随着人工智能和计算机技术的飞速发展，出现了基于知识、不需要对象精确数学模型的故障诊断方法，并成为故障诊断研究的主流和发展方向。振动检测仪对故障诊断系统的智能主要体现在它能有效地获取、传递、处理、再生和利用诊断信息，具有对给定环境下的诊断对象进行正确的状态识别、诊断和预测的能力。

　　基于专***系统的诊断方法

　　专***系统(Expert System，ES)是一个具有专门知识与经验的程序系统，通常由知识库(Knowledge Base)、推理机(Inference Engine)、人机接口(Man-Machine Interface)等部分组成，是当前研究***多、应用***广的一类智能诊断技术。专***系统的优点有：可以用类自然语言方式来表达无法用数学模型表达的专***知识；能在特定领域内模仿专***工作，处理非常复杂的情况；在已知其基本规则的情况下，无需大量细节数据即可运行；能对系统的结论做出解释。专***系统擅长逻辑推理和符号信息处理，适用于复杂系统的故障诊断。然而专***系统自身的一些缺点限制了它的广泛应用，如知识获取的瓶颈问题。

　　基于神经网络的诊断方法

　　人工神经网络[10](Artificial Neural Network，ANN)是一种通过模拟人脑而建立起来的自适应非线性动力学系统，它具有自学性、容错性和并行计算能力，可以实现分类、优化、自组织、联想记忆和非线性映射等功能。它以分布式的方式储存信息，利用网络的拓扑结构和权值分布实现非线性的映射，并利用全局并行处理实现从输入空间到输出空间的非线性信息变换。对于非确定性的知识具有极强的处理能力，能够解决许多传统方法所无法解决的问题。然而，ANN的一些缺点限制了它的一些应用[11]，如网络结构难以确定、局部极小点等问题。

　　基于模糊理论的诊断方法

　　基于模糊理论的诊断方法不需要建立精确的数学模型，适当地运用隶属函数和模糊规则，进行模糊推理就可以实现模糊诊断的智能化。基于模糊理论的故障诊断方法主要是利用集合论中的隶属度函数和模糊关系矩阵的概念，解决故障与征兆之间的不确定关系。它可以处理故障诊断中的不确定信息和不完整信息，然而对复杂的诊断系统，要建立正确的模糊规则和隶属函数是非常困难的，而且需要花费很长的时间[13]。对于更大的模糊规则和隶属函数集合而言，难以找到规则与规则之间的关系。另外由于系统的复杂性、耦合性，由时域、频域特征空间至故障模式特征空间的映射关系往往存在较强的非线性，这时隶属函数形状不规则，只能利用规则形状的隶属函数来加以处理，从而使得非线性系统的诊断结果不理想。

　　除了上述理论和方法外，振动检测仪在故障诊断领域中，还有基于向量机的诊断方法，基于微粒群算法的诊断方法，基于灰色理论的诊断方法，基于云模型的诊断方法以及把各种诊断相结合的方法。