智能诊断系统，是在常规故障诊断技术的基础上，结合人工智能技术的研究成果研制而成的自动化诊断系统。智能诊断系统的开发历史并不长，美国自20世纪80年代开始首先在这方面开展研制工作，开发了多种智能诊断系统。例如，1982年EGG．Idaha公司研制成功用于诊断和处理核反应堆的故障诊断系统。此后，Westinghouse公司研制成功电厂人工智能在线诊断大型网络系统，其中包括汽轮机Turbin AID、发电机GenAID和水化学ChemAID三个人工智能在线诊断系统，以及电站数据中心PDC和诊断运行中心，它在电站机组的安全运行中发挥了巨大的作用，取得了很大的经济效益，被誉为在线智能诊断系统成功应用的代表。国内在故障的智能诊断技术方面的研究起步较晚，但发展较快，并取得了不少成果，如华中理工大学研制成功汽车发动机故障诊断专家系统KB－SED和汽轮机组监测与诊断专家系统；哈尔滨工业大学研制成功大型旋转机械故障诊断专家系统MMMDES；另外，清华大学、上海交通大学、西安交通大学、郑州工学院、东南大学等院校也先后开展了故障智能诊断系统的研制工作［10，13］。
故障机理的研究振动信号分析是机械故障诊断技术中采用的最主要的方法之一。目前，在振动信号分析与处理方法中，以快速傅立叶变换（FFT）为基础的调和分析法应用最为普遍，几乎所有的动态分析仪都是以FFT为核心进行信号处理的，FFT分析方法及其派生出的多种有效的振动信号处理方法（如快速卷积、相关、自谱、互谱、倒谱、细化谱及传递分析等）在机械故障诊断技术应用中起到了非常大的作用。然而，这类基于平稳过程的经典信号处理方法，分别仅从时域或频域给出信号的统计平均结果，无法同时兼顾信号在时域和频域中的全貌和局部化［16］。
为实现对非平稳信号的有效表示，解决其时频局部化分析问题，Gabor提出了加窗傅立叶变换（WFT）或短时傅立叶变换（STFT），但由于其时频分辨率固定，缺乏细化能力，逐步被20世纪80年代发展起来的一种新的数学方法———小波（wavelet）分析所取代。小波分析是一种包含尺度伸缩和时间平移的双参数的函数分析方法，由于小波函数具时频局部化特性，多尺度性和“数学显微”（“变焦”）特性，伸得小坡变换能够很好地解体非平稳信号的分析问题，它的出现对纯数学和应用科学都具有重要意义。研究表明：小波分析在振动噪声的去除、非平稳振动信号的表示与分析及振动信号多分辨率分析等方面具有较强的优势，是适合机械故障诊断的一种有效方法［17］。
