1.模式识别诊断方法
在故障检测与诊断中，系统的不同状态就是不同的模式类。模式识别有两种基本的方法， 即统计模式识别方法和结构（句法）模式识别方法。一个模式识别系统由设计和实现两个过程 组成。设计（训练过程、分析过程或学习过程）是指用一定数量的样本（训练集或学习集）进 行分类器的设计，把所研究系统的状态分为若干模式类。在故障诊断中至少包括两大类模式： 一类为正常工作模式，另一类为异常状态模式。实现（又称识别过程）是指利用所设计的分类 器对待识别的样本（称为待检模式或待检状态）进行分类决策，判别待检模式应属于哪一类。 基于统计模式识别的故障诊断系统主要由五部分构成，如图7-15所示。
(1) 数据获取
来自传感器的信号要用计算机可以运算的符号来表示。通常，输入对象的信息有一维波形 (如机械振动和噪声)、二维图像（如光电图像、文字、图片等）、物理参量和逻辑值（如温度、 压力或对状态的描述）等。 .
通过测量、釆样、量化、编码、数据形式的转换和校准使信号变成可以计算的数据，可以 用向量或矩阵表示一维波形或二维图像数据，这就是数据获取的过程。
(2) 预处理
预处理的目的是提高信号的信噪比，如剔除奇异项，去掉电平漂移，必要时零均值化，消 除趋势项和平滑滤波等，以便突出有用的信息，并对输入测量仪器或其他原因所造成的退化现 象进行复原。
(3) 特征提取和选择
为了有效地实现分类识别，需根据系统的性质与要求对原始数据进行提取和选择，正确地 测取与状态有关的、能够反映状态分类本质的特征。例如，为诊断结构的裂纹，可测取反映结 构特征的振动信号，而不测取其他如温度等不反映裂纹特征的信号。一般地，把原始数据组成 的空间叫做测量空间，把分类识别赖以进行的空间叫做特征空间。通过变换（或映射）可把维 数较高的测量空间中的模式变为维数较低的特征空间中的模式，描述特征空间的故障特征量是 相对于故障模式而言的。某些特征量对某些故障具有较大的敏感度，而对另一些球障则相当迟 钝，这样就需从特征信号中正确地提取对欲识别状态变化zui敏感的特征量（征兆)。在有些情 况下，还需进一步提取主特征量（主征兆)，以便于识别和诊断。
(4) 分类和识别
正确地根据特征量构造判别函数（判据）作为状态分类的基础是模式识别的关键步骤。这 是因为往往不能直接根据特征量的取值对系统状态进行判别，应该根据实际情况和诊断的要求 对各特征量进行综合考虑构成判据，从总体上把握分类器的设计，使所设计的分类器尽可能好 地满足设计要求。当然，由于所提要求的不同，设计结果也将各异，这说明上述的“尽可能好” 是相对于所提设计要求而言的。这种设计要求在数学上往往表现为某个特定的函数形式，称为 准则函数。“尽可能好”的结果是相对应于准则函数取*值。这实际上是将分类器设计问题 转化为求准则函数极值问题，这样就可以利用*化技术解决模式识别问题。
某模式类的特征代表了该类中所有模式的共性（即相似性），称为类内特征。代表不同模 式类之间差别的特征称为类间特征。只要各个模式类是可分的，总存在一个空间使测量空间上 属于同一类的所有各点都映射到特征空间上的同一点，而把另一类的所有各点都映射到特征空 间上的另外一点，且使这两点相隔一个显著的距离。显然，在这个特征空间中，模式类是满足 紧致性假设的。
根据系统的实际状况对系统的待检状态做出正确的判断和归属,应使系统在规定可靠性的条件下具有不低于某一给定的识别品质。
(5) 分析决策与维护管理
分析决策与维护管理要求分析系统特性、工作状态和发展趋势，它包括在发生故障时，分析故障位置、类型、性质、原因与趋势，并据此做出相应的决策判断，干预系统的工作过程。 干预过程包括控制、自诊治、调整、维修和寿命管理等措施。
故障诊断往往都是在现场实时在线进行的，需要及时将系统状态特别是发生故障的征兆诊断出来。因此从现场特征信号的测取到判别函数值的计算，直至完成诊断的全过程必须重视计算速度，否则起不到诊断作用。这就要求提高计算速度，特别是在建立模型、计算判别函数值的过程中，需采用一系列快速算法。
