智能状态监测与故障诊断
高速铁路接触网零部件的智能监测与故障诊断
高速铁路接触网零部件的智能监测与故障诊断随着中国高速铁路的不断发展，接触网作为高速列车供电系统的重要组成部分，其稳定运行对列车运行安全和高效性都具有至关重要的作用。
而为了更好地保障接触网的正常运行，智能监测与故障诊断技术逐渐得到了广泛应用。
高速铁路接触网由一系列复杂的零部件组成，包括接触轨、地线、触网支柱等等。
只有这些零部件能够稳定运行，才能够提供可靠的电力供应，确保列车正常运行。
然而，由于高速铁路运行环境的严峻和复杂性，接触网零部件经常面临各种压力和损耗，因此需要进行智能监测与故障诊断。
智能监测与故障诊断技术可以实时、准确地监测接触网的运行状态，及时发现并诊断出潜在的故障问题，从而可以采取相应的措施进行修复或更换，避免因故障导致的列车延误或安全问题。
这些技术通常包括传感器、监测设备、数据分析和故障诊断算法等。
传感器是实现智能监测的关键技术之一。
在高速铁路接触网上，可以使用多种类型的传感器，如应变传感器、温度传感器、震动传感器等。
这些传感器能够感知接触网零部件的各种物理量变化，将实时数据传输至监测设备进行处理。
监测设备可以对传感器数据进行采集、存储和分析，通过算法来判断零部件的运行状态，以及是否存在异常情况。
同时，它还可以将监测结果实时传输至相关管理人员的终端设备，确保监测数据及时得到处理和应用。
数据分析和故障诊断算法在智能监测系统中扮演着重要的角色。
通过对监测数据的分析和处理，可以建立接触网零部件的工作模型和状态评估模型，根据这些模型来诊断和判断接触网零部件是否存在故障或损伤，并预测其运行寿命。
当监测系统检测到接触网零部件发生异常时，可以通过故障诊断算法快速地找出具体的故障位置和原因，以便相关人员进行维修和替换工作。
这种智能监测与故障诊断系统的应用能够大大提高接触网的可靠性和运行效率。
在高速铁路接触网智能监测与故障诊断技术的发展中，还可以应用一些先进的技术手段。
例如，可以利用无人机技术对接触网进行巡检和监测，实现对远程、危险和难以触达的部分的监测。
设备状态监测及故障诊断综述
设备状态监测与故障诊断综述：摘要从设备管理的角度，介绍了典型的设备状态监测与故障诊断的诊断理论、技术手段和具体方法。
首先对设备状态监测与故障诊断的意义、开展，根底理论和现状进展了介绍，阐述了设备状态监测、故障诊断与设备管理的关系。
进而对振动监测、温度检测、无损检测等根本监测手段的原理及诊断方法。
关键字：状态监测；故障诊断；振动；设备1设备状态监测和故障诊断概述1.1设备状态监测和故障诊断的意义和开展历史1.1.1设备故障及故障诊断的意义随着现代化工业的开展，设备能否平安可靠地以最正确状态运行，对于确保产品质量、提高企业生产能力、保障平安生产都具有十分重要的意义。
设备的故障就是指设备在规定时间内、规定条件下丧失规定功能的状况，通常这种故障是从*一零部件的失效引起的。
设备的故障诊断则是发现并确定故障的部位和性质。
寻找故障的起因，预报故障的趋势并提出相应的对策。
1.1.2 设备故障诊断技术开展历史设备故障诊断技术的开展是与设备的维修方式严密相连的。
可以将故障诊断技术按测试手段分为六个阶段，即感官诊断、简易诊断、综合诊断、在线监测、精细诊断和远程监测。
从时间考察，故障诊断技术大致可以分为20世纪60年代以前、60年代到80年代和80年代以后几个阶段。
1.2现代设备故障诊断技术在故障诊断学建立之前，传统的故障诊断方法主要是依靠经历的积累。
将反映设备故障的特殊信号，从信息论角度出发对其进展分析，是现代设备故障诊断技术的特点。
可以分为统计诊断、逻辑诊断、模糊诊断。
其中有几种方法做简单的介绍。
贝叶斯法,此方法是基于概率统计的推理方法，以概率密度函数为根底，综合设备的故障信息来描述设备的运行状态，进展故障分析。
此外还有最大似然法、时间序列、法灰色系统法和故障树分析法。
故障树分析法模型是一个基于被诊断对象构造、功能特性的行为模型，是一种定性的因果模型。
1.3基于知识的故障诊断方法基于知识的故障诊断方法，不需要待测对象准确的数学模型，而且具有智能特性。
自动化设备智能监测与故障诊断技术
自动化设备智能监测与故障诊断技术近年来，自动化设备的应用越来越广泛，不仅可以自动完成工作，而且可以大幅提高生产效率。
随着自动化设备的快速发展，如何实现设备的智能监测与故障诊断成为了一个关键问题。
本文将介绍自动化设备智能监测与故障诊断技术及其应用。
一、自动化设备智能监测技术自动化设备智能监测技术是指通过各种传感器、信号采集器等装置，实时对自动化设备进行监测并获取各种数据信息。
这些数据可以包括设备的运行状态、温度、压力、振动等参数。
在获得这些数据后，可以通过特定的算法进行处理，从而实现对设备的智能监测。
智能监测技术的实现需要多种技术的相互协作，包括传感器技术、数据通信技术、数据分析与处理技术等。
借助于数据分析与处理技术，智能监测系统可以对自动化设备的状态进行实时分析，对异常状态做出预警并提出解决方案，从而避免了设备运行中出现的问题。
二、自动化设备故障诊断技术自动化设备故障诊断技术是指利用各种技术手段对设备出现的问题进行诊断，并找出故障原因及解决方案的过程。
传统的故障诊断往往需要人工干预，效率低下。
而智能化故障诊断技术，可以提高诊断的效率和准确性，减少设备故障对于生产的影响。
智能化故障诊断技术的实现需要的多种技术相互之间协作，包括传感器技术、数据库技术、人工智能技术等，可以快速、精准地对设备进行故障诊断。
三、自动化设备智能监测与故障诊断技术的应用自动化设备智能监测与故障诊断技术在许多领域得到了广泛的应用。
在制造业、石化工业、电力行业等领域，设备是生产的核心，而自动化设备的智能监测与故障诊断技术的应用，可以保证生产的稳定与高效。
在制造业中，自动化设备智能监测与故障诊断技术可以对生产设备进行实时监测，及时发现设备问题并提出解决方案，从而保证生产的效率和质量。
在石化工业中，自动化设备智能监测与故障诊断技术可以对化工生产过程中的各种设备进行实时监测，及时发现问题并提出解决方案，从而避免化工生产造成的事故和环境污染。
光伏系统的智能监测与故障诊断
光伏系统的智能监测与故障诊断随着可再生能源的发展与推广，光伏系统作为一种重要的能源利用方式，受到了广泛关注。
然而，由于天气、设备老化、维护不及时等原因，光伏系统在使用过程中难免会出现一些故障。
为了提高光伏系统的效率和安全性，智能监测与故障诊断技术应运而生。
智能监测技术是指利用传感器、监测设备等装置，实时感知、采集光伏系统的运行状态数据，并通过数据分析与处理，进行故障监测与预警。
在光伏系统中，智能监测技术的应用可以帮助用户实时了解系统的运行情况，包括光伏电池组件的发电量、输出功率等参数，从而及时发现和解决故障，提高系统的发电效率。
首先，智能监测技术可以实时监测光伏系统中光伏电池组件的工作状态。
通过安装在电池组件表面的温度、辐照度、电流、电压等传感器，可以提供实时的数据反馈，帮助用户了解电池组件的表面温度、光辐射强度、电池工作电流和电压变化等参数。
当温度异常升高或电流、电压异常波动时，智能监测系统将会及时发出警报，通知用户存在潜在故障风险，减少发电量的下降。
其次，智能监测技术可以通过远程监控系统，实时获取光伏发电系统的运行数据。
光伏系统的安装位置通常分布在户外，远离人们的生活区域，因此监测人员很难直接观察和监测系统的运行情况。
而通过远程监控系统，监测人员可以随时随地通过云平台、手机应用等方式，远程监控系统运行状态、发电量、故障报警等情况。
一旦发现异常，监测人员可以针对性地采取措施，及时排除故障，保障系统的正常运行。
在智能监测的基础上，故障诊断技术则是为了更加精确地辨识光伏系统内部的故障，并提供相应的解决方案。
光伏系统的故障种类繁多，例如电池老化、设备故障、接线松动等，传统的人工巡检难以精确找到故障的具体位置和原因。
利用智能监测技术所采集到的光伏系统运行数据，结合故障诊断算法，可以快速定位故障点并分析故障原因。
例如，通过比较设备电压的变化曲线，可以判断是否存在电池老化或接线松动问题；通过温度和短路电流的测量，可以判断是否存在电池内部短路故障。
发电厂电气设备状态监测与故障诊断方法分析
发电厂电气设备状态监测与故障诊断方法分析随着电力行业的发展，发电厂的电气设备的状态监测与故障诊断越来越受到重视。
现有的电气设备状态监测与故障诊断方法主要包括人工巡检、数据采集与分析、在线监测、智能诊断等，下面针对这些方法进行详细的分析。
一、人工巡检人工巡检是传统的电气设备状态监测与故障诊断方法，其优点是简单易行、低成本、易于实施等。
但是，它存在人力成本高、易受人的主观判断影响、难以实现全面覆盖等缺点。
因此，目前逐渐被其他方法所替代。
二、数据采集与分析数据采集与分析指的是通过传感器等技术手段，对电气设备进行实时数据采集，并借助数据分析软件进行数据处理和分析，提取有用的信息，以实现状态监测与故障诊断。
这种方法可以实现实时监测和自动诊断，避免了人工巡检的缺点，但是缺点是需要高质量的采集数据和精细的数据分析算法支持。
三、在线监测在线监测是指在运行时实时捕捉信号并分析处理数据的技术，有助于及时发现故障，减轻其损失。
在线监测可以对电气设备的信号进行实时抓取，一旦监测到异常值，就可以快速报警，并进行针对性检修。
在线监测相较于传统的手动检测和数据采集与分析，具有更高的效率和准确性。
四、智能诊断智能诊断可以精准地对电气设备的故障进行定位。
智能诊断旨在通过对电气设备状态监测与故障诊断的数据进行分析，利用人工智能、机器学习等技术手段，建立准确的故障诊断模型，并快速准确地进行故障诊断。
该方法通过分析设备运行数据，建立设备的运行模型，实现多维度故障诊断，最终实现对电气设备运行状态的自动监测、管理与调度，提高了设备的稳定性和可靠性。
总之，不管采用哪种方法进行电气设备状态监测与故障诊断，都需要建立高质量、精细的数据采集体系和数据分析算法支持。
同时，还需要以数据为基础，结合先进的技术手段，实现故障预测、故障诊断、故障预警等多项功能，丰富电气设备状态监测与故障诊断的应用场景。
故障诊断与监测功能
故障诊断与监测功能故障诊断与监测功能是指在某一系统、设备或程序中，能够自动地发现和识别可能的故障，并且能够监测系统的运行状况，提供实时的状态信息以便及时处理。
以下是故障诊断与监测功能的详细内容：1. 故障诊断能力：系统应具备自动诊断故障的能力，可以根据系统的硬件、软件和网络环境等相关信息，判断和诊断故障的类型、原因和位置。
通过故障诊断功能，可以提高故障的定位和修复速度，减少系统停机时间。
2. 实时监测功能：系统应具备实时监测功能，能够对系统的各项指标进行实时监控，比如系统的各个节点的运行状态、硬件和软件资源的利用情况、网络连接的质量等。
通过实时监测功能，可以及时发现系统中出现的异常情况，并采取相应的措施进行调整或修复。
3. 故障预警能力：除了实时监测，系统还应具备故障预警的能力。
通过对历史数据的分析和对系统运行状况的评估，系统可以提前预判可能出现的故障，并发出预警信息。
故障预警功能可以帮助用户提前做好准备工作，减少故障带来的损失。
4. 数据记录与分析功能：故障诊断与监测功能应具备数据记录与分析的能力。
系统应能够记录各个节点的运行数据，包括运行状态、CPU利用率、内存使用情况等。
通过对这些数据的分析，可以发现潜在的问题和薄弱环节，并及时采取相应的措施进行优化或加固。
5. 告警和报警功能：系统中出现故障时，应具备告警和报警功能。
可以通过邮件、短信、声音等方式，向相关人员发送警告信息，以便及时采取措施解决问题。
告警和报警功能可以提高故障管理的效率，减少故障对系统运行的影响。
6. 故障日志记录功能：系统应能够自动记录故障发生的时间、故障现象、处理过程和结果等信息，形成故障日志。
故障日志可以帮助用户了解故障的发生和处理情况，以及对系统进行故障分析和优化。
7. 状态监视和远程管理功能：系统应能够通过网络监视和管理系统的运行状态。
可以通过远程登录系统，实时查看系统的各项指标和运行状态，并进行必要的设置和操作。
故障诊断与状态监测
详细描述
基于信号处理的故障诊断方法是一种实时监 测和诊断技术，它通过采集设备运行过程中 的各种信号，如振动、声音、温度等，利用 信号处理和分析技术，提取出反映设备状态 的参数和特征，识别出异常模式，判断设备 的运行状态和潜在故障。
03
状态监测技术
振动监测技术
总结词
通过监测设备或结构的振动情况，分析其振 动特征，判断设备或结构的运行状态。
故障树分析
总结词
通过构建故障树，分析系统故障的成因和相互关联，找出导致系统故障的关键因素。
详细描述
故障树分析是一种自上而下的逻辑分析方法，通过构建故障树，将系统故障的成因逐级展开，分析各 因素之间的逻辑关系，找出导致系统故障的关键因素，为改进设计和降低故障概率提供依据。
故障诊断专家系统
总结词
利用专家知识和推理规则进行故障诊断，提供专业化的故障解决方案。
复杂系统与多源异构数据的集成处理
复杂系统
随着工业设备的复杂度增加，故 障诊断与状态监测需要处理来自 不同系统、不同部件的多源异构 数据。
数据集成
为了全面分析设备的运行状态， 需要将不同来源、不同格式的数 据进行集成，形成统一的数据视 图。
数据处理方法
针对多源异构数据的特性，需要 发展新的数据处理方法，包括数 据清洗、融合、转换等，以提取 有价值的信息。
故障诊断与状态监测技术的发展历程
第一季度
第二季度
第三季度
第四季度
初步探索阶段
20世纪50年代以前， 主要依靠人工观察和经 验判断，缺乏科学依据 和技术手段。
初步发展阶段
20世纪50年代至70年 代，开始出现简单的振 动和温度监测技术，初 步形成了基于信号处理 和模式识别的故障诊断
电力系统中的故障诊断与智能分析技术研究
电力系统中的故障诊断与智能分析技术研究随着电力系统规模的不断扩大和复杂性的增加，电网故障诊断和智能分析技术变得越来越重要。
故障诊断是指利用各种技术手段和算法来检测、定位和诊断电网中的故障现象。
而智能分析技术则是基于大数据和人工智能算法，将电网运行数据进行分析和挖掘，以提高电网的可靠性和安全性。
本文将介绍电力系统中故障诊断与智能分析技术的研究现状和发展趋势。
电力系统中的故障诊断技术主要包括状态监测和故障诊断两个方面。
状态监测是通过实时采集和分析电力设备的工作状态参数，监测电网的运行状态和设备的健康状况。
故障诊断则是在发生故障时，通过对电网故障信号的分析和处理，确定故障的类型、位置和原因。
目前，常用的故障诊断技术主要包括基于规则的诊断方法、模型驱动的诊断方法和数据驱动的诊断方法。
基于规则的故障诊断方法是最早应用于电力系统中的一种方法。
它基于预定义的故障规则库，通过比对实时采集的数据与规则库中的规则，判断系统是否存在故障，并进行故障诊断。
这种方法的优点是算法简单、实时性强，但缺点是故障规则库的构建需要耗费大量的人力和时间，且无法应对复杂故障情况。
模型驱动的故障诊断方法则是基于电力系统数学模型的方法。
它通过建立电力系统的物理模型和数学模型，将实时采集的数据与数学模型进行比对，以判断系统是否存在故障。
这种方法的优点是可靠性高、适用范围广，但缺点是对电力系统模型的要求较高，且算法复杂，处理过程中需要大量的计算资源和时间。
数据驱动的故障诊断方法则是以数据为基础进行故障诊断的方法。
它主要利用机器学习和数据挖掘的技术，通过对历史运行数据的分析和挖掘，建立故障模式和模型，以预测和诊断未来可能发生的故障。
数据驱动的故障诊断方法具有较高的准确性和预测能力，但需要大量的历史数据用于训练和建模，且对数据的质量和准确性要求较高。
除了故障诊断技术，智能分析技术在电力系统中的应用也日益广泛。
智能分析技术主要包括大数据分析和人工智能算法。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
智能状态监测与故障诊断测控一班高青春20091398第一章绪论在现代化的机械设备的生产和发展中，滚动轴承占很大的地位，同时它的故障诊断与监测技术也随着不断地发展，国内外学者对轴承的故障诊断做了大量的研究工作，各种方法与技巧不断产生、发展和完善，应用领域不断扩大，诊断精度也不断提高。
时至今日，故障诊断技术己成为一门独立的跨学科的综合信息处理技术，它以可靠性理论、信息论、控制论、系统论为理论基础，以现代测试仪器和计算机为技术手段，总的来说，轴承故障诊断的发展经历了以下几个阶段：第一段：利用通用的频谱分析仪诊断轴承故障。
第二阶段：利用冲击脉冲技术诊断轴承故障。
第三阶段：利用共振解调技术诊断轴承故障。
第四阶段：以计算机为中心的故障诊断。
国外的滚动轴承的故障诊断与监测技术要先于中国，而且这项技术的发展趋势啊已经趋向智能化状态，因为它机械化迅速，技术和设备都比较先进些，目前的技术也比较完善。
但是总体来看，这其中的距离在不断拉近，我们相信不久的将来，中国也会使机械完善大国，也会完善和提高技术的精密度和准确度。
【2】【3】1.1轴承监测与故障诊断的意义滚动轴承是机械各类旋转机械中最常用的通用零件部件之一，也是旋转机械易损件之一，在机械生产中的作用不可取代，据统计旋转机械的故障有30%是由轴承故障引起的,它的好坏对机器的工作状态影响极大,轴承的缺陷会导致机器剧烈振动和产生噪音,甚至会引起设备的损坏,因此,对重要用途的轴承进行状态监测与故障诊断是非常必要的【3】而且，可以生产系统的安全稳定运行和提高产品质量的重要手段和关键技术，在连续生产系统中，如果某台设备因故障而不能继续工作，往往会影响全厂的生产系正常统运行，从而会造成巨大的经济损失，甚至可能导致机毁人亡的严重后果。
未达到设计寿命而出现故障的轴承没有被及时的发现，直到定期维修时才被拆下来报废，使得机器在轴承出现故障后和报废前这段时间内工作精度降低，或者未到维修时间就出现严重故障，导致整部机器陷于瘫痪状态。
因此，进行滚动轴承工作状态及故障的早期检测与故障诊断，对于设备安全平稳运行具有重要的实际意义。
【14】1.2滚动轴承故障的分类:滚动轴承的故障多种多样，有生产过程中产生的也有使用过程中后天造成一系列故障，其失效形式有：1.2.1疲劳剥落: 指滚动体或滚道表剥落或脱皮在表面上,形成不规则凹坑等甚至会一定深度下形成能裂纹，继扩展到接触表面发生剥落坑，最后大面积剥落，造成失效。
【12】1.2.2断裂：由于轴承负荷过大,零件材料缺陷,压配过盈大,影热处理不良等原因.1.2.3压痕：外界硬粒物质进入轴承中，并压在滚动体和滚道之间，使转动表面形成压痕，凹坑。
当轴承的过载或撞击造成表面部凹陷,会产生噪音.1.2.4磨损: 滚动体由于辊道贺的相对运动和尘埃异物,变卖弄磨损，润滑不良会加剧表面磨损，表面粗糙度加大，运转精度下降从而振动水平和噪声增大。
1.2.5腐蚀和电蚀: 润滑油中水分,湿气的诊断与方法化学腐蚀,电流的电腐蚀,和微振作用下形成的腐蚀【14】1.2.6胶合: 润滑不良，高速重栽下摸查发热，极端时间温度高，导致表面烧伤及胶合，张梅军，是发生在滑动阶层接触的两个表面, 一个表面的金属粘贴到另外一个表面的现象.会导致高温,噪音。
.1.2.7塑性变形：过大的冲击负荷可以使接触表面局部塑性变形。
从而导致明显的形变，造成失效。
【2】1.3滚动轴承监测诊断方法与传感手段对轴承故障的诊断方法有很多种，但是无论是温度监测，噪音诊断，振动诊断等各方面都需要传感手段来实现，因为现代机械，如滚动轴承，它们都不是人工容易准确监测很诊断的，传感器是感器信息融合，有很多比较好的传感手段在轴承的故障监测诊断很实用。
1.3.1光纤传感器——振动,温度是利用信号光束的光纤输出R端面的参考光束对比得出故障的部位.简单而又准确.1.3.2电感式传感器——轴的径向跳动，电感测微仪可以测量小尺度变化的精密测量仪器，可以测量轴的物理性能，如径向跳动等。
【9】1.3.3温度传感器——间隙和油流动的会导致温度变化，通常，轴的温度随着运转开始慢慢上升，1-2小时后达到稳定状态。
如果润滑、安装部不合适，则会导致轴承温度急骤上升，出现异常高温，这时必须停止运转，采取必要的防范措施。
使用热传感器可以随时监测轴承的工作温度，并实现温度超过规定值时自动报警或停止，防止燃轴等事故的发生【1】1.3.4超声波传感器——超声波的穿透能力很强,衰减和弱,利用超声波的入射和反射波形的变化情况可以判断出滚动轴承的故障类型和部位,这项技术现在运用得比较广泛.【8】1.4故障诊断分析方法:1.4.1时域分析: 应用时间序列模型及其有关的特性函数，判别轴承的运行状态及故障形成的原因。
振动信号的位移,速度,加速度,构成时域波型,包括统计特征参量分析,相关分析,时域同步平均法, 1.4.2频域分析: 应用频谱分析技术，根据频谱特征变化,以时间为横坐标的时域信号通过傅立叶(flourier),分解为一频率为横坐标的频域信号，从而得到关于原频域和时域成分的复制于相位信息的一种变换方法。
包括，复制普分析法，相位谱分析法，平均谱分析法，功率谱分析法，对数谱分析法，倒频普分析法，已经成为诊断的主要内容了。
是建立在时间或者是频率上分析所得信号的能量强度,将其与正常的轴承信号进行对比,得出故障的发生的部位。
【12】【13】1.4.3时频域分析（小波分析及分形分析）：小波分析是傅立叶分析的继承和发展，可判别故障性质，当轴承发生故障时,会发出非平稳信号,在滚动轴承的故障分析中,构造了脉冲响应小波,也就是当轴承某部分发生故障时,轴承缺陷产生脉冲冲击响应,通过对尺度-小波能量普的比较来定性判断轴承故障的部位和类型,是通过振动信号的冲激周期,固有振动频率的振动波型,冲激响应小波波型,等方法分析信号【6】分形分析是将面对的复杂对象看成是分数维数，成一个连续函数，实现了滤波，在有限时间内和某一有限频率下得到的信号都是由不同的分形特征，可监测故障。
【13】1.4.4极大熵谱法: 对于正常轴承和故障轴承的振动曲线，分别取1024个采集点进行图像分析，给出各种状态小啊的他的公路谱曲线及其相对应的极大熵谱曲线，极大熵谱曲线表现出的卓越峰值与理论值比较，得出故障部位。
【11】1.4.5倒频谱及希尔伯特包络分析法: 由倒频谱图，正常和异常状态下的，图中会显示有故障的滚动轴承出现两条醒目的曲线，其倒频谱率和理论上滚珠，内圈的故障频率一致，从而反映出了故障频率特征，可诊断出故障的原因和部位。
【12】1.5人工智能在滚动轴承故障监测中的应用神经网络是智能控制技术的重要部分，它具有逻辑思维与判断，不需要建立任何数学模型，主要用于非性系统辨识和神经网络控制及故障诊断。
智能化故障诊断还有模糊诊断和专家系统等比较智能的能进行信号自动分析和处理的功能，它的发展趋势是趋向于故障诊断的自动监测状态，既准确又灵敏度高。
1.5.1模糊神经网络诊断方法，有处理语言知识的能力。
模糊神经网络是利用隶属度函数来推理进行统计分析数据的智能化的机械监测。
1.5.2专家系统，现在是人工智能的三大研究前沿，是以计算机的知识库来储存和使用一切有用信息的系统结合，对滚动轴承故障的诊断与监测有很大的作用，能自行分析和处理信号。
【10】1.5.1人工神经网络，由输入输出反馈的前馈网络，前馈内层互馈网络，反馈型全互联网络和反馈性局部连接网络，构成，智能式传感器，和传统的相比，它具有逻辑思维与判断，信息处理功能，具有自诊断自小准功能，可实现多传感器多参数复合测量，扩大了监测和使用范围，监测数据可存取，使用方便，具有数字通信接口，能与计算机直接联机，相互交换信息，对滚动轴承的故障诊断与监测应用十分重要。
【7】人工神经的模型，有BP网络，是一种反传式向前网络，学习因子和记忆因子有选择，提高网络训练技巧，以简单地网络层次分析信号，对滚动轴承的故障监测应用也在提升。
【4】紧密结合的小波神经网络，滚动轴承原始特征信号为行波信号，以松散小波神经网络模型对轴承故障原始信号进行小波分解后，进行特征的选择与提取，取适当的子频带能量作为输入向量，得到轴承故障类别输出，此时选用的也是BP网，这是比较准确的小波，分析方法，在轴承故障诊断中有非常大的作用。
【5】参考文献：【1】<introduction to Machine fault diaqnosis>(机械故障诊断学)美国，J.S.米切尔,机械工业出版社，第3版，2007.【2】《机械设备振动故障监测与诊断》黄志坚，高立新，化学工业出版社，2010.5 ，69-73页【3】《机械故障的分析与监测》黄仁，钟秉林，机械工业出版社，【4】《神经网络》电子科技大学出版社，杜京义，汪梅。
2007，【5】《神经网络的综合分析与动态特征研究》张化光，科学出版社，【6】《机械故障诊断方法》杨宁,于德介,科技出版社,2006【7】《现代新型传感器原理与应用》刘迎春，科技出版社，2007 【8】《传感器》哈尔滨工业大学，唐文彦，机械工业出版社，2007.5 195-203页【9】《现代传感器技术》周旭，国防工业出版社，2007，第四章【10】《人工智能及其应用》徐玉梅，段鹏，上海交通大学出版社，2007.4 119-130页【11】《复杂机械故障诊断的分析》徐玉秀，杨文平，机械工业出版社，2003，193-199页【12】《机械状态监测与故障诊断》张梅军.国防工业出版社，2008.3。
248-252 页，163-212页【13】《基于人工免疫系统的机组故障诊断技术》张清华，中国石化出版社，3-20页【14】《机械故障》西安交通大学出版社,2009年12月, 37-43页.。