接口将故障现象输入计算机，由计算机根据输入的故障现象及知识库中的知识，按推理机中存放的推理方法（正向推理、反向推理或正反混合推理），推算出故障原因并报告给用户，还可提出维修或预防措施。
专家系统故障诊断方法汇集众多的专家知识，能对随机发生的故障进行诊断。但是，专家系统也有它的缺点，主要表现在：①知识获取困难，知识库更新能力差；②多个领域专家知识之间的矛盾难以处理、现有逻辑理论的表达能力和处理能力有很大的局限性；③知识面窄，缺乏自学习、自完善能力，不能在实例中自我完善，系统工作稍微超出专家系统的知识边界，工作质量就急剧恶化；④运行速度慢，实时性能差，容易漏报故障；⑤系统的求解能力限于知识库中仅有的规则，对系统的新故障和系统设计边缘问题的求解具有脆弱性等。近年来人工神经网络的发展为改进这些缺点提供了思路，基于神经网络的专家系统在今后必将取得突破性的发展。
2.神经网络故障诊断方法
神经网络故障诊断方法是模拟人脑神经组织结构特性建成的非线性动力学网状系统，有类似人脑处理信息的某些功能，它不同于模拟人脑功能的专家系统，是人工智能的另一个重要分支，应用范围很广，在故障诊断领域有广阔的应用前景。
神经网络故障诊断方法利用神经网络进行故障诊断的基本思想是：以故障特征信号作为神经网络输入，诊断结果作为神经网络输出。首先利用已有的故障征兆和诊断结果对神经网络进行离线训练，使神经网络通过权值记忆故障征兆与诊断结果之间存在的对应关系；然后将得到的故障征兆加到神经网络的输入端，就可以利用训练后的神经网络进行故障诊断，并得到相应的诊断结果。
近年来发展起来的神经网络方法，以非线性大规模连续时间模拟并行分布处理为主流，利用神经网络所具有的容错能力、学习功能，联想记忆功能，进行分布式并行信息处理，较好地解决了传统方法在知识表达、获取和并行推理等问题上的“瓶颈”问题。特别是人工神经网络不需要事先组织大量产生规则，也不需要进行树搜索，使系统开发周期大大缩短并提高了求解速度。其知识的获取与表达采用双向联想记忆模型，能够存储作为变元概念的客体之间的因果关系，处理不准确的、矛盾的甚至错误的数据，从而提高了专家系统的智能水平和实时处理能力，是诊断专家系统的发展方向。
3.模糊故障诊断方法
模糊故障诊断方法主要用于多特征参数（特征向量、征兆向量）的故障综合诊断。诊断前应先建立设备故障（状态）与征兆（特征）的模糊关系矩阵，然后根据监测到的特征参数值确定出征兆（特征）模糊向量；根据征兆模糊向量和模糊关系矩阵计算设备的故障（状态）模糊向量，推断出设备最大可能的运行状态。
模糊逻辑提供了表达和处理模糊逻辑概念的机制，能够处理故障诊断中的不确定信息和不完整信息。模糊故障诊断方法是利用集合论中的隶属度函数和模糊关系矩阵的概念来解决故障与征兆之间的不确定关系。目前，模糊故障诊断有三种基本方法：①先建立故障现象与故障征兆之间的模糊关系矩阵，再通过模糊关系方程进行故障诊断；②先建立故障与征兆之间的模糊知识库，再进行模糊逻辑推理；③先对原始采样数据进行模糊聚类处理，再通过评价划分系数和分离系数等进行故障诊断。
模糊故障诊断方法主要有基于模糊模式识别的诊断方法、基于模糊推理的诊断方法、基于模糊模型的诊断方法等。模糊逻辑的引入主要是为了克服由于过程本身的不确定性、不精确性以及噪声等所带来的困难，因而在处理复杂系统的大时滞、时变及非线性方面，显示出它的优越性。模糊故障诊断方法的不足之处是，对于复杂的诊断系统，要建立正确的模糊规则和隶属函数非常困难，而且需要花费很长的时间。因此，一般将模糊方法与其他方法相结合，以期得到更好的结果。
4.遗传算法故障诊断方法
遗传算法是一类借鉴生物界自然选择和自然遗传机制的随机化搜索算法。他模拟达尔文的“适者生存，优胜劣汰”的自然进化论与孟德尔的遗传变异理论，具有坚实的生物学基础。算法是由Michigan大学的Holland教授于1975年在他的专著《自然界和人工系统的适应性》中首次提出的。由于该算法不依赖传统的梯度信息，不存在求导和函数连续性的限定，而是利用选择、交叉和变异等遗传操作来进行全局搜索，具有算法简单、通用性强和鲁棒性强的特点，适用于全局性并行处理，已广泛应用于优化组合问题的求解、机器学习、软件学习、软件技术、图像处理、模式识别、神经网络、工业优化控制、故障诊断、人工生命、社会科学等方面，并且遗传算法在实际应用中取得了巨大成功。遗传算法由于其并行搜索机制和全局搜索的特点，可以用于故障诊断。
目前遗传算法单独应用于系统故障诊断的研究还比较少，它主要和其他的诊断方法结合使用，起到优化系统的作用。例如：在与神经网络相结合时，主要优化神经网络的权重和结构输入、输出参数；在与模糊集理论相结合时，主要用于优化模糊推理的规则；在与小波结合过程中优化小波，得到性能优良的小波。遗传算法克服了专家系统存在的推理速度慢和在经验知识很少的情况下知识获取困难的障碍。
5.粗糙集故障诊断方法(www.xing528.com)
粗糙集理论是用于分析和处理各种不完备信息、从中发现知识、揭示潜在规律的数学工具，它的主要思想就是在保持分类能力不变的前提下，通过知识约简，导出问题的决策或分类规则。粗糙集理论最主要的优点是，无需提供所需处理的数据集合之外的任何先验信息，因此对问题不确定性的描述和处理比较客观。这种技术特别适用于不确定性和不精确性的知识推理，并发现这些数据中的相互关系。鉴于粗糙集理论在处理模糊和不确定信息上的优越性，已经有不少研究人员把它引入故障诊断系统中。粗糙集理论以信息系统决策表为主要工具，可以提取描述故障信息的主要属性，消除信息系统中冗余的属性，通过知识约简从决策表中提取用于故障诊断的决策规则，或在保证分类质量不变的前提下寻求描述系统故障特征的最小属性集合，再结合其他的智能方法用于系统的故障诊断。
粗糙集理论可以有效地克服专家系统获取知识难的问题。粗糙集理论通过获取故障信息的多个属性约简集合，避开丢失或错误的故障信号，大大提高故障诊断的准确率；粗糙集可以对训练样本集进行有效的简化，从而降低神经网络的复杂性，减少样本集的训练时间，提高诊断的实时性和准确性。
6.人工免疫算法故障诊断方法
人工免疫算法故障诊断由耐受过程和检测过程构成。耐受过程：随机产生大量的候选检测器，把其中不与自体集中的任何一个样本相匹配的候选检测器设置为有效检测器，而发生了匹配的候选检测器将被清除掉。检测过程：用检测器集检测“自体”集合是否发生变化。这个过程模拟了生物免疫系统细胞的非己识别过程。人工免疫算法特别适合于在线监测和自适应故障诊断，但在模型建立、算法选择等方面还存在着一定的问题。
7.故障树故障诊断方法
故障树分析法（Fault Tree Analysis，简称FTA）是一种分析系统可靠性的方法，被公认为是对复杂系统进行可靠性分析与预测的最简单、最有效和最有发展前途的手段之一。目前FTA已从宇航、核能等军用工业进入到电子、电力、化工、机械、交通及船舶等民用领域中，同时也是液压系统故障诊断和可靠性分析的主要方法之一。
故障树是表示系统特定事件与它的各个子系统或各个元部件故障之间逻辑关系的逻辑结构图。它是一种倒树状结构，以系统最不希望事件为顶事件，以能够导致顶事件发生的其他事件为中间事件和底事件，并用逻辑门表示事件之间的联系。在利用故障树进行故障搜寻与诊断时，根据搜寻方式不同，可分为逻辑推理诊断法和最小割集诊断法。
目前，故障树分析法虽还处在不断完善的发展阶段，但其应用范围正在不断扩大，是一种很有前途的故障分析法。总的说来，故障树分析法具有以下一些特点：
1）它是一种从系统到部件，再到零件，按“下降形”分析的方法。它从系统开始，通过由逻辑符号绘制出的一个逐渐展开成树状的分枝图，来分析故障事件（又称顶端事件）发生的概率。同时也可以用来分析零件、部件或子系统故障对系统故障的影响，其中包括人为因素和环境条件等在内。
2）它对系统故障不但可以做定性的而且还可以做定量的分析；不仅可以分析由单一构件所引起的系统故障，而且也可以分析多个构件不同模式故障而产生的系统故障情况。因为故障树分析法使用的是一个逻辑图，因此，不论是设计人员或是使用和维修人员都容易掌握和运用，并且由它可派生出其他专门用途的“树”。例如：可以绘制出专用于研究维修问题的维修树，用于研究经济效益及方案比较的决策树等。
3）由于故障树是一种逻辑门所构成的逻辑图，因此适合于用电子计算机来计算；而且对于复杂系统的故障树的构成和分析，也只有在应用计算机的条件下才能实现。
显然，故障树分析法也存在一些缺点。其中主要是构造故障树的工作量相当繁重，难度也较大，对分析人员的要求也较高，因而限制了它的推广和普及。在构造故障树时要运用逻辑运算，在其未被一般分析人员充分掌握的情况下，很容易发生错误和失察。例如：很有可能把重大影响系统故障的事件漏掉；同时，由于每个分析人员所取的研究范围各有不同，其所得结论的可信性也就有所不同。
基于故障树的故障诊断方法兼顾基于规则和定量模型故障诊断方法的优点，并且，图论和信息论的发展使故障搜寻和分析更加准确和便捷，因而，故障树方法是故障诊断方法发展的主要方向之一。但它的不足之处是建立故障树的工作很麻烦，工作量很大，有可能漏掉重大的元件或部件故障。
8.支持向量机故障诊断方法
支持向量机（Support Vector Machine，简称SVM）是以统计学习理论为基础的一种新型学习机，它主要是根据结构化风险最小化原则，尽量提高学习机的泛化能力，即由有限的训练集样本得到尽可能小的误差，能够保证对独立的测试集仍保持小的误差。SVM方法拥有完备的数学理论基础，和其他同类方法相比，具有全局优化、适应性强、泛化性能好等优点。将辨识问题转换为一个凸二次优化问题是前馈神经网络经过多方努力都没有实现的。支持向量机算法是一个凸二次优化问题，能保证找到的解是全局最优解。这个优化问题的另一个重要意义在于它仅与内积有关，为采用核函数处理非线性问题奠定了基础。国内外学者认为，统计学习理论和SVM正在成为继神经网络研究之后新的研究热点，并将有力地推动机器学习理论和技术的发展。
支持向量机故障诊断法先利用小波包信号分解将信号划分为相应的频段，并计算出该频段信号的能量，作为特征向量来表征设备的运行状态。其次，建立多故障分类器，把第一步得到的状态数据集合作为支持向量机的训练样本，建立多个两类分类器，分别用于将某一种故障和其他故障分开，然后将这几个分类器按树结构进行组合，从而形成多故障分类器，最后在分类测试中检测故障。
SVM的关键在于核函数。低维空间向量集通常难以划分，解决方法是将它们映射到高维空间。但这个方法带来的困难就是计算复杂度增加，而核函数正好巧妙地解决了这个问题。也就是说，只要选用适当的核函数，就可以得到高维空间的分类函数。在SVM理论中，采用不同的核函数将导致不同的SVM算法。在学习样本数较少的情况下，支持向量机分类方法比神经网络分类方法具有较强的适应性、更好的分类能力和更高的计算效率。支持向量机的应用为故障诊断向智能化方向发展提供了一条新的途径，在故障诊断领域具有很好的应用前景。
目前，对支持向量机的研究主要集中在对支持向量机本身机理的研究和完善以及加大支持向量机应用研究的深度和广度两方面。其中支持向量机本身机理的研究主要包括SVM训练算法的求解方法和SVM核函数选择以及参数优化。
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
