楊 超，李亦滔

（華東交通大學(xué)機(jī)電工程學(xué)院，江西南昌330013）

Yang Chao，Li Yitao

（School of Mechanical and Electrical Engineering，East China Jiaotong University，Nanchang 330013，China）

隨著科學(xué)技術(shù)的發(fā)展，機(jī)械設(shè)備正朝著大型化、復(fù)雜化、高速化、自動化及大功率方向發(fā)展。機(jī)械設(shè)備在現(xiàn)代工業(yè)生產(chǎn)中的作用和影響越來越大，其復(fù)雜程度、各設(shè)備間的關(guān)聯(lián)程度也越來越高，一個(gè)零部件出現(xiàn)故障，可導(dǎo)致整個(gè)系統(tǒng)失效。這些故障或失效不僅會造成重大的經(jīng)濟(jì)損失，甚至還可能導(dǎo)致人員傷亡[1]。因此，對機(jī)械設(shè)備進(jìn)行可靠、準(zhǔn)確的故障診斷具有非常重要的意義。

旋轉(zhuǎn)機(jī)械等大型設(shè)備結(jié)構(gòu)具有復(fù)雜性和耦合性，很難用傳統(tǒng)的模式分類技術(shù)將其故障截然分開。多故障并發(fā)時(shí)，不同故障特征相互混雜呈現(xiàn)出耦合性、模糊性、隨機(jī)性等復(fù)雜征兆，并非多個(gè)單故障的簡單疊加，很難用準(zhǔn)確的數(shù)學(xué)模型加以描述，也難以完全依靠確定性判據(jù)進(jìn)行故障診斷[2]。大型機(jī)械設(shè)備的故障診斷已經(jīng)成為一門熱門學(xué)科并得到迅速發(fā)展。在傳統(tǒng)診斷技術(shù)的基礎(chǔ)上，人們把計(jì)算機(jī)技術(shù)、傳感器技術(shù)、小波分析、人工智能、識別技術(shù)進(jìn)行結(jié)合并應(yīng)用于機(jī)械系統(tǒng)，形成了很多新的機(jī)械故障診斷方法。智能診斷技術(shù)在知識層次上實(shí)現(xiàn)了辯證邏輯與數(shù)理邏輯的集成、符號邏輯與數(shù)值處理的統(tǒng)一、推理過程與算法過程的統(tǒng)一、知識庫與數(shù)據(jù)庫的交互等功能[3]，為構(gòu)建智能化的機(jī)械設(shè)備故障診斷系統(tǒng)提供了堅(jiān)實(shí)的基礎(chǔ)。目前，基于人工智能的故障診斷方法主要有:基于模糊理論的診斷法，基于人工神經(jīng)網(wǎng)絡(luò)的診斷法，基于灰色系統(tǒng)理論的診斷法，基于支持向量機(jī)的診斷法，集成技術(shù)故障診斷法等。

1 基于模糊理論的診斷法

模糊（Fuzzy）理論是由Zadeh在1965年提出的，其目的是為描述與處理廣泛存在的不精確的、模糊的事件和概念提供相應(yīng)的理論工具。此診斷法是借助模糊數(shù)學(xué)中的模糊隸屬關(guān)系提出的一種新的診斷方法，它將各種故障及其癥狀視為兩類不同的模糊集合，集合之間的關(guān)系用一個(gè)模糊關(guān)系矩陣來描述。由于機(jī)械系統(tǒng)故障既有確定性的，也有模糊性的，表現(xiàn)為同一故障可能由不同的原因造成，同一故障可能會產(chǎn)生不同的故障癥狀，不同的故障也可能引起同樣的故障癥狀，多故障并發(fā)時(shí)故障癥狀更加復(fù)雜。當(dāng)確定性故障和模糊性故障相互交織、密切相連時(shí)，就需要通過探討機(jī)械系統(tǒng)故障的模糊性，尋找與之相適應(yīng)的診斷方法，才能有利于正確描述故障的真實(shí)狀態(tài)，揭示其本質(zhì)特征。

在機(jī)械設(shè)備的智能故障診斷研究中，診斷知識的獲取是困擾機(jī)器智能診斷技術(shù)發(fā)展的“瓶頸”[4-6]。盡管該難題一直受到國內(nèi)外的關(guān)注，但目前仍未獲得突破性的進(jìn)展[7-9]。因此，發(fā)展基于模糊理論的故障診斷法具有重要的意義。

機(jī)械系統(tǒng)狀態(tài)和癥狀之間存在較為復(fù)雜的關(guān)系，必須盡可能利用多種癥狀進(jìn)行綜合才能正確診斷出系統(tǒng)所處的狀態(tài):模糊綜合診斷。許寶杰等[10]將模糊粗糙集合理論應(yīng)用于加工中心故障診斷技術(shù)，獲得故障診斷等知識，發(fā)揮其“有效地分析和處理不精確、不完整等不完備信息，并從數(shù)據(jù)中發(fā)現(xiàn)隱含的知識”的特點(diǎn)，使機(jī)器故障診斷系統(tǒng)的知識獲取瓶頸問題得以有效解決，并使知識的自動獲取成為可能。高曉康等[11]首次將小波包分析（WPA）與模糊粗糙集理論的決策模型相結(jié)合，提出了適應(yīng)于現(xiàn)代機(jī)械設(shè)備在線診斷的故障分析模型WRS。王勝春等[12]結(jié)合全矢譜技術(shù)與模糊函數(shù)，提出了一種矢模糊函數(shù)的新概念；矢模糊函數(shù)在旋轉(zhuǎn)機(jī)械故障診斷中是非常有效的。

模糊診斷由于模糊集合論尚未成熟，諸如模糊集合論中元素隸屬度的確定和兩模糊集合之間的映射關(guān)系規(guī)律的確定都還沒有統(tǒng)一的方法可循，通常只能憑經(jīng)驗(yàn)和大量試驗(yàn)來確定。另外因系統(tǒng)本身不確定的和模糊的信息，以及要對每一個(gè)征兆和特征參數(shù)確定其上下限和合適的隸屬度函數(shù)，而使其應(yīng)用有局限性。模糊故障診斷方法的優(yōu)點(diǎn)在于計(jì)算簡便、應(yīng)用方便、結(jié)論明確直觀，但用來進(jìn)行趨勢預(yù)測存在一定難度。特別是隸屬度函數(shù)的構(gòu)造、隸屬度矩陣的建立都是根據(jù)經(jīng)驗(yàn)、統(tǒng)計(jì)得來的，會有一定的主觀因素，對特征參量的選擇也是人為的，如果選擇不當(dāng)，就會造成診斷失敗。

2 基于人工神經(jīng)網(wǎng)絡(luò)的診斷法

神經(jīng)網(wǎng)絡(luò)故障診斷法在20世紀(jì)80年代末90年代初才真正具有實(shí)用性。由于神經(jīng)網(wǎng)絡(luò)具有原則上容錯(cuò)、結(jié)構(gòu)拓?fù)漪敯簟⒙?lián)想、推測、記憶、自適應(yīng)、自學(xué)習(xí)、并行和處理復(fù)雜模式的功能，使其在工程實(shí)際存在著大量的多故障、多過程、突發(fā)性故障、龐大復(fù)雜機(jī)器和系統(tǒng)的監(jiān)測及診斷中發(fā)揮較大作用[13]。人工神經(jīng)網(wǎng)絡(luò)在故障診斷領(lǐng)域的應(yīng)用主要集中于3方面:1從模式識別角度應(yīng)用神經(jīng)網(wǎng)絡(luò)作為分類器進(jìn)行故障診斷；2從預(yù)測角度應(yīng)用神經(jīng)網(wǎng)絡(luò)作為動態(tài)預(yù)測模型進(jìn)行故障預(yù)測；3從知識處理角度建立基于神經(jīng)網(wǎng)絡(luò)的診斷專家系統(tǒng)。但其缺點(diǎn)也是明顯的，訓(xùn)練需要大量的樣本，當(dāng)樣本較少時(shí)，效果不理想，忽視了領(lǐng)域?qū)＜业慕?jīng)驗(yàn)知識，網(wǎng)絡(luò)權(quán)值表達(dá)方式也難以理解，及訓(xùn)練時(shí)間較長和識別精度不高等不足，因而需要對該診斷法進(jìn)行改進(jìn)或結(jié)合其他診斷法，構(gòu)造新的診斷方法，來克服傳統(tǒng)神經(jīng)網(wǎng)絡(luò)診斷的缺點(diǎn)。

很多學(xué)者對基于人工神經(jīng)網(wǎng)絡(luò)的診斷法進(jìn)行了研究。王璐等[14]提出可將RBF函數(shù)中心參數(shù)和網(wǎng)絡(luò)權(quán)重的訓(xùn)練作為系統(tǒng)參數(shù)，進(jìn)行故障辨識，用擴(kuò)展Kalman濾波算法（EKF）進(jìn)行參數(shù)估計(jì)，Kalman算法訓(xùn)練的RBF網(wǎng)絡(luò)，不僅具有較好的精度，而且提高網(wǎng)絡(luò)的收斂速度。張大志等[15]為確定多層人工神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值建立了混合求解方法，即迭代前期采用BP算法，而迭代后期采用梯度優(yōu)化法進(jìn)行計(jì)算。彭斌等[16]根據(jù)旋轉(zhuǎn)機(jī)械復(fù)雜的故障特點(diǎn)，提出了結(jié)合第2代小波分析、模糊理論和神經(jīng)網(wǎng)絡(luò)形成的改進(jìn)小波神經(jīng)網(wǎng)絡(luò)。王光研等[17]論述了RBF神經(jīng)網(wǎng)絡(luò)的基本網(wǎng)絡(luò)結(jié)構(gòu)和網(wǎng)絡(luò)的學(xué)習(xí)及運(yùn)行過程，結(jié)果表明:RBF神經(jīng)網(wǎng)絡(luò)具有極快的學(xué)習(xí)收斂速度。張新海等[18]研究了BP神經(jīng)網(wǎng)絡(luò)在機(jī)械故障診斷中的應(yīng)用，理論分析和測試結(jié)果表明，應(yīng)用神經(jīng)網(wǎng)絡(luò)技術(shù)確定并進(jìn)行齒輪故障診斷判據(jù)是切實(shí)可行的。姜萬錄[19]提出了神經(jīng)網(wǎng)絡(luò)和證據(jù)理論融合的故障診斷方法，提高了故障診斷的準(zhǔn)確率。張忠奎等[20]提出了一種基于最近鄰聚類學(xué)習(xí)算法的改進(jìn)型RBF神經(jīng)網(wǎng)絡(luò)模型，并將該模型應(yīng)用于旋轉(zhuǎn)機(jī)械的故障診斷中。應(yīng)用結(jié)果表明，改進(jìn)型RBF網(wǎng)絡(luò)訓(xùn)練速度快、分類性能良好，在設(shè)備故障診斷領(lǐng)域具有很好的實(shí)用性。彭滔等[21]提出一種基于L-M算法的神經(jīng)網(wǎng)絡(luò)應(yīng)用于機(jī)械設(shè)備故障診斷的專家系統(tǒng)，基于該算法的故障診斷模型顯著縮短了訓(xùn)練時(shí)間，具有較高的準(zhǔn)確性。

3 基于灰色系統(tǒng)理論的診斷法

灰色系統(tǒng)理論是鄧聚龍教授于1982年創(chuàng)立的，并在社會經(jīng)濟(jì)系統(tǒng)中已得到廣泛的應(yīng)用，取得了較好的成果。由于其理論上的簡潔和思想方法的新穎，灰色理論中的灰色預(yù)測、灰色關(guān)聯(lián)度分析、灰色聚類和灰色決策都成為設(shè)備故障診斷的有力工具。故障診斷過程是利用有限的已知信息，通過信息處理對含有不可知信息的設(shè)備進(jìn)行診斷、預(yù)測、決策的過程[22]?；疑P(guān)聯(lián)分析方法可在不完全的、隨機(jī)的因素序列中，對所要分析研究的各因素，通過一定的數(shù)據(jù)處理，找出它們的關(guān)聯(lián)性，發(fā)現(xiàn)主要矛盾，找到主要特性和主要影響因素，在故障診斷中主要用于多參數(shù)診斷，用表征設(shè)備狀態(tài)的多個(gè)參數(shù)組成該設(shè)備的狀態(tài)模式向量；建立標(biāo)準(zhǔn)狀態(tài)模式向量；通過比較各待檢狀態(tài)模式向量與各標(biāo)準(zhǔn)狀態(tài)模式向量之間的關(guān)聯(lián)度判斷所屬的狀態(tài)。

諸多學(xué)者對傳統(tǒng)灰色關(guān)聯(lián)分析進(jìn)行了多種不同的改進(jìn)研究。由于故障征兆和故障類型之間存在的非線性關(guān)系，王啟志等[23]提出一種改進(jìn)面積廣義灰色關(guān)聯(lián)度來分析序列之間的相似性與相近性，用于診斷冷凍壓縮機(jī)的故障類型，取得較好效果。東亞斌等[24]根據(jù)灰色關(guān)聯(lián)分析的基本思想，提出一種改進(jìn)的灰色關(guān)聯(lián)度量化模型，并將其應(yīng)用于機(jī)械故障診斷中，并以國內(nèi)某著名汽車廠離心式風(fēng)機(jī)為例進(jìn)行故障診斷，結(jié)果表明改進(jìn)關(guān)聯(lián)度可提高故障診斷精度；在改進(jìn)關(guān)聯(lián)度計(jì)算中，避免了常規(guī)關(guān)聯(lián)度計(jì)算中分辨系數(shù)難以確定的問題，這也為灰色診斷在在線診斷中的應(yīng)用提供了方便。吳冉[25]將灰色系統(tǒng)理論中的灰色關(guān)聯(lián)分析方法引入到機(jī)械故障診斷模式識別中，判斷各種故障模式出現(xiàn)的可能性，在分析吊車常見的故障實(shí)踐中的應(yīng)用，大大減少了事故的發(fā)生率。林云等[26]結(jié)合信息熵和灰色關(guān)聯(lián)算法，從信息融合的思想出發(fā)，提出基于灰色關(guān)聯(lián)和證據(jù)理論的機(jī)械故障診斷方法，通過旋轉(zhuǎn)機(jī)械故障的典型實(shí)例證明，是故障模式定量識別的一種可行的新方法。

灰色診斷法的難點(diǎn)，在于要先建立典型故障參考模式，然后計(jì)算待識別故障模式與典型故障參考模式的關(guān)聯(lián)度。一旦參考模式的特征矩陣不準(zhǔn)確，診斷就會失敗。

4 基于支持向量機(jī)的診斷法

統(tǒng)計(jì)學(xué)習(xí)理論是一種專門研究小樣情況下機(jī)器學(xué)習(xí)規(guī)律的理論。由CORTES等人在統(tǒng)計(jì)學(xué)習(xí)理論的VC維理論和結(jié)構(gòu)風(fēng)險(xiǎn)最小原理基礎(chǔ)上建立起來的一種機(jī)器學(xué)習(xí)新方法[27]:支持向量機(jī)（support vector machine，SVM），已表現(xiàn)出許多優(yōu)于現(xiàn)有模式分類方法的性能。SVM是從線性可分情況下的最優(yōu)分類面發(fā)展而來的[28]，為解決二類分類問題而提出來的，不能直接運(yùn)用于多類分類。將SVM算法應(yīng)用于機(jī)械故障診斷領(lǐng)域的研究也已經(jīng)引起了工程界的關(guān)注。SVM方法具有利用小樣本數(shù)據(jù)集就可進(jìn)行故障診斷、采用結(jié)構(gòu)風(fēng)險(xiǎn)最小原理、易于實(shí)現(xiàn)模型結(jié)構(gòu)和參數(shù)都接近最優(yōu)的故障診斷模型等優(yōu)點(diǎn)。SVM是依靠特征參量描述的相似度來進(jìn)行故障分類的方法，特征參量對故障描述得越準(zhǔn)確，其分類性能就越好，泛化能力也就越強(qiáng)。其缺點(diǎn)也是明顯的，SVM不能診斷出沒有學(xué)習(xí)過的故障，因此對故障分類時(shí)參數(shù)的選擇非常重要。

有學(xué)者進(jìn)行了SVM相關(guān)的研究。李凌均等[29]以滾動軸承的故障分類為例，研究了SVM分類算法在故障診斷領(lǐng)域中的應(yīng)用，并與BP神經(jīng)網(wǎng)絡(luò)分類方法進(jìn)行了對比研究，結(jié)果表明SVM方法在少樣本情況下的分類效果優(yōu)于BP神經(jīng)網(wǎng)絡(luò)。張龍等[30]針對存在非平穩(wěn)性的振動信號和已有的故障樣本非常有限等問題，提出一種基于時(shí)變參數(shù)自回歸模型和SVM相結(jié)合的旋轉(zhuǎn)機(jī)械故障診斷方法。曹沖鋒[31]等利用超參數(shù)相關(guān)理論和先驗(yàn)知識界定模型超參數(shù)選擇區(qū)間，改進(jìn)了SVM模型，提高了故障診斷的精度。張金敏等[32]提出了一種基于小波分解和最小二乘支持向量機(jī)（LS-SVM）相結(jié)合的齒輪箱故障診斷方法，實(shí)驗(yàn)結(jié)果表明，該方法能夠準(zhǔn)確地識別故障類型。王晴晴等[33]提出了SVM和一種根據(jù)故障數(shù)據(jù)的空間分布來優(yōu)化結(jié)點(diǎn)排部的方法，它能夠提高SVM診斷的正確率，在故障診斷中取得良好的效果。Zhang X.L.等[34]提出了一種基于SVM的全新的故障診斷方法，具有參數(shù)優(yōu)化問題的蟻群算法，為了達(dá)到一個(gè)理想的故障診斷結(jié)果，進(jìn)行了機(jī)車滾子軸承實(shí)驗(yàn)，驗(yàn)證了其可行性和準(zhǔn)確性。實(shí)驗(yàn)表明該算法與蟻群優(yōu)化相結(jié)合，取得良好的故障診斷結(jié)果。

5 集成技術(shù)故障診斷法

集成技術(shù)故障診斷法是一種集成多種故障診斷方法策略，對復(fù)雜故障進(jìn)行診斷和監(jiān)控的有效方法。盡管基于傳統(tǒng)結(jié)構(gòu)框架和組織策略下的智能故障診斷系統(tǒng)能夠?qū)υO(shè)備某些特定部位發(fā)生的故障進(jìn)行有效診斷，但面對故障征兆多樣、誘因復(fù)雜的診斷問題，有時(shí)用單一方法很難做出全面正確的判斷，這就需要將多種診斷信息、診斷知識、診斷方法等進(jìn)行集成，由于各個(gè)診斷方法各有特點(diǎn)和優(yōu)勢，也存在各自的缺點(diǎn)和不足，可以綜合各方法的優(yōu)點(diǎn)，克服其局限性，更有利于提高故障診斷的可靠性和診斷效率。因此，集成技術(shù)為解決復(fù)雜設(shè)備故障診斷提供了一條新的途徑。

集成技術(shù)的瓶頸就是怎樣找到各種診斷方法的融合點(diǎn)，實(shí)現(xiàn)更精確的故障診斷。張揚(yáng)等[35]提出了一種基于智能互補(bǔ)融合的智能診斷方法，即采用蟻群算法（ACA）對反映運(yùn)行工況的特征參數(shù)進(jìn)行屬性約簡，剔除不必要的屬性。根據(jù)約簡結(jié)果，建立基于徑向基函數(shù)（RBF）神經(jīng)網(wǎng)絡(luò)的故障診斷系統(tǒng)。網(wǎng)絡(luò)的訓(xùn)練對比結(jié)果表明，基于蟻群算法的約簡處理簡化了輸入神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)維數(shù)，提高了網(wǎng)絡(luò)的訓(xùn)練效率和故障分類準(zhǔn)確性。潘玉娜等[36]結(jié)合矢功率譜和徑向基函數(shù)網(wǎng)絡(luò)，提出一種新的故障識別方法，該方法以矢功率譜為特征向量，徑向基函數(shù)網(wǎng)絡(luò)為分類器。周潔敏等[37]結(jié)合多傳感器融合技術(shù)和在數(shù)據(jù)融合處理中利用模糊神經(jīng)網(wǎng)絡(luò)，表明診斷結(jié)果更精確。朱永年等[38]利用小波分析和BP神經(jīng)網(wǎng)絡(luò)相結(jié)合的方法對旋轉(zhuǎn)機(jī)械的故障進(jìn)行識別。實(shí)驗(yàn)表明，該方法在旋轉(zhuǎn)機(jī)械故障診斷中切實(shí)可行，提高了故障診斷的準(zhǔn)確率。孔蓮芳[39]結(jié)合單子神經(jīng)網(wǎng)絡(luò)信息融合在故障診斷中的不足不之處，提出了集成神經(jīng)網(wǎng)絡(luò)信息融合，結(jié)果表明，集成神經(jīng)網(wǎng)絡(luò)信息融合使系統(tǒng)信息具有更高的精度和可靠性，進(jìn)而能夠獲得對故障狀態(tài)的最優(yōu)估計(jì)與判決。馮志鵬等[40]采用廣義粗糙集理論對旋轉(zhuǎn)機(jī)械振動故障診斷的非完備決策系統(tǒng)進(jìn)行了約簡，得到約簡結(jié)果，建立了基于神經(jīng)網(wǎng)絡(luò)的故障診斷系統(tǒng)；網(wǎng)絡(luò)的訓(xùn)練對比結(jié)果表明，基于粗糙集理論的約簡處理簡化了神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，提高了網(wǎng)絡(luò)的訓(xùn)練效率，驗(yàn)證了廣義粗糙集理論與神經(jīng)網(wǎng)絡(luò)集成進(jìn)行故障診斷的可行性。Yan C.等[41]設(shè)計(jì)一個(gè)模糊小腦模型，利用關(guān)節(jié)控制器的神經(jīng)網(wǎng)絡(luò)來檢測重要部件和識別故障，并將這種實(shí)時(shí)智能故障診斷系統(tǒng)應(yīng)用于蒸汽輪機(jī)發(fā)電機(jī)組，結(jié)果表明，提出的實(shí)時(shí)故障診斷系統(tǒng)具有精度高、收斂速度快和抑制高噪聲的能力。Y.T.Tsai[42]提出了一種故障診斷系統(tǒng)，有助于識別潛在的系統(tǒng)故障，該系統(tǒng)是一個(gè)以互聯(lián)網(wǎng)為載體的，并根據(jù)先前的維修經(jīng)驗(yàn)基于事例的推理，發(fā)展為注射成型機(jī)（IMM）。通過故障樹分析方法和信息流向，來分析系統(tǒng)故障和識別可能發(fā)生的故障，取得了較好的效果與潛在的支持遠(yuǎn)程IMM維護(hù)。

6 結(jié)束語

計(jì)算機(jī)網(wǎng)絡(luò)技術(shù)、傳感器技術(shù)、信號處理、人工智能、模式識別技術(shù)等的快速發(fā)展，促進(jìn)了機(jī)械故障診斷技術(shù)的發(fā)展。同時(shí)，綜合多種診斷技術(shù)的故障診斷研究也取得可喜的成績。目前理論研究方面有不少進(jìn)展，但在實(shí)踐過程中應(yīng)用得不夠成熟，還存在很多問題有待解決。因此，如何將先進(jìn)的故障診斷理論與方法用到實(shí)際中去還有待深入研究和進(jìn)一步發(fā)展。

隨著相關(guān)學(xué)科的新技術(shù)、新理論的不斷引入和融合，結(jié)合傳統(tǒng)診斷方法，探索和發(fā)展更多的智能診斷技術(shù)，機(jī)械設(shè)備的故障診斷技術(shù)必將得到進(jìn)一步完善和發(fā)展。將現(xiàn)代技術(shù)與多種診斷方法相互融合形成集成化智能診斷技術(shù)，是機(jī)械設(shè)備故障智能診斷技術(shù)的重要發(fā)展趨勢。

[1]夏希樓.機(jī)械設(shè)備故障檢測診斷技術(shù)的現(xiàn)狀與發(fā)展[J].煤礦機(jī)械，2007，28（3）:183-185.

[2]李紅芳，張清華，謝克明.旋轉(zhuǎn)機(jī)械的并發(fā)故障診斷技術(shù)研究進(jìn)展[J].噪聲與振動控制，2008（3）:67-70.

[3]范士娟，楊超.液壓系統(tǒng)故障智能診斷技術(shù)現(xiàn)狀與發(fā)展趨勢[J].液壓與氣動，2010（3）:22-26.

[4]TEO C Y，GOOI H B.Application of knowledge-based systems for fault diagnosis and supply restoration[J].Engineering Ap-plications ofArtificial Intelligence，1997，10（6）:631-638.

[5] MAK B M T.Rule extraction from expert heuristics:a comparative study of rough sets with neural networks and ID3[J].European Journal of Operational Research，2002，136（1）:212-229.

[6]韓西京，陳培林，史鐵林，等.300MW汽輪發(fā)電機(jī)組狀態(tài)監(jiān)測與故障診斷專家系統(tǒng)---知識獲取與機(jī)器學(xué)習(xí)的研究[J].汽輪機(jī)技術(shù)，1997，39（1）:9-14.

[7]VENKAT V，RAGHUNATHAN R，KEWEN Y，et al.A review o f process fault detection and diagnosis:part I:quantitative model-based methods[J].Computers and Chemical Engineering，2003，27（3）:293-311.

[8]VENKATA V，RAGHUNATHAN R，SURYA N K，et al.A review of process fault detection and diagnosis:part II:qualitative models and search strategies[J].Computers and Chemical Engineering，2003，27（3）:313-326.

[9]VENKATA V，RAGHUNATHAN R，SURYA N K，et al.A review of process fault detection and diagnosis:part III:process history based methods[J].Computers and Chemical Engineering，2003，27（3）:327-346.

[10]許寶杰，張建民，徐小力，等.粗糙集合理論在旋轉(zhuǎn)機(jī)械故障診斷技術(shù)中的應(yīng)用[J].機(jī)械設(shè)計(jì)與制造，2006（12）:95-97.

[11]高曉康，齊從謙，趙榮泳，等.粗糙集理論在旋轉(zhuǎn)機(jī)械實(shí)時(shí)故障診斷中的應(yīng)用[J].制造業(yè)自動化，2006，28（12）:23-26.

[12]王勝春，韓捷，李志農(nóng)，等.基于矢模糊函數(shù)的旋轉(zhuǎn)機(jī)械故障診斷方法的研究[J].中國機(jī)械工程，2006（17）:74-77.

[13]張斌，張微薇.機(jī)械設(shè)備故障診斷技術(shù)概述[J].建筑機(jī)械化，2005（8）:14-36.

[14]王璐，潘紫微，葉金杰.基于EKF訓(xùn)練的RBF神經(jīng)網(wǎng)絡(luò)及其故障診斷應(yīng)用[J].振動、測試與診斷，2008，28（4）:358-361.

[15]張大志，李永強(qiáng).人工神經(jīng)網(wǎng)絡(luò)的混合算法及其在機(jī)械故障診斷中的應(yīng)用[J].機(jī)械與電子，2007（4）:63-65.

[16]彭斌，劉振全.基于改進(jìn)小波神經(jīng)網(wǎng)絡(luò)的旋轉(zhuǎn)機(jī)械故障診斷[J].振動、測試與診斷，2007，27（1）:32-35.

[17]王光研，許寶杰.RBF神經(jīng)網(wǎng)絡(luò)在旋轉(zhuǎn)機(jī)械故障診斷中的應(yīng)用[J].機(jī)械設(shè)計(jì)與制造，2008（9）:57-58.

[18]張新海，雷勇.BP神經(jīng)網(wǎng)絡(luò)在機(jī)械故障診斷中的應(yīng)用[J].噪聲與振動控制，2008（5）:95-97.

[19]姜萬錄，李沖祥.神經(jīng)網(wǎng)絡(luò)和證據(jù)理論融合的故障診斷方法研究[J].中國機(jī)械工程，2004，15（9）:760-764.

[20]張忠奎，王效岳，丁曉坤.旋轉(zhuǎn)機(jī)械故障診斷中的改進(jìn)型RBF神經(jīng)網(wǎng)絡(luò)算法研究[J].山東理工大學(xué)學(xué)報(bào):自然科學(xué)版，2010，24（4）:81-83.

[21]彭滔，汪魯才，吳桂清，等.一種改進(jìn)的神經(jīng)網(wǎng)絡(luò)機(jī)械故障診斷專家系統(tǒng)[J].計(jì)算機(jī)工程與應(yīng)用，2007，43（1）:232-234.

[22]靳春梅，樊靈，邱陽，等.灰色理論在旋轉(zhuǎn)機(jī)械故障診斷與預(yù)報(bào)中的應(yīng)用[J].應(yīng)用力學(xué)學(xué)報(bào)，2000，17（3）:74-80.

[23]王啟志，王曉霞.基于改進(jìn)灰色關(guān)聯(lián)度的機(jī)械故障診斷[J].噪聲與振動控制，2010（2）:111-113.

[24]東亞斌，張小龍.基于改進(jìn)灰色關(guān)聯(lián)度分析的機(jī)械故障診斷[J].煤礦機(jī)械，2009，30（2）:218-220.

[25]吳冉 .基于灰色關(guān)聯(lián)法分析吊車的機(jī)械故障[J].煤礦機(jī)械，2008，29（8）:195-197.

[26]林云，郜麗鵬.基于灰色關(guān)聯(lián)和證據(jù)理論的故障診斷方法[J].電子測量與儀器學(xué)報(bào)，2009，23（7）:68-72.

[27]CORTES C，VAPNIK V.Support vector network[J].Machine Learning，1995，20（2）:273-297.

[28] CHEN S，SAMINGAN A K，HANZO L.Support vector machine multi-user receiver for DSCDMA signals in multi-path channels[J].IEEE Transactions on Neural Networks，2001，12（3）:604-611.

[29]李凌均，張周鎖，何正嘉.基于支持向量機(jī)的機(jī)械故障智能分類研究[J].小型微型計(jì)算機(jī)系統(tǒng)，2004，25（4）:667-670.

[30]張龍，熊國良，柳和生，等.基于時(shí)變自回歸模型與支持向量機(jī)的旋轉(zhuǎn)機(jī)械故障診斷方法[J].中國電機(jī)工程學(xué)報(bào)，2007，27（9）:99-103.

[31]曹沖鋒，楊世錫，周曉峰，等.改進(jìn)支持向量機(jī)模型的旋轉(zhuǎn)機(jī)械故障診斷方法[J].振動、測試與診斷，2009，29（3）:270-273.

[32]張金敏，翟玉千，王思明.小波分解和最小二乘支持向量機(jī)的風(fēng)機(jī)齒輪箱故障診斷[J].傳感器與微系統(tǒng)，2011，30（1）:41-43.

[33]王晴晴，汪正東，黃衍法，等.基于節(jié)點(diǎn)優(yōu)化的決策樹支持向量機(jī)及在故障診斷中的應(yīng)用[J].煤礦機(jī)械，2010，31（6）:241-243.

[34]ZHANG X L，CHEN X F，HE Z J.Fault diagnosis based on support vector machines with parameter optimization by an ant colony algorithm[J].Proceedings of the Institution of Mechanical Engineers，Part C:Journal of Mechanical Engineering Science ，2010，224（1）:217-229.

[35]張揚(yáng)，曲延濱.基于蟻群算法與神經(jīng)網(wǎng)絡(luò)的機(jī)械故障診斷方法[J].機(jī)床與液壓，2007，35（7）:241-244.

[36]潘玉娜，韓捷，李志農(nóng).矢功率譜與RBF網(wǎng)絡(luò)結(jié)合在旋轉(zhuǎn)機(jī)械故障診斷中的應(yīng)用[J].機(jī)床與液壓，2007，35（1）:223-225.

[37]ZHOU JIE MIN，LIN GANG，GONG SHU LI，et al.Application of multi-sensor data fusion based on fuzzy neural network in rotating mechanical failure diagnosis[J].Transactions of Nanjing University of Aeronautics&Astronautics，2001，18（1）:91-96.

[38]朱永年，趙君愛.小波-BP神經(jīng)網(wǎng)絡(luò)在旋轉(zhuǎn)機(jī)械故障診斷中的應(yīng)用[J].電子機(jī)械工程，2011，27（1）:56-59.

[39]孔蓮芳.集成神經(jīng)網(wǎng)絡(luò)信息融合技術(shù)在旋轉(zhuǎn)機(jī)械故障診斷中的應(yīng)用[J].機(jī)械與電子，2004（1）:12-15.

[40]馮志鵬，宋希庚，薛冬新.基于廣義粗糙集與神經(jīng)網(wǎng)絡(luò)集成的旋轉(zhuǎn)機(jī)械故障診斷研究[J].機(jī)械科學(xué)與技術(shù)，2003，22（5）:815-820.

[41]YAN C，ZHANG H，PENG D，et al.Real-time fault diagnostic system for a steam turbine generator set by using a fuzzy cerebellar model articulation controller[J].Proceedings of the Institution of Mechanical Engineers，Part C:Journal of Mechanical Engineering Science ，2009，223（5）:1253-1262.

[42] TSAI Y T.Applying a case-based reasoning method for fault diagnosis during maintenance[J].Proceedings of the Institution of Mechanical Engineers，Part C:Journal of Mechanical Engineering Science，2009，223（10）:2431-2441.