论文部分内容阅读
【摘 要】电子装备故障诊断是装备保障领域的重点问题，本文介绍了电子装备故障诊断技术的发展历史，重点论述了智能诊断技术的几种方法及其特点，预测了故障诊断技术的发展趋势。
【关键词】故障诊断；专家系统；电子装备
1.引言
目前，电子装备复杂程度越来越高，自动化程度越来越高，功能越来越复杂，从而对于故障诊断技术的要求越来越高。如何快速、准确地检测出故障是电子装备故障诊断技术的关键。
故障诊断（Fault Diagnosis， 缩写为FD），是指对设备运行状态和异常情况做出判断，换句话说，就是在设备没有发生故障之前，要对设备的运行状态进行预测和预报；在设备发生故障之后，对故障的原因、部位、类型、程度等做出判断，并进行维修决策。故障诊断的任务包括故障检测、故障识别、故障分离与估计以及故障评价与决策[1] 。
电子装备的故障诊断一直是装备保障领域的重点和难点，国内外已经对此问题进行了大量的研究工作。按照对知识的运用程度的不同，可将电子装备故障诊断技术分为传统故障诊断技术和智能故障诊断技术。传统故障诊断技术运用了相关领域的事理性、理论性知识，以及操作人员简单的逻辑判断。智能故障诊断技术则是模拟人类的逻辑思维和形象思维，将各种知识融入诊断过程。本文通过分析故障诊断的发展，重点论述了智能故障诊断技术的发展状况，并对故障诊断技术的发展趋势进行了预测。
2.故障诊断技术的发展
故障诊断技术的研究最早起源于美国，如西屋公司（WHEC）、Bently公司和IRD公司[2， 3] 。60年代开始在军事工业上开始研究，首先是在发生故障意味着重大事故的部门，如飞机、船、舰方面。故障诊断技术的发展主要经历了以下两个技术阶段。
2.1传统故障诊断技术
传统的故障诊断技术主要有以下几种。
单信号处理方法[4] ：电子技术发展早期，分离元件和集成元件并存，设备集成化程度不高。此时的技术特点是以单信号处理方法为主，较少考虑信号间的耦合，主要采用阈值模型。当系统的输入输出超出一定范围时，就认为故障已經发生或将要发生。信号主要通过各种仪器仪表人工采集。
随着技术的进步，基于单信号阈值模型的诊断技术已不能适应工程实践的要求。借助信息理论的发展，诊断技术出现了两个发展方向：（1）多信号模型诊断，考虑信号间的融合关系，通过定量或定性的分析方法实现诊断；（2）单信号滤波诊断，早期阈值模型诊断只考虑实时数据，没有考虑历史数据的变换信息，而滤波诊断的基本原理是对时间序列信号进行滤波变换，得到信号的特征信息，再对此特征信息进行阈值诊断，所用的方法主要有Kullback信息准则、小波变换、状态估计和参数估计等[5] 。
如果系统复杂也可以采用计算机仿真技术进行故障诊断。采用仿真技术主要是要建立系统的仿真模型，实时采集信号.模拟系统运行状态.通过分析仿真结果来判断故障[6] 。这种故障仿真方法具有诊断准确、快速的特点，但建立仿真模型时需要获得系统的物理结构和信号流程。
机内测试（build-in test， BIT）技术是为系统和设备内部提供检测、故障隔离的能力[7] 。自美国在20世纪70年代将其用于军用航空电子设备以来，现已广泛应用于各类大型电子产品。随着VLSI和计算机技术的发展，BIT技术结构日趋复杂、功能日益强大，正发展成为集状态监测、故障诊断为一体的综合系统。
2.2智能故障诊断技术
目前，智能诊断的理论与方法主要有：基于专家系统的方法、基于神经网络的方法、基于模糊逻辑的方法、基于遗传算法的方法、基于信息融合的方法。
2.2.1基于专家系统的故障诊断方法
专家系统故障诊断方法就是综合运用各种规则对计算机采集到的被诊断对象的信息进行一系列推理后，同时在必要时还可以随时调用各种应用程序并在运行过程中向用户索取必要的信息，然后能够快速的找到最终故障或最有可能的故障，由用户来确认的一种方法。专家系统获得巨大成功的原因在于，它将模仿人类思维规律的解题策略与大量的专业知识结合在一起。
专家系统主要由知识库、推理机、数据库、知识获取模块、解释程序和人机接口等部分组成[8] 。其内部具有某个领域专家的知识和经验，能够利用人类专家的知识和解决问题的方法来解决问题。专家系统解决的问题一般没有算法解，且往往在不完全信息的基础上进行推理、做出结论，故速度快、实时性强。该方法是人工智能理论在故障诊断领域中最成功的应用。也是目前故障诊断领域最常用的方法，其各部分的功能如图1所示。
图 1专家系统故障诊断结构示意图
2.2.2基于神经网络的故障诊断方法
神经网络用于设备故障诊断是近十几年来迅速发展起来的一个新的研究领域。神经网络具有并行分布处理、联想记忆、自组织及其子学习能力和极强的非线性映射特性，能对复杂的信息进行识别处理并给予准确的分类，因此可以用来对系统设备由于故障而引起的状态变化进行识别和判断，从而为故障诊断与状态监控提供了新的技术手段。
神经网络应用于故障诊断具有很多优点：
（1）并行结构和并行处理方式；
（2）具有高度的自适应性；
（3）具有很强的自学习能力；
（4）具有很强的容错性；
（5）实现了将知识表示、存储、推理三者融为一体。
然而，神经网络也存在固有的弱点。首先，系统性能受到所选择的训练样本集的限制；其次，神经网络没有能力解释自己的推理过程和推理依据及其存储知识的意义；再次，神经网络利用知识和表达知识的方式单一，通常的神经网络只能采用数值化的知识；最后，神经网络只能模拟人类感觉层次上的智能活动，在模拟人类复杂层次的思维方面，如基于目标的管理、综合判断与因果分析等方面还远远不及传统的基于符号的专家系统。模式识别的神经网络诊断过程如图2所示，主要包括学习训练与诊断匹配两个过程，其中每个过程都包括预处理和特征提取两部分[9] 。 图 2神经网络章诊断过程示意图
2.2.3基于模糊逻辑的故障诊断方法
设备运行过程本身的不确定性、不精确性以及噪声为处理复杂系统的时滞、时变及非线性等方面带来了许多困难，而模糊逻辑在此显示了优越性。目前用于故障智能诊断的思路主要有三种：
（1）基于模糊关系及合成算法的诊断，先建立征兆与故障类型之间的因果关系矩阵，再建立故障与征兆的模糊关系方程，最后进行模糊诊断；
（2）基于模糊知识处理技术的诊断，先建立故障与征兆的模糊规则库，再进行模糊逻辑推理的诊断过程；
图 3模糊故障诊断系统基本结构示意图
（3）基于模糊聚类算法的诊断，先对原始采样数据进行模糊C均值聚类处理，再通过模糊传递闭包法和绝对值指数法得到模糊C均值法的初始迭代矩阵，最后用划分系数、划分熵和分离系数等来评价聚类的结果是否最佳[10] 。
模糊故障诊断系统的基本结构图如图3 所示 ，主要包括模糊化接口、模糊规则库、模糊推理机和非模糊化接口等四部分[1] 。
2.2.4基于遗传算法的故障诊断方法[10]
基于遗传算法的智能故障诊断的主要思想是利用遗传算法的寻优特性，搜索故障判别的最佳特征参数的组合方式，采用树状结构对原始特征参数进行再组织，以产生最佳特征参数组合，利用特征参数的不同最佳组合进行设备故障的准确识别，其识别精度有了很大的提高。其基本点是将信号特征参数的公式转化为遗传算法的遗传子，采用树图来表示特征参数，得到优化的故障特征参数表达式。
2.2.5基于信息融合的故障诊断方法
目前，信息融合在大多数情况下采用多传感器融合的方式，其原理是通过有效利用不同时间、空间的多个传感器信息资源 ，最大限度地获得被测目标和环境的信息量，采用计算机技术对获得的信息在一定准则下加以自动处理，获得被测对象的一致性解释和描述，以完成所需的决策。
多传感器信息融合技术应用于故障诊断的主要原因是因为：（1）信息融合能够为故障诊断提供更多的信息；（2）故障诊断系统具有信息融合系统相类似的特征。
概括起来，多信息融合技术在故障诊断方面的应用主要包括以下几点[11] ：（1）对多传感器形成的不同信道的信号进行融合；（2）对同一信号的不同特征进行融合；（3）对不同诊断方法得出的结论进行融合。融合诊断的最终目标就是利用各种信息提高诊断的准确率。
3.故障诊断技术发展趋势
3.1综合智能故障诊断系统
发展集成多种不同智能技术的综合智能诊断系统是智能故障诊断领域的大势所趋。集成主要是以知识为基础，将多种知识表达方法和推理方法综合集成，融合多种信息，实现多角度、多层次的诊断集成，提高系统的灵活性，逼真模拟专家诊断思维过程。目前较多的集成智能诊断方法有专家系统和神经网络的集成、神经网络和模糊推理的集成以及上述三者的高度集成等。
3.2远程故障诊断
复杂电子装备故障涉及诸多技术领域相关知识，只靠单个部门人员很难在短时期内解决。网络技术的发展为远程故障诊断提供平台，以国防通信干线、国防数据网和我軍其它信息系统为依托，军队各级单位自身建立的局域网和各战区、军兵种范围内的城域网为基础，可实现武器装备各保障单元和承制单位的信息互连互通，使远在千里之外的承制单位专家可直接参与装备故障会诊，指导部队修理人员排除故障，使装备及时恢复正常效能。
目前远程故障诊断所采用的方法主要有[12， 13] ：电话会议方式、Internet的C/S（客户机/服务器）模式或B/S（浏览器/服务器）模式等。智能故障诊断技术与Internet技术相结合是其发展的主要方向之一。
3.3分布式故障诊断
现在的大型装备或系统的功能和结构都是分布式和多层次的，这就决定着故障诊断系统也要向着分布式和多层次发展。
分布式故障诊断系统由全局（系统级）诊断系统和子诊断系统组成。全局诊断系统负责诊断任务管理，包括总体任务的分解、子任务的协调与控制、各子系统诊断结论的综合等。子诊断系统根据所分得的子任务，完成对所辖设备的故障诊断[14] 。分布式故障诊断的发展是以分布式数据库、计算机网络和通信技术、分布式检测技术的融合为基础的。
3.4虚拟现实故障诊断系统
虚拟现实技术是20世纪末才兴起的一门崭新的综合信息技术[15] ，可以为故障诊断的教学、远程故障诊断、分布式故障诊断提供逼真的虚拟仿真环境，增大了故障诊断的信息量。将虚拟现实技术应用于故障诊断系统将使一些故障诊断教学变得简单形象且易于操作，同时，能解决一般故障诊断系统无法解决的问题。
虚拟现实技术能够构造逼真的虚拟环境，可以使特定条件下才能实现的一些任务在一般条件下也能够实现，可以使受训者在远离操作可能带来的危险的情况下进行训练，可以节省使用真实样机所需的花销。凭借着以上的优越性，虚拟现实故障诊断系统必将成为故障诊断的一个主要发展方向。
4.结论
电子装备故障诊断在近几年发展迅猛，尤其是在智能故障诊断方面。同时，一些新的故障诊断研究方向也正处于发展阶段并取得了一定的成就。虚拟现实技术与故障诊断的结合，在电子装备故障诊断领域有着其独特的优越性。虚拟现实技术不仅有利于故障诊断的教学训练，还有利于分布式故障诊断系统的实现，这将使得智能故障诊断的实现更加完善，极大地带动了故障诊断的发展。
参考文献：
[1]王仲生. 智能故障诊断与容错控制[M]. 西安：西北工业大学出版社，2005.
[2]Scheibel， John R， Iman， et al. Expert system-based， on-line rotor crack monitor for utility steam turbines[A]. Proceeding of the American Power Conference[C]. Publ by Illino is Inst of Technology， 1989： 369-380. [3]Bosmans， Ronald F， Hewitt， et al. Expert system for machinery vibration diagnositics[J]. American Society of Mechanical Engineers， Inernational Gas Turbine Institute， 1992： 365-371.
[4]丁彩红，黄文虎，姜兴谓，等. 载人航天故障诊断技术的发展及其关键技术分析[J]. 强度与环境. 1999（2）.
[5]周东华，叶银忠. 现代故障诊断与容错控制[M]. 北京：清华大学出版社，2000.
[6]Chrissanthi Angeli， Derek Atherton. A Model-Based Method for an Online Diagnostic Knowledge-Based System[J]. Expert， 2001， 18（3）.
[7]温熙森，绦永成，易晓山. 智能理论在BIT设计与故障诊断中的应用[J]. 国防科技大学学报，1999，21（1）.
[8]Joseph C， Gary D. Expert Systems[M]. 北京：機械工业出版社，2010.
[9]安治永，李应红，苏长兵. 航空电子设备故障诊断技术研究综述[J]. 电光与控制，2006，13（3）：28-30.
[10]姜万录，程晓盛，陈东宁，等. 远程智能故障诊断技术的现状与展望[J]. 机床与液压，2003（4）：6-7.
[11]李云松，任艳君. 智能诊断技术发展综述[J]. 四川兵工学报，2010，31（4）.
[12]吴伟蔚，杨叔子. 远程协作故障诊断系统的设计及实现[J]. 计算机工程与应用，2000（1）.
[13]谢小轩，张浩，曾斌. 制造企业远程故障诊断服务系统的研究[J]. 组合机床与白动化加工技术，2000（12）.
[14]吴令培. 智能故障诊断技术的发展和展望[J]. 振动、测试与诊断. 1999.
[15]吴启迪. 系统仿真与虚拟现实[M]. 北京：化学工业出版社，2002.
【关键词】故障诊断；专家系统；电子装备
1.引言
目前，电子装备复杂程度越来越高，自动化程度越来越高，功能越来越复杂，从而对于故障诊断技术的要求越来越高。如何快速、准确地检测出故障是电子装备故障诊断技术的关键。
故障诊断（Fault Diagnosis， 缩写为FD），是指对设备运行状态和异常情况做出判断，换句话说，就是在设备没有发生故障之前，要对设备的运行状态进行预测和预报；在设备发生故障之后，对故障的原因、部位、类型、程度等做出判断，并进行维修决策。故障诊断的任务包括故障检测、故障识别、故障分离与估计以及故障评价与决策[1] 。
电子装备的故障诊断一直是装备保障领域的重点和难点，国内外已经对此问题进行了大量的研究工作。按照对知识的运用程度的不同，可将电子装备故障诊断技术分为传统故障诊断技术和智能故障诊断技术。传统故障诊断技术运用了相关领域的事理性、理论性知识，以及操作人员简单的逻辑判断。智能故障诊断技术则是模拟人类的逻辑思维和形象思维，将各种知识融入诊断过程。本文通过分析故障诊断的发展，重点论述了智能故障诊断技术的发展状况，并对故障诊断技术的发展趋势进行了预测。
2.故障诊断技术的发展
故障诊断技术的研究最早起源于美国，如西屋公司（WHEC）、Bently公司和IRD公司[2， 3] 。60年代开始在军事工业上开始研究，首先是在发生故障意味着重大事故的部门，如飞机、船、舰方面。故障诊断技术的发展主要经历了以下两个技术阶段。
2.1传统故障诊断技术
传统的故障诊断技术主要有以下几种。
单信号处理方法[4] ：电子技术发展早期，分离元件和集成元件并存，设备集成化程度不高。此时的技术特点是以单信号处理方法为主，较少考虑信号间的耦合，主要采用阈值模型。当系统的输入输出超出一定范围时，就认为故障已經发生或将要发生。信号主要通过各种仪器仪表人工采集。
随着技术的进步，基于单信号阈值模型的诊断技术已不能适应工程实践的要求。借助信息理论的发展，诊断技术出现了两个发展方向：（1）多信号模型诊断，考虑信号间的融合关系，通过定量或定性的分析方法实现诊断；（2）单信号滤波诊断，早期阈值模型诊断只考虑实时数据，没有考虑历史数据的变换信息，而滤波诊断的基本原理是对时间序列信号进行滤波变换，得到信号的特征信息，再对此特征信息进行阈值诊断，所用的方法主要有Kullback信息准则、小波变换、状态估计和参数估计等[5] 。
如果系统复杂也可以采用计算机仿真技术进行故障诊断。采用仿真技术主要是要建立系统的仿真模型，实时采集信号.模拟系统运行状态.通过分析仿真结果来判断故障[6] 。这种故障仿真方法具有诊断准确、快速的特点，但建立仿真模型时需要获得系统的物理结构和信号流程。
机内测试（build-in test， BIT）技术是为系统和设备内部提供检测、故障隔离的能力[7] 。自美国在20世纪70年代将其用于军用航空电子设备以来，现已广泛应用于各类大型电子产品。随着VLSI和计算机技术的发展，BIT技术结构日趋复杂、功能日益强大，正发展成为集状态监测、故障诊断为一体的综合系统。
2.2智能故障诊断技术
目前，智能诊断的理论与方法主要有：基于专家系统的方法、基于神经网络的方法、基于模糊逻辑的方法、基于遗传算法的方法、基于信息融合的方法。
2.2.1基于专家系统的故障诊断方法
专家系统故障诊断方法就是综合运用各种规则对计算机采集到的被诊断对象的信息进行一系列推理后，同时在必要时还可以随时调用各种应用程序并在运行过程中向用户索取必要的信息，然后能够快速的找到最终故障或最有可能的故障，由用户来确认的一种方法。专家系统获得巨大成功的原因在于，它将模仿人类思维规律的解题策略与大量的专业知识结合在一起。
专家系统主要由知识库、推理机、数据库、知识获取模块、解释程序和人机接口等部分组成[8] 。其内部具有某个领域专家的知识和经验，能够利用人类专家的知识和解决问题的方法来解决问题。专家系统解决的问题一般没有算法解，且往往在不完全信息的基础上进行推理、做出结论，故速度快、实时性强。该方法是人工智能理论在故障诊断领域中最成功的应用。也是目前故障诊断领域最常用的方法，其各部分的功能如图1所示。
图 1专家系统故障诊断结构示意图
2.2.2基于神经网络的故障诊断方法
神经网络用于设备故障诊断是近十几年来迅速发展起来的一个新的研究领域。神经网络具有并行分布处理、联想记忆、自组织及其子学习能力和极强的非线性映射特性，能对复杂的信息进行识别处理并给予准确的分类，因此可以用来对系统设备由于故障而引起的状态变化进行识别和判断，从而为故障诊断与状态监控提供了新的技术手段。
神经网络应用于故障诊断具有很多优点：
（1）并行结构和并行处理方式；
（2）具有高度的自适应性；
（3）具有很强的自学习能力；
（4）具有很强的容错性；
（5）实现了将知识表示、存储、推理三者融为一体。
然而，神经网络也存在固有的弱点。首先，系统性能受到所选择的训练样本集的限制；其次，神经网络没有能力解释自己的推理过程和推理依据及其存储知识的意义；再次，神经网络利用知识和表达知识的方式单一，通常的神经网络只能采用数值化的知识；最后，神经网络只能模拟人类感觉层次上的智能活动，在模拟人类复杂层次的思维方面，如基于目标的管理、综合判断与因果分析等方面还远远不及传统的基于符号的专家系统。模式识别的神经网络诊断过程如图2所示，主要包括学习训练与诊断匹配两个过程，其中每个过程都包括预处理和特征提取两部分[9] 。 图 2神经网络章诊断过程示意图
2.2.3基于模糊逻辑的故障诊断方法
设备运行过程本身的不确定性、不精确性以及噪声为处理复杂系统的时滞、时变及非线性等方面带来了许多困难，而模糊逻辑在此显示了优越性。目前用于故障智能诊断的思路主要有三种：
（1）基于模糊关系及合成算法的诊断，先建立征兆与故障类型之间的因果关系矩阵，再建立故障与征兆的模糊关系方程，最后进行模糊诊断；
（2）基于模糊知识处理技术的诊断，先建立故障与征兆的模糊规则库，再进行模糊逻辑推理的诊断过程；
图 3模糊故障诊断系统基本结构示意图
（3）基于模糊聚类算法的诊断，先对原始采样数据进行模糊C均值聚类处理，再通过模糊传递闭包法和绝对值指数法得到模糊C均值法的初始迭代矩阵，最后用划分系数、划分熵和分离系数等来评价聚类的结果是否最佳[10] 。
模糊故障诊断系统的基本结构图如图3 所示 ，主要包括模糊化接口、模糊规则库、模糊推理机和非模糊化接口等四部分[1] 。
2.2.4基于遗传算法的故障诊断方法[10]
基于遗传算法的智能故障诊断的主要思想是利用遗传算法的寻优特性，搜索故障判别的最佳特征参数的组合方式，采用树状结构对原始特征参数进行再组织，以产生最佳特征参数组合，利用特征参数的不同最佳组合进行设备故障的准确识别，其识别精度有了很大的提高。其基本点是将信号特征参数的公式转化为遗传算法的遗传子，采用树图来表示特征参数，得到优化的故障特征参数表达式。
2.2.5基于信息融合的故障诊断方法
目前，信息融合在大多数情况下采用多传感器融合的方式，其原理是通过有效利用不同时间、空间的多个传感器信息资源 ，最大限度地获得被测目标和环境的信息量，采用计算机技术对获得的信息在一定准则下加以自动处理，获得被测对象的一致性解释和描述，以完成所需的决策。
多传感器信息融合技术应用于故障诊断的主要原因是因为：（1）信息融合能够为故障诊断提供更多的信息；（2）故障诊断系统具有信息融合系统相类似的特征。
概括起来，多信息融合技术在故障诊断方面的应用主要包括以下几点[11] ：（1）对多传感器形成的不同信道的信号进行融合；（2）对同一信号的不同特征进行融合；（3）对不同诊断方法得出的结论进行融合。融合诊断的最终目标就是利用各种信息提高诊断的准确率。
3.故障诊断技术发展趋势
3.1综合智能故障诊断系统
发展集成多种不同智能技术的综合智能诊断系统是智能故障诊断领域的大势所趋。集成主要是以知识为基础，将多种知识表达方法和推理方法综合集成，融合多种信息，实现多角度、多层次的诊断集成，提高系统的灵活性，逼真模拟专家诊断思维过程。目前较多的集成智能诊断方法有专家系统和神经网络的集成、神经网络和模糊推理的集成以及上述三者的高度集成等。
3.2远程故障诊断
复杂电子装备故障涉及诸多技术领域相关知识，只靠单个部门人员很难在短时期内解决。网络技术的发展为远程故障诊断提供平台，以国防通信干线、国防数据网和我軍其它信息系统为依托，军队各级单位自身建立的局域网和各战区、军兵种范围内的城域网为基础，可实现武器装备各保障单元和承制单位的信息互连互通，使远在千里之外的承制单位专家可直接参与装备故障会诊，指导部队修理人员排除故障，使装备及时恢复正常效能。
目前远程故障诊断所采用的方法主要有[12， 13] ：电话会议方式、Internet的C/S（客户机/服务器）模式或B/S（浏览器/服务器）模式等。智能故障诊断技术与Internet技术相结合是其发展的主要方向之一。
3.3分布式故障诊断
现在的大型装备或系统的功能和结构都是分布式和多层次的，这就决定着故障诊断系统也要向着分布式和多层次发展。
分布式故障诊断系统由全局（系统级）诊断系统和子诊断系统组成。全局诊断系统负责诊断任务管理，包括总体任务的分解、子任务的协调与控制、各子系统诊断结论的综合等。子诊断系统根据所分得的子任务，完成对所辖设备的故障诊断[14] 。分布式故障诊断的发展是以分布式数据库、计算机网络和通信技术、分布式检测技术的融合为基础的。
3.4虚拟现实故障诊断系统
虚拟现实技术是20世纪末才兴起的一门崭新的综合信息技术[15] ，可以为故障诊断的教学、远程故障诊断、分布式故障诊断提供逼真的虚拟仿真环境，增大了故障诊断的信息量。将虚拟现实技术应用于故障诊断系统将使一些故障诊断教学变得简单形象且易于操作，同时，能解决一般故障诊断系统无法解决的问题。
虚拟现实技术能够构造逼真的虚拟环境，可以使特定条件下才能实现的一些任务在一般条件下也能够实现，可以使受训者在远离操作可能带来的危险的情况下进行训练，可以节省使用真实样机所需的花销。凭借着以上的优越性，虚拟现实故障诊断系统必将成为故障诊断的一个主要发展方向。
4.结论
电子装备故障诊断在近几年发展迅猛，尤其是在智能故障诊断方面。同时，一些新的故障诊断研究方向也正处于发展阶段并取得了一定的成就。虚拟现实技术与故障诊断的结合，在电子装备故障诊断领域有着其独特的优越性。虚拟现实技术不仅有利于故障诊断的教学训练，还有利于分布式故障诊断系统的实现，这将使得智能故障诊断的实现更加完善，极大地带动了故障诊断的发展。
参考文献：
[1]王仲生. 智能故障诊断与容错控制[M]. 西安：西北工业大学出版社，2005.
[2]Scheibel， John R， Iman， et al. Expert system-based， on-line rotor crack monitor for utility steam turbines[A]. Proceeding of the American Power Conference[C]. Publ by Illino is Inst of Technology， 1989： 369-380. [3]Bosmans， Ronald F， Hewitt， et al. Expert system for machinery vibration diagnositics[J]. American Society of Mechanical Engineers， Inernational Gas Turbine Institute， 1992： 365-371.
[4]丁彩红，黄文虎，姜兴谓，等. 载人航天故障诊断技术的发展及其关键技术分析[J]. 强度与环境. 1999（2）.
[5]周东华，叶银忠. 现代故障诊断与容错控制[M]. 北京：清华大学出版社，2000.
[6]Chrissanthi Angeli， Derek Atherton. A Model-Based Method for an Online Diagnostic Knowledge-Based System[J]. Expert， 2001， 18（3）.
[7]温熙森，绦永成，易晓山. 智能理论在BIT设计与故障诊断中的应用[J]. 国防科技大学学报，1999，21（1）.
[8]Joseph C， Gary D. Expert Systems[M]. 北京：機械工业出版社，2010.
[9]安治永，李应红，苏长兵. 航空电子设备故障诊断技术研究综述[J]. 电光与控制，2006，13（3）：28-30.
[10]姜万录，程晓盛，陈东宁，等. 远程智能故障诊断技术的现状与展望[J]. 机床与液压，2003（4）：6-7.
[11]李云松，任艳君. 智能诊断技术发展综述[J]. 四川兵工学报，2010，31（4）.
[12]吴伟蔚，杨叔子. 远程协作故障诊断系统的设计及实现[J]. 计算机工程与应用，2000（1）.
[13]谢小轩，张浩，曾斌. 制造企业远程故障诊断服务系统的研究[J]. 组合机床与白动化加工技术，2000（12）.
[14]吴令培. 智能故障诊断技术的发展和展望[J]. 振动、测试与诊断. 1999.
[15]吴启迪. 系统仿真与虚拟现实[M]. 北京：化学工业出版社，2002.