在设备故障的诊断中，通常存在着许多边界不明的事件。这些事件不再适用于经典集合理论中的二值逻辑关系来描述，必须使用模糊集合论中的“隶属度”来描述，这样毫无疑问地可以提高故障诊断的准确性。但是凭借着模糊数学理论发展起来的模糊诊断方法，通常是运用了反映故障和特征量相关程度的模糊关系矩阵，通过了模糊转换来诊断状态故障，这是不正确的。因为从征兆的角度去诊断故障，是根据特征量逐步确定和排除故障的一个过程，因此，需要明确的是特征量对于故障的肯定与否定程度，建立模糊筛选矩阵，建立故障诊断的数学模型。建立模糊筛选矩阵的意义在于可以借此反映故障存在的充分条件，可以考虑不同的特征量之间的互相影响。能够对故障的隶属度进行精密的计算。但是如果涉及到的特征量和故障太多的话，就难以分辨特征量之间的互相作用。而且模糊矩阵是在经典的故障集合的基础上建立的，相对的就失去了对于突发故障的灵活性，不能根据故障的具体条件而灵活调整。由于故障和特征量表现的多样性，必须根据机组的不同状态和故障可能表现的形式对模糊筛选矩阵进行修正。
（2）规则诊断
规则指的是一种表示故障和特征量之间因果关系的形式。规则必须能够准确地反映专家处理实际问题的整个思文过程，确切地表达故障和特征量之间的复杂映射性，不能简单地认为规则只是某故障所有的特征量的任意组合。
在基于规则的诊断推理中，一般要求同一故障不同规则之间的前提条件是相互独立的，这在故障和特征量存在复杂映射性的情况下是不可能实现的。因此，需要对不精确推理算法进行改进，不能在规则的前提条件之间和规则之间进行简单的模糊加权运算，不能简单地认为故障是通过某些特征量得到的。基于规则的诊断方法能够根据机组故障的实际情况组织规则，具有较大的灵活性。能够根据情况不同激活相应的规则，迅速确定和排除某些故障。能够根据推理路径对诊断结果进行合理解释。能够在一定的程度上改善单规则容易发生冲突和不一致的现象。
（3）混合诊断规则
由上述两种方法可以发现，单一的诊断方法已经不适用于现今的复杂故障诊断的要求。在其他的智能故障诊断方法中，人工神经网络诊断方法能够根据大量的故障机理研究以及经验性的直觉知识归纳出典型样本，通过对神经网络内部的竞争达到问题的求解，从本质上模拟专家的直觉。基于案例的诊断推理能够利用以前解决类似问题的经验，诊断结果易于理解和接受。基于模糊诊断推理能够利用机组结构和故障机理等深知识来区分故障之间的层次关系和因果关系，能够诊断出系统中从未发生过的故障。当然，它们只是这些诊断方法理论上所具有的优越性，能否在实践中真正发挥作用，取决于这些诊断方法是否真正体现了故障诊断的本质。如果对所有征兆的作用不加区分，仅根据不同的征兆的权值计算案例的相似度，可能得不到准确的诊断结果。 智能配网二次设备状态检测及管理技术的研究(6):http://www.youerw.com/zidonghua/lunwen_17828.html