智能診斷系統，是在常規故障診斷技術的基礎上，結合人工智能技術的研究成果研制而成的自動化診斷系統。智能診斷系統的開發歷史并不長，美國自20世紀80年代開始首先在這方面開展研制工作，開發了多種智能診斷系統。例如，1982年EGG．Idaha公司研制成功用于診斷和處理核反應堆的故障診斷系統。此后，Westinghouse公司研制成功電廠人工智能在線診斷大型網絡系統，其中包括汽輪機Turbin AID、發電機GenAID和水化學ChemAID三個人工智能在線診斷系統，以及電站數據中心PDC和診斷運行中心，它在電站機組的安全運行中發揮了巨大的作用，取得了很大的經濟效益，被譽為在線智能診斷系統成功應用的代表。國內在故障的智能診斷技術方面的研究起步較晚，但發展較快，并取得了不少成果，如華中理工大學研制成功汽車發動機故障診斷專家系統KB－SED和汽輪機組監測與診斷專家系統；哈爾濱工業大學研制成功大型旋轉機械故障診斷專家系統MMMDES；另外，清華大學、上海交通大學、西安交通大學、鄭州工學院、東南大學等院校也先后開展了故障智能診斷系統的研制工作［10，13］。
故障機理的研究振動信號分析是機械故障診斷技術中采用的最主要的方法之一。目前，在振動信號分析與處理方法中，以快速傅立葉變換（FFT）為基礎的調和分析法應用最為普遍，幾乎所有的動態分析儀都是以FFT為核心進行信號處理的，FFT分析方法及其派生出的多種有效的振動信號處理方法（如快速卷積、相關、自譜、互譜、倒譜、細化譜及傳遞分析等）在機械故障診斷技術應用中起到了非常大的作用。然而，這類基于平穩過程的經典信號處理方法，分別僅從時域或頻域給出信號的統計平均結果，無法同時兼顧信號在時域和頻域中的全貌和局部化［16］。
為實現對非平穩信號的有效表示，解決其時頻局部化分析問題，Gabor提出了加窗傅立葉變換（WFT）或短時傅立葉變換（STFT），但由于其時頻分辨率固定，缺乏細化能力，逐步被20世紀80年代發展起來的一種新的數學方法———小波（wavelet）分析所取代。小波分析是一種包含尺度伸縮和時間平移的雙參數的函數分析方法，由于小波函數具時頻局部化特性，多尺度性和“數學顯微”（“變焦”）特性，伸得小坡變換能夠很好地解體非平穩信號的分析問題，它的出現對純數學和應用科學都具有重要意義。研究表明：小波分析在振動噪聲的去除、非平穩振動信號的表示與分析及振動信號多分辨率分析等方面具有較強的優勢，是適合機械故障診斷的一種有效方法［17］。
