利用各种检查和测试方法，发现系统和设备是否存在故障的过程是故障检测；而进一步确定故障所在大致部位的过程是故障定位。故障检测和故障定位同属网络生存性范畴。要求把故障定位到实施修理时可更换的产品层次（可更换单位）的过程称为故障隔离。故障诊断就是指故障检测和故障隔离的过程。

故障诊断也称诊断，查找设备或系统的故障的过程。用来检查寻找故障的程序称为诊断程序，对其它设备或系统执行诊断的系统称为诊断系统。

故障诊断是一种了解和掌握机器在运行过程中的状态，确定其整体或局部正常或异常，早期发现故障及其原因，并能预报故障发展趋势的技术，油液监测、振动监测、噪声监测、性能趋势分析和无损探伤等为其主要的诊断技术方式。系统故障诊断是对系统运行状态和异常情况作出判断，并根据诊断作出判断，为系统故障恢复提供依据。要对系统进行故障诊断，首先必须对其进行检测，在发生系统故障时，对故障类型、故障部位及原因进行诊断，最终给出解决方案，实现故障恢复。

故障诊断的主要任务有：故障检测、故障类型判断、故障定位及故障恢复等。其中：故障检测是指与系统建立连接后，周期性地向下位机发送检测信号，通过接收的响应数据帧，判断系统是否产生故障；故障类型判断就是系统在检测出故障之后，通过分析原因，判断出系统故障的类型；故障定位是在前两部的基础之上，细化故障种类，诊断出系统具体故障部位和故障原因，为故障恢复做准备；故障恢复是整个故障诊断过程中最后也是最重要的一个环节，需要根据故障原因，采取不同的措施，对系统故障进行恢复。

评价故障诊断系统性能的指标大体上可分为以下三个方面。

1、早期检测的灵敏度。是指一个故障检测系统对“小”故障信号的检测能力。检测系统早期检测的灵敏度越高，表明它能检测到的最小故障信号越小。

2、故障检测的及时性。是指当诊断对象发生故障后，检测系统在尽可能短的时间内检测到故障发生的能力。故障检测的及时性越好，说明从故障发生到被正确检测出来之间的时间间隔越短。

3、故障的误报率和漏报率。误报率是指系统没有发生故障却被错误地判定出现了故障；漏报则是指系统中出现了故障却没有被检测出来的情形。一个可靠的故障检测系统应当保持尽可能低的误报率和漏报率。

1、故障分离能力。是指诊断系统对不同故障的区分能力。这种能力的强弱取决于对象的物理特性、故障大小、噪声、干扰、建模误差以及所设计的诊断算法。分离能力越强，表明诊断系统对于不同故障的区分能力越强，那么对故障的定位也就越准确。

2、故障辨识的准确性。是指诊断系统对故障的大小及其时变特性估计的准确程度。故障辨识的准确性越高，表明诊断系统对故障的估计就越准确，也就越有利于故障的评价与决策。

1、鲁棒性。是指故障诊断系统在存在噪声、干扰、建模误差的情况下正确完成故障诊断任务，同时保持满意的误报率和漏报率的能力。一个故障诊断系统的鲁棒性越强，表明它受噪声、干扰、建模误差的影响越小，其可靠性也就越高。

2、自适应能力。是指故障诊断系统对于变化的被诊断对象具有自适应能力，并且能够充分利用由于变化产生的新信息来改善自身。引起这些变化的原因可以是被诊断对象的外部输入的变化、结构的变化或由诸如生产数量、原材料质量等问题引起的工作条件的变化。

基于专家系统的诊断方法是故障诊断领域中最为引人注目的发展方向之一，也是研究最多、应用最广的一类智能型诊断技术。它大致经历了两个发展阶段：基于浅知识领域专家的经验知识的故障诊断系统、基于深知识诊断对象的模型知识的故障诊断系统。

（1）基于浅知识的智能型专家诊断方法

浅知识是指领域专家的经验知识。基于浅知识的故障诊断系统通过演绎推理或产生式推理来获取诊断结果，其目的是寻找一个故障集合使之能对一个给定的征兆（包括存在的和缺席的）集合产生的原因作出最佳解释。基于浅知识的故障诊断方法具有知识直接表达、形式统一、高模组性、推理速度快等优点。但也有局限性，如知识集不完备，对没有考虑到的问题系统容易陷入困境；对诊断结果的解释能力弱等缺点。

（2）基于深知识的智能型专家诊断方法

深知识则是指有关诊断对象的结构、性能和功能的知识。基于深知识的故障诊断系统，要求诊断对象的每一个环境具有明显的输入输出表达关系，诊断时首先通过诊断对象实际输出与期望输出之间的不一致，生成引起这种不一致的原因集合，然后根据诊断对象领（域中的第一定律知识）及其具有明确科学依据的知识他内部特定的约束联系，采用一定的算法，找出可能的故障源。

基于深知识的智能型专家诊断方法具有知识获取方便、维护简单、完备性强等优点，但缺点是搜索空间大，推理速度慢。

（3）基于浅知识和深知识的智能型专家混合诊断方法

基于复杂设备系统而言，无论单独使用浅知识或深知识，都难以妥善地完成诊断任务，只有将两者结合起来，才能使诊断系统的性能得到优化。因此，为了使故障智能型诊断系统具备与人类专家能力相近的知识，研发者在建造智能型诊断系统时，越来越强调不仅要重视领域专家的经验知识，更要注重诊断对象的结构、功能、原理等知识，研究的重点是浅知识与深知识的整合表示方法和使用方法。事实上，一个高水平的领域专家在进行诊断问题求解时，总是将他具有的深知识和浅知识结合起来，完成诊断任务。一般优先使用浅知识，找到诊断问题的解或者是近似解，必要时用深知识获得诊断问题的精确解。

知识获取上，神经网络的知识不需要由知识工程师进行整理、总结以及消化领域专家的知识，只需要用领域专家解决问题的实例或范例来训练神经网络；在知识表示方面，神经网络采取隐式表示，并将某一问题的若干知识表示在同一网络中，通用性高、便于实现知识的总动获取和并行联想推理。在知识推理方面，神经网络通过神经元之间的相互作用来实现推理。

前在许多领域的故障诊断系统中已开始应用，如在化工设备、核反应器、汽轮机、旋转机械和电动机等领域都取得了较好的效果。由于神经网络从故障事例中学到的知识只是一些分布权重，而不是类似领域专家逻辑思维的产生式规则，因此诊断推理过程不能够解释，缺乏透明度。

许多诊断对象的故障状态是模糊的，诊断这类故障的一个有效的方法是应用模糊数学的理论。基于模糊数学的诊断方法，不需要建立精确的数学模型，适当的运用局部函数和模糊规则，进行模糊推理就可以实现模糊诊断的智能化。

故障树方法是由电脑依据故障与原因的先验知识和故障率知识自动辅助生成故障树，并自动生成故障树的搜索过程。诊断过程从系统的某一故障“为什么出现这种显现”开始，沿着故障树不断提问而逐级构成一个梯阶故障树，透过对此故障树的启发式搜索，最终查出故障的根本原因。在提问过程中，有效合理地使用系统的及时动态数据，将有助于诊断过程的进行。于故障树的诊断方法，类似于人类的思维方式，易于理解，在实际情况应用较多，但大多与其他方法结合使用。

设备故障诊断是一种给设备“看病”的技术，是了解和掌握设备在使用过程中的状态，确定其整体或局部是正常或异常，早期发现故障及其原因并能预报故障发展趋势的技术。随着科学技术与生产的发展，设备工作强度不断增大，生产效率、自动化程度越来越高，同时设备更加复杂，各部分的关联更加密切，从而往往某处微小故障就引发连锁反应，导致整个设备乃至与设备有关的环境遭受灾难性的毁坏，这不仅会造成巨大的经济损失，而且会危及人身安全，后果极为严重。因此，设备诊断技术日益发挥重要作用，它可使设备无故障、工作可靠，发挥最大效益；保证设备在将有故障或已有故障时能及时诊断出来，正确地加以维修，以减少维修时间，提高维修质量，节约维修费用。