研究目的及意义：

随着科学技术的进步和发展，现代工业生产的机械设备也越来越多，越来越复杂。设计新的机械设备很重要，维持现有设备的良好运行也很重要。

像化工、能源等行业的主要设备，如汽轮机、发电机组、风机、水泵等，一旦出现故障，不仅设备受损，生产停工，造成经济损失，更严重的是可能危及人身安全，造成环境污染。

状态监测与故障诊断系统不仅可以判断和识别设备的工作状态，也可以对故障进行早期预报，防患于未然。研究这方面能降低监测的复杂性，提高诊断能力，所以很有必要。

目前世界上的大型关键设备或生产线大都配有规模不等的状态监测和故障诊断系统，随着信息技术尤其是数据库和网络技术的飞速发展，这类系统能收集到大量的历史监测数据。这些数据主要是从各种监测传感器获得的设备工艺参数和状态数据，从而形成海量的状态数据库，真实地记录了各机械设备在整个运行历程中的所有重要信息。

而系统能基于已有经验知识，通过对海量设备状态信息进行学习，从中发现潜在的、有用的模式，进而形成并掌握相应的新的诊断知识，则可以进一步拓展诊断能力，监测和识别出未知的设备状态异常和故障。用数据驱动来控制系统，解决了传统上依赖模型的问题。直接从系统I/O端口获取的数据来设计控制器，不包含受控系统的任何模型信息和结构信息。

国内外同类研究的概况综述

故障诊断技术现状：