本文为知网收录仅供参考，本人只是由于目前在学习相关知识，所以先查找国内文献进行学习和总结。侵权立删。
文章引用：
[1]文成林,吕菲亚,包哲静,刘妹琴.基于数据驱动的微小故障诊断方法综述[J].自动化学报,2016,42(09):1285-1299.
故障诊断综述的方法：
基于统计分析方法
刻画并利用变量之间的相关性，适用于高维系统的故障检测与诊断
PCA：
优点：分析处理具有高度线性相关性的测量数据，降维；可以反映检测变量的主要变化，残差子控件反映检测过程的噪声和干扰
缺点：（1）假设数据服从高斯分布，然而数据未必服从高斯分布。（2）传统PCA属于混合潜变量分析，不能直接处理非线性和多模态问题 （3）PCA采用T²和SPE等统计量作为评价指标扩大检测区域，不能很好描述正常数据分布。
ICA：
优点：针对于具有非正态分布的多变量系统提出；当感兴趣信号的能量和强度相比其他信号较弱时，这种转换比PCA更有效；提取互相独立的主元变量；提取高阶统计量信息
缺点：但要求数据在时间序列上独立，但是工业数据采集大都依据时间采样，这就忽视了故障数据在时间上的相关性。
PLS：
优点：由输出变量引导输入样本空间的分解，因此比PCA具有更强的解释能力，同时PLS模型解唯一。
以上三种，都是通过基变换将数据映射到另一个空间达到降维的目的，在降维过程中，难免会丢失原有数据的微小特征。而且基于这三种方法的故障诊断又都是根据统计量设置阈值，从而判断故障是否发生，同样会忽视数据微笑特征对结果的影响；进一步，这三种方法降维采用维数的线性约减，并不适用于复杂的非线性系统。
NMF（非负矩阵分解方法）：
优点：由于PCA、PLS不能很好面熟数据的隐形结构，NMF在一定程度上实现了非线性的维数约减，并能很好地反应样本的局部特征，同时非负性的约束有利于分解结构稀疏性的呈现。
缺点：侧重于重要的局部特征的提取，并不能反映样本的全局特征；易于忽视或掩盖故障发生后对某些变量的微小影响，这些微小影响需要通过对监控量全局分析进行挖掘。
时间序列分析方法（TSA）：
优点：动态数据分析处理；通过时间序列中的潜在信息，进行频域、时域的分析，来估算过程的统计规律性。简单易行，便于掌握
缺点：相对准确性较差，一般只适用于：短期的分析预测
灰色理论方法：
优点：针对于具有不确定性的复杂系统；依据认识、信息和决策的层次判定系统是否会出现信息不完全。不需要依赖大量样本建模，原理简单且运算方便
缺点：仅依赖小样本信息进行趋势分析，其泛化能力不足；当预测对象较多，或者呈现非线性增长时，预测结果就可能出现较大的偏差。
基于信号处理的微小故障诊断：
通过利用大量丰富的专家经验知识和系统运行过程中的状态信息进行分析处理，得到系统运行状况和故障状况的综合性评价。
小波变换法（WT）：
优点：根据时间分辨率和频率分辨率分辨出信号的瞬时特征，并保留信号的主要频域成分，以滤除噪声影响。小波变换更适合非稳定和非周期宽带信号处理。
缺点：受傅里叶分析理论对非线性非平稳信号的局限性，小波变换后容易出现假频和虚假信号，而且受Heisenberg不确定原理的限制，小波变换不能精确描述频率随时间的变换。
谱分析法（SA）：
谱分析法是将模态分析的结果和已知谱相联系，用于计算结构响应的分析方法。不同的过程故障会引起监控信号不同的频谱特征（功率谱、倒频谱、高阶谱）。
经验模式分解法（EMD）：
首先将非平稳的监测数据进行平稳化处理，然后进行Hilbert变换得到频谱图，分析具有物理意义的频率，在进行模式分析。
优点：可用于任何类型信号的分解，在处理非线性和非平稳信号序列时具有明显的优势和很高的信噪比。
缺点：EMD法并没有严格的数学模型作为支撑；存在难以避免的端点效应（当时间尺度较长，端点效应会随着分解的不断进行向内传播污染）；EMD分解得到的本征模式函数分量可能包含不同时间尺度的故障信号，或者故障信号存在于不同的本征模式函数中，从而引起时域分布的混叠。
形态信号处理法（MSP）：
优点：非线性时域空间、对信号的局部几何特征较为敏感、高效对脉冲信号。计算简单、适合并行计算、具有一定的灵活性。
缺点：相当于一类非线性滤波器，因此进行微小故障诊断时，难以避免微小信号被滤波器弱化；同时MSP对信号形状依赖性较强，当故障产生的脉冲完全被噪声淹没时，该方法难以施展。
基于人工智能的微小故障诊断：
通过工业数据的正常/异常数据训练各类算法。技术难点：如何从历史数据中提取重要的特征信息，包括特征的实时变化、阶段性变化和趋势性变化等。
人工神经网络（ANN）：
通过网络层间的学习建立故障征兆与故障类型的映射关系，使输入层的结点对应故障征兆，输出层对应故障类型。
优点：鲁棒性以及容错性。可以设置网络结构，以任意精度逼近非线性函数
缺点：需要大量的故障样本，但实际很难获得；受限于复杂度影响，只设置2-3个隐层，降低逼近精度；样本的完整性和典型性，方法的收敛性、训练速度和诊断的实时性，都是制约发展的瓶颈
支持向量机法（SVM）：
建立在统计学习理论和结构风险最小原理基础上的机器学习算法。更适用于小样本系统的故障特征的学习和诊断，基于SVM的方法通过对特定训练样本的学习达到无错误地识别任意故障类型
优点：有利于解决小样本、非线性以及高维的故障模式识别
缺点：诊断精度与故障样本的完备性与代表性有很大关系；只是从分类的角度对故障进行诊断，并没有深层次追求数据的结构信息。
极限学习机法（ELM）：
优点：简单易用的单隐层前馈神经网络学习方法，只需要对网络的隐层节点个数进行预设值。学习速度快，最优解唯一且泛化性能好
缺点：目前在发展阶段。从函数逼近论角度，其实点点逼近的一阶多项式逼近模式，没有有效表征逼近的光滑性程度，所以很难得到相邻点信号特征的线性组合，因而基于ELM法会忽视信号相邻点之间的相关性信息。
模糊逻辑法：
是根据集合论中的隶属函数和模糊关系矩阵建立故障与征兆之间的不确定关系，进而实现故障的检测和诊断。
优点：ANN法可解释性比较差，而模糊逻辑法计算简单、应用方便、结论明确直观。既不需要获取模型中的复杂关系，也不需要得到精确的诊断模型，能从定性分析的角度处理不完备的数据信息。
缺点：隶属函数是人为构造的，具有一定的主观因素；并且故障特征的选择如果不合理，诊断精度会明显下降。所以一般综合利用多种方法。