设备维护与故障诊断是现代制造企业适应全球化进程的重要保障。先进的设备维护与故障诊断模式研究及应用将在保证企业生产的安全、有序进行的同时，提高生产设备或装置的可靠性与有效性。作为人工智能技术与传统故障识别方法相结合的诊断维护模式，智能故障诊断(Intelligent Fault Diagnosis，IFD)能够整合诊断维护知识的推理决策功能，通过诊断知识的高效管理和维护流程的动态配置，实现诊断推理结果与维护决策的最优化。诊断维护知识是智能故障诊断的核心资源和诊断维护过程的关键支撑要素。智能故障诊断通过有效地获取、传递、处理、共享诊断信息，以智能化的诊断推理和灵活的诊断策略对监控对象的运行状态及故障作出正确判断与决策，从而提高诊断维护工作的质量与效率，并为诊断维护知识资源的高效管理提供支持。为了有效提升智能故障诊断中的诊断维护知识管理水平，本文在国家高技术研究发展计划(863计划)项目“大型风力发电机组状态监控与故障诊断技术研究”(项目编号：2009AA04Z414)的资助下，对基于知识的智能故障诊断问题进行了深入系统的研究。本文主要研究工作和创新性成果有(1)结合诊断维护知识资源管理的需求，提出了基于知识的智能故障诊断(Knowledge-Orient Intelligent Diagnosis，KOID)模型。KOID模型以诊断维护本体为基础，结合贝叶斯网络、不确定性知识管理和传感器网络技术，实现了诊断维护知识的集成与推理，形成了以诊断维护过程为中心的智能维护模式。对模型进行了形式化定义，辨识了模型的组成要素；探讨了模型的内涵、特征和应用；从工程实践的角度设计了模型的体系结构和支撑系统。(2)针对现有的设备状态监测系统应用中存在的集成度不高、适应性差和状态数据利用率低等问题，研究并建立了基于无线传感器网络的设备状态监测系统原型，其核心是设计基于超低功耗微控制单元的智能传感器网络节点；利用嵌入式处理器的信号分析能力进行状态数据的本地化处理和数据融合，实现数据采集与信号处理相结合的分布式状态监测，形成具有初步自我分析诊断能力的状态维护传感器网络。(3)引入了诊断维护知识的本体语义表示方法。通过对设备结构信息、维护经验知识以及诊断行为过程建模，建立了本体驱动的故障诊断推理模型。提出了设备运行状态与故障征兆之间的本体映射算法，并根据征兆空间到故障案例空间的映射关系进行实例匹配，完成了静态维护知识与动态诊断过程的统一，从而为实现自动化、智能化的故障诊断与维护决策奠定了基础。(4)提出一种本体语义表示与贝叶斯网络相结合的故障概率推理框架，构建了基于本体的故障诊断贝叶斯网络OntoDBN(Ontology-based Diagnostic BayesianNetworks，OntoDBN)。OntoDBN从异构多源的维护诊断信息和非结构化的专家经验知识出发，建立诊断语义知识模型并进行概率扩展；利用贝叶斯分类器实现异常工况识别，给出了基于最大可能解释(Most Probable Explanation，MPE)的故障概率推理算法，从而根据运行工况、故障征兆和证据信息推理获得故障诊断解释。(5)故障诊断与维护决策过程存在着大量的不确定性，针对这些不确定性提出了一种设备维护群组决策方法，在多源异构的制造过程知识集成与建模基础上，利用贝叶斯网络和模糊层次分析法进行诊断推理与故障成因分析，结合诊断专家的经验知识给出了优化的维护决策方案。(6)为使KOID模型具有实践指导意义，结合某石化企业的设备维护与故障诊断需求，设计开发了基于KOID模型的原型系统，并进行验证；结合背景企业的智能故障诊断应用，探讨了KOID模型的实施方法。原型系统的应用实践表明了KOID模型在实际应用中的有效性与可行性。本文的研究工作表明，将无线传感器网络、本体论、贝叶斯网络以及模糊层次分析法等技术综合应用于设备维护与故障诊断领域是可行、有效的。本文的研究成果可以为智能故障诊断的进一步研究发展提供新的思路和实践经验。