系统故障有层次性、相关性、延时性和不确定性，这就使得设备故障诊断问题变得十分复杂和困难，利用单个子神经网络解决问题需要大量的故障样本、适于诊断多类故障的网络结构难以确定，即使确定，也易陷入局部极小，自适应调整和误差函数的改进、加速收敛；对初始随机权值在量级上进行限定，克服了局部最小问题。在机械故障诊断中的应用方式有：从模式识别角度应用神经网络作为分类器进行故障诊断；从预测角度应用神经网络作为动态预测模型进行故障预测；利用神经网络极强的非线性动态跟踪能力进行基于结构映射的故障诊断；从知识处理角度建立基于神经网络的诊断专家系统等。目前，为提高神经网络在实用中的学习和诊断性能，主要从神经网络模型本身改进和模块化模型诊断策略两方面开展研究；同时，与模糊逻辑的结合研究也是一个研究热点。
2.3 模糊集理论(fuzzy sets theory. fsn)
研究人员们一直在努力寻找科学地处理不完整性和不确定性的有效途径,实践证明,1965年zadeh创立的模糊集理论是处理不确定性的一种很好的方法。人的认知世界包含大量的不确定之时，这就需要对所获信息进行一定的模糊化处理，以减少问题的复杂度。模糊逻辑可认为是多值逻辑的扩展，能够完成传统数学方法难以做到的近似推理。基于多类电量测试信息模糊融合的模拟电路故障诊断方法已经提出。基于k故障节点诊断法和最小标准差法的元件故障隶属函数构造方法，以及基于可测点电压与不同测试频率下电路增益的模糊信息融合诊断算法也已阐述。分别利用此两类测试信息及k故障
诊断法和最小标准差法,对电路进行初步诊断,再运用模糊变换及故障定位规则,得到融合的故障诊断结果。模拟实验结果表明,所提方法大大提高了机械系统故障定位的准确率。
3 人工智能在机械故障诊断中的发展趋势
人工智能中的四种主要工具，即专家系统、人工神经网络、模糊集理论，各有优点和局限。
虽然es在许多领域已有广泛应用，仍存在知识获取的“瓶颈”、知识难以维护、应用面窄、诊断能力弱等问题。然而，随着相关学科和技术的发展与渗透，专家系统的理论与方法也有了很大改进，上述问题逐渐有所缓解或消除。要注重与模糊逻辑、故障树、机器学习等方法相结合。
虽然ann具有较强的自组织、自学习能力、鲁棒性高免去推理机的构造，且推理速度与规模大小无明显关系，很快引起人们的重视。而且应用神经网络技术可以弥补解决传统专家系统在应用中遇到的问题。但在故障诊断中仍存在不少局限性，表现为：
（1）ann外推时误差较大，难以保证解的准确性和容错性能；
（2）系统结构发生变化，则有可能需要改变ann的组成结构，或增加新的样本重新学习获得新知识；
（3）ann难以实现基于结构化知识的逻辑推理；
（4）缺乏解释能力，诊断结果不易于运行人员理解。
另外，如何确保ann训练时收敛的快速性和避免陷入局部最小，也是每一个基于ann的诊断系统必须面对的问题。fst的加入，使各相应智能诊断系统在机械系统故障诊断在分析不确定性因素问题上原理更成熟，技术更完善，容错性等性能得到相应提高。但仍存在可维护性问题，对不确定性因素的处理只能是有限度的改进。
目前，缺少一种普遍有效的方法应用于机械系统的各个领域。混合智能，即综合多种智能技术，成为ai的重要发展方向之一。将多种不同的智能技术结合起来用以设计、控制、监测机械系统成为新的发展趋势。结合的方式主要有基于规则的专家系统与神经网络相结合，cbr与基于规则系统和神经网络的结合，模糊逻辑、神经网络与专家系统的结合等。其中模糊逻辑、神经网络与专家系统结合的诊断模型是最具发展前景的，也是目前人工智能领域的研究热点之一。例如:模糊逻辑与神经网络的组合机理、组合后的算法、便于神经网络处理的模糊知识的表达方式等。混合智能在机械系统故障诊断中的应用中有如下发展趋势：由基于规则的系统到混合模型的系统，由领域专家提供知识到机器学习、由非实时诊断到实时诊断、由单一推理控制到混合推理控制策略等。
4 人工智能在机械故障诊断中的应用实例
智能技术在机械故障诊断领域已经有了许多成功的应用。