隨著人工智能和計(jì)算機(jī)技術(shù)的飛速發(fā)展，出現(xiàn)了基于知識、不需要對象精確數(shù)學(xué)模型的故障診斷方法，并成為故障診斷研究的主流和發(fā)展方向。振動檢測儀對故障診斷系統(tǒng)的智能主要體現(xiàn)在它能有效地獲取、傳遞、處理、再生和利用診斷信息，具有對給定環(huán)境下的診斷對象進(jìn)行正確的狀態(tài)識別、診斷和預(yù)測的能力。

　　基于專***系統(tǒng)的診斷方法

　　專***系統(tǒng)(Expert System，ES)是一個具有專門知識與經(jīng)驗(yàn)的程序系統(tǒng)，通常由知識庫(Knowledge Base)、推理機(jī)(Inference Engine)、人機(jī)接口(Man-Machine Interface)等部分組成，是當(dāng)前研究***多、應(yīng)用***廣的一類智能診斷技術(shù)。專***系統(tǒng)的優(yōu)點(diǎn)有：可以用類自然語言方式來表達(dá)無法用數(shù)學(xué)模型表達(dá)的專***知識；能在特定領(lǐng)域內(nèi)模仿專***工作，處理非常復(fù)雜的情況；在已知其基本規(guī)則的情況下，無需大量細(xì)節(jié)數(shù)據(jù)即可運(yùn)行；能對系統(tǒng)的結(jié)論做出解釋。專***系統(tǒng)擅長邏輯推理和符號信息處理，適用于復(fù)雜系統(tǒng)的故障診斷。然而專***系統(tǒng)自身的一些缺點(diǎn)限制了它的廣泛應(yīng)用，如知識獲取的瓶頸問題。

　　基于神經(jīng)網(wǎng)絡(luò)的診斷方法

　　人工神經(jīng)網(wǎng)絡(luò)[10](Artificial Neural Network，ANN)是一種通過模擬人腦而建立起來的自適應(yīng)非線性動力學(xué)系統(tǒng)，它具有自學(xué)性、容錯性和并行計(jì)算能力，可以實(shí)現(xiàn)分類、優(yōu)化、自組織、聯(lián)想記憶和非線性映射等功能。它以分布式的方式儲存信息，利用網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)和權(quán)值分布實(shí)現(xiàn)非線性的映射，并利用全局并行處理實(shí)現(xiàn)從輸入空間到輸出空間的非線性信息變換。對于非確定性的知識具有極強(qiáng)的處理能力，能夠解決許多傳統(tǒng)方法所無法解決的問題。然而，ANN的一些缺點(diǎn)限制了它的一些應(yīng)用[11]，如網(wǎng)絡(luò)結(jié)構(gòu)難以確定、局部極小點(diǎn)等問題。

　　基于模糊理論的診斷方法

　　基于模糊理論的診斷方法不需要建立精確的數(shù)學(xué)模型，適當(dāng)?shù)剡\(yùn)用隸屬函數(shù)和模糊規(guī)則，進(jìn)行模糊推理就可以實(shí)現(xiàn)模糊診斷的智能化。基于模糊理論的故障診斷方法主要是利用集合論中的隸屬度函數(shù)和模糊關(guān)系矩陣的概念，解決故障與征兆之間的不確定關(guān)系。它可以處理故障診斷中的不確定信息和不完整信息，然而對復(fù)雜的診斷系統(tǒng)，要建立正確的模糊規(guī)則和隸屬函數(shù)是非常困難的，而且需要花費(fèi)很長的時間[13]。對于更大的模糊規(guī)則和隸屬函數(shù)集合而言，難以找到規(guī)則與規(guī)則之間的關(guān)系。另外由于系統(tǒng)的復(fù)雜性、耦合性，由時域、頻域特征空間至故障模式特征空間的映射關(guān)系往往存在較強(qiáng)的非線性，這時隸屬函數(shù)形狀不規(guī)則，只能利用規(guī)則形狀的隸屬函數(shù)來加以處理，從而使得非線性系統(tǒng)的診斷結(jié)果不理想。

　　除了上述理論和方法外，振動檢測儀在故障診斷領(lǐng)域中，還有基于向量機(jī)的診斷方法，基于微粒群算法的診斷方法，基于灰色理論的診斷方法，基于云模型的診斷方法以及把各種診斷相結(jié)合的方法。