复杂机械系统状态和性能的诊断与评估是先进制造系统的重要组成部分,也是保证生产和质量控制的稳定性的重要手段。基于传统神经网络的智能诊断技术在对复杂机械设备的状态和性能进行诊断和评估时,常遭受“稳定性”和“适应性”的困窘,而基于自适应共振理论的神经网络则能很好地解决此问题。为了充分发挥该网络的优势,使其更好地应用于设备的状态和性能的诊断与评估之中,本论文以自适应共振理论为基础,深入研究了基于自适应共振理论的混合智能诊断技术,并将其应用于自制的准高速进给系统的状态和性能的评估和诊断分析之中。论文首先深入地分析了模糊自适应共振理论(Fuzzy ART)的基本原理和性质。针对Fuzzy ART的性能受训练样本顺序影响的缺点,以及基于Yu的范数的相似分类器和ART的优点,提出了一种基于Yu的范数的ART-Similarity无监督诊断方法。从多个角度提取反应机械设备不同状态和性能的特征参数,利用距离区分技术进行敏感特征参数的选择,并结合ART-Similarity分类器对机械设备的状态和性能进行诊断分析。通过对齿轮不同剥落程度的故障分析,结果表明结合特征选择的无监督分类方法的诊断精度较高,甚至优于Fuzzy ART网络。针对Fuzzy ARTMAP神经网络采用“硬竞争”机制进行分类时带来的问题,提出了一种采用混合分类机制的改进的Fuzzy ARTMAP网络。当Fuzzy ARTMAP被训练后,利用每个模式节点所包含的训练样本就可获取其对应的中心。对于给定的样本,就可将两种分类机制即基于Yu范数的相似分类方法和Fuzzy ARTMAP原始的分类机制相结合起来对该样本进行分类。同样以齿轮的五种故障状态为诊断实例,验证了该改进FuzzyARTMAP神经网络的优越性,同时也运用Bootstrap法验证了其通用性。由于Fuzzy ARTMAP神经网络自身的缺陷即其性能受训练样本输入顺序影响及一些特征参数反映设备状态信息不充分的问题,常使得其对复杂机械系统故障进行诊断时精度不够高,对此提出了一种基于多特征域的选择性集成的Fuzzy ARTMAP神经网络诊断方法。从多个特征域中抽取特征参数用来描述机械系统状态信息,并运用修正的距离区分技术分别选取各个特征域中的敏感特征,将其分别输入到Fuzzy ARTMAP网络进行诊断分析,并运用相关性方法对网络个数进行了选择,通过贝叶斯置信方法对诊断结果做出了最后的决策。通过对轴承不同故障类型和不同损伤程度的诊断分析,验证了该方法有效性、通用性和鲁棒性。不同的特征参数对机械系统的不同状态和性能有着不同的敏感度,为了使FuzzyARTMAP网络每个节点所包含的知识更加紧凑,提出了一种加权的Fuzzy ARTMAP智能诊断方法。从时域和频域的角度抽取反映设备状态和信息的特征参数,运用修正的距离评估技术可以获取一些对设备状态较敏感的特征参数及其对应敏感系数,然后结合加权的Fuzzy ARTMAP进行设备的状态和性能的诊断分析。以轴承不同损伤程度的故障诊断为例,验证了该方法诊断性能的优越性。Fuzzy ARTMAP神经网络在进行故障诊断时遭遇“黑箱”问题,特别是数据样本与其对应类名事先不知道时,提出了一种基于Fuzzy ART&ARTMAP的故障诊断及规则抽取的方法。当训练数据样本与其对应的类别已知时,可利用其对Fuzzy ARTMAP进行学习,并运用训练好的网络对测试样本进行分类,从而进行规则的抽取;同时可将那些不知类名的测试样本归为一类。对于这些不知类名的数据样本,可用Fuzzy ART对其进行识别并获取相对应的类名。利用这些样本和类名可重新训练Fuzzy ARTMAP,并结合预测数据就可进行新的诊断规则的获取。通过对轴承不同损伤程度的诊断分析,验证了该方法的有效性。每种预测方法都有各自不同的优劣性,RBF网络的性能也常其因隐含层节点个数不能动态地确定而受到影响,对此提出了一种基于ART-RBF神经网络的混合预测方法。首先运用时变AR方法和LS-SVM两种不同的预测方法对同一时间序列进行预测,然后将各自的预测结果作为ART-RBF网络的输入进行训练和测试。通过对Mackey-Glass混沌时间序列的预测分析,验证了该组合预测方法的优越性。最后,以HUST-FS-001进给系统实验台为应用对象,运用三种方法即基于Yu的范数ART-Similarity、改进的Fuzzy ARTMAP和基于特征域的选择性集成Fuzzy ARTMAP对其轴承的不同预紧状态进行了诊断分析;运用加权的Fuzzy ARTMAP、FuzzyART&ARTMAP对因温度变化而导致的轴向定位误差等级进行了识别及规则的抽取,并运用混合的预测方法对轴向误差变化趋势进行分析。结果表明这些方法都能有效地对进给系统的性能和状态进行诊断分析。