智能診斷系統(tǒng)，是在常規(guī)故障診斷技術(shù)的基礎(chǔ)上，結(jié)合人工智能技術(shù)的研究成果研制而成的自動化診斷系統(tǒng)。智能診斷系統(tǒng)的開發(fā)歷史并不長，美國自20世紀(jì)80年代開始首先在這方面開展研制工作，開發(fā)了多種智能診斷系統(tǒng)。例如，1982年EGG．Idaha公司研制成功用于診斷和處理核反應(yīng)堆的故障診斷系統(tǒng)。此后，Westinghouse公司研制成功電廠人工智能在線診斷大型網(wǎng)絡(luò)系統(tǒng)，其中包括汽輪機Turbin AID、發(fā)電機GenAID和水化學(xué)ChemAID三個人工智能在線診斷系統(tǒng)，以及電站數(shù)據(jù)中心PDC和診斷運行中心，它在電站機組的安全運行中發(fā)揮了巨大的作用，取得了很大的經(jīng)濟效益，被譽為在線智能診斷系統(tǒng)成功應(yīng)用的代表。國內(nèi)在故障的智能診斷技術(shù)方面的研究起步較晚，但發(fā)展較快，并取得了不少成果，如華中理工大學(xué)研制成功汽車發(fā)動機故障診斷專家系統(tǒng)KB－SED和汽輪機組監(jiān)測與診斷專家系統(tǒng)；哈爾濱工業(yè)大學(xué)研制成功大型旋轉(zhuǎn)機械故障診斷專家系統(tǒng)MMMDES；另外，清華大學(xué)、上海交通大學(xué)、西安交通大學(xué)、鄭州工學(xué)院、東南大學(xué)等院校也先后開展了故障智能診斷系統(tǒng)的研制工作［10，13］。
故障機理的研究振動信號分析是機械故障診斷技術(shù)中采用的最主要的方法之一。目前，在振動信號分析與處理方法中，以快速傅立葉變換（FFT）為基礎(chǔ)的調(diào)和分析法應(yīng)用最為普遍，幾乎所有的動態(tài)分析儀都是以FFT為核心進行信號處理的，F(xiàn)FT分析方法及其派生出的多種有效的振動信號處理方法（如快速卷積、相關(guān)、自譜、互譜、倒譜、細化譜及傳遞分析等）在機械故障診斷技術(shù)應(yīng)用中起到了非常大的作用。然而，這類基于平穩(wěn)過程的經(jīng)典信號處理方法，分別僅從時域或頻域給出信號的統(tǒng)計平均結(jié)果，無法同時兼顧信號在時域和頻域中的全貌和局部化［16］。
為實現(xiàn)對非平穩(wěn)信號的有效表示，解決其時頻局部化分析問題，Gabor提出了加窗傅立葉變換（WFT）或短時傅立葉變換（STFT），但由于其時頻分辨率固定，缺乏細化能力，逐步被20世紀(jì)80年代發(fā)展起來的一種新的數(shù)學(xué)方法———小波（wavelet）分析所取代。小波分析是一種包含尺度伸縮和時間平移的雙參數(shù)的函數(shù)分析方法，由于小波函數(shù)具時頻局部化特性，多尺度性和“數(shù)學(xué)顯微”（“變焦”）特性，伸得小坡變換能夠很好地解體非平穩(wěn)信號的分析問題，它的出現(xiàn)對純數(shù)學(xué)和應(yīng)用科學(xué)都具有重要意義。研究表明：小波分析在振動噪聲的去除、非平穩(wěn)振動信號的表示與分析及振動信號多分辨率分析等方面具有較強的優(yōu)勢，是適合機械故障診斷的一種有效方法［17］。
