隨著人工智能和計算機技術的飛速發(fā)展，出現(xiàn)了基于知識、不需要對象精確數(shù)學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)境下的診斷對象進行正確的狀態(tài)識別、診斷和預測的能力。

　　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)驗的程序系統(tǒng)，通常由知識庫(Knowledge Base)、推理機(Inference Engine)、人機接口(Man-Machine Interface)等部分組成，是當前研究***多、應用***廣的一類智能診斷技術。專***系統(tǒng)的優(yōu)點有：可以用類自然語言方式來表達無法用數(shù)學模型表達的專***知識；能在特定領域內(nèi)模仿專***工作，處理非常復雜的情況；在已知其基本規(guī)則的情況下，無需大量細節(jié)數(shù)據(jù)即可運行；能對系統(tǒng)的結論做出解釋。專***系統(tǒng)擅長邏輯推理和符號信息處理，適用于復雜系統(tǒng)的故障診斷。然而專***系統(tǒng)自身的一些缺點限制了它的廣泛應用，如知識獲取的瓶頸問題。

　　基于神經(jīng)網(wǎng)絡的診斷方法

　　人工神經(jīng)網(wǎng)絡[10](Artificial Neural Network，ANN)是一種通過模擬人腦而建立起來的自適應非線性動力學系統(tǒng)，它具有自學性、容錯性和并行計算能力，可以實現(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)絡的拓撲結構和權值分布實現(xiàn)非線性的映射，并利用全局并行處理實現(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的一些缺點限制了它的一些應用[11]，如網(wǎng)絡結構難以確定、局部極小點等問題。

　　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)學模型，適當?shù)剡\用隸屬函數(shù)和模糊規(guī)則，進行模糊推理就可以實現(xiàn)模糊診斷的智能化?；谀：碚摰墓收显\斷方法主要是利用集合論中的隸屬度函數(shù)和模糊關系矩陣的概念，解決故障與征兆之間的不確定關系。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)則之間的關系。另外由于系統(tǒng)的復雜性、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系往往存在較強的非線性，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域中，還有基于向量機的診斷方法，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合的方法。