为了知晓本课题的相关研究历史及现状，并以此来确定相关研究内容及方向，以及RBF神经网络和需要用到的工具MATLAB软件的相关知识，本人查阅了相关的硕博论文以及期刊等文献，其综述如下。

文献[1]主要概述了智能故障诊断技术的概念，说明了它的发展为复杂系统的可靠性、安全性以及故障诊断提供了新的途径,是故障诊断的高级阶段。并从检测方法、检测原理和信号分析处理三个方面,对现代智能故障诊断技术做了研究分析和验证,并根据结论对智能诊断技术未来进行展望。通过对文献[1]的阅读让我了解了智能诊断，信号分析等相关概念，对课题背景有所了解。

文献[2]提出将现代信号分析于人工神经网络相结合，以此评估滚动轴承的工况是否正常，若出现故障则对故障进行分类和诊断的方法，工程上具有实际利用意义。文献[3]探讨和研究如何提高当代诊断和维修决策的智能化，从混合智能技术的角度，深入研究了智能化故障诊断与维修决策模型的基本问题。文献[4]提出了用小波包与RBF神经网络相结合的方法对轨道车辆滚动轴承进行故障诊断的方法，并表明该方法在轨道车辆滚动轴承故障诊断方面能较好地诊断出故障类型。文献[5]主要讲述了稳态载荷以及鲁棒载荷的滚动轴承智能故障诊断方法，实验证明了该方法能以较高的精确度识别滚动轴承的故障诊断类型。文献[6]概述了滚动轴承在其接触疲劳和接触磨损面的智能诊断现状，其结合智能诊断和摩擦学机理，通过传感器检测轴承表面以及润滑液成分来诊断轴承是否有结构损伤。文献[7]阐述了MALTAB在RBF神经网络中的建模和应用。文献[8]提出小波包分析与部分均值解析相结合的方法，提取滚动轴承的特征参数，再用故障样本对对设计好的RBF诊断网络进行训练，最后利用训练好的RBF进行故障诊断。文献[9]概述了用RBF神经网络智能诊断在频域内识别材料结构的损害的方法，提出了两级改进径向基函数RBF神经网络的损伤识别方法。文献[10]阐述了MALTAB在RBF神经网络中的建模及学习训练过程。文献[11]采用以神经网络理论为数学工具对采油机等含轴承机械进行智能仿真判断，得出RBF神经网络拥有其他神经网络所不拥有的，对故障分类的精确，诊断结果可靠，误诊断概率低等特点，适合用于柴油机等机械的智能诊断。文献[12]对人工神经网络的概念和特点进行概述，介绍了神经网络的3层结构和每一层结构的特点，阐述了神经网络的优越性。文献[13]对故障诊断的研究内容及研究意义进行了阐述，分析了神经网络的有点，并将RBF神经网络和BP神经网络进行分析和对比，得出RBF神经网络优于BP神经网络的结论。文献[14]概述了一种基于小包波和RBF神经网络的智能诊断方法，将信号进行精细的分解，再提取各个频段的能量构成特征向量，同时采用RBF神经网络来建立故障类型和特征向量之间的非线性关系，从而实现智能诊断。文献[15]分析了智能诊断中各种诊断方法，以及在单一诊断或多故障诊断中的应用，并由单一故障转到多种故障混合情况的讨论，指出了当前多故障诊断存在的不足与局限性。

文献[16]主要概述了RBF神经网络原理，并对网络模型结构进行说明，阐述了滚动轴承的分类并概述产生每种故障的原理，通过提取滚动轴承的振动信号故障特征，建立并训练适用于滚动轴承故障诊断的RBF神经网络。文献[17]提出一种弹性RBF神经网络结构优化设计方案，该结构有良好的动态特征相应能力和逼近能力，在训练速度，泛化能力，最终网络结构等方面有较大提高。文献[18]概述了间隙传感器对电磁悬浮系统的监测以及补偿方法，以及用RBF神经网络和间隙传感器校正高速磁悬浮列车与轨道之间的间隙的方法。文献[19]通过实验数据阐述了RBF神经网络在预报颗粒阻尼参数的应用，粒子阻尼是最近研究被动阻尼的一个新领域，它与空间结构具有很强的相关性。文献[20]阐述了基于神经网络的电动机故障诊断设计和应用，通过RBF神经网络的快速性和误差较小的特性证明了RBF智能诊断更适合于电动机的故障诊断。