过程的安全性和可靠性对于大规模、高度集成的现代化工业是极其重要的,但是工业生产机械故障是不可避免的,而且长期的故障困扰会影响工业的正常运转、致使利益下降和技术上的危机。为了检测故障,论文提出一种新的故障分类模型和一个融合了模型神经网络、动态贝叶斯网络和粒子滤波思想的单一平台故障检测算法。这个新的模型将故障分为两大类：第一类是短暂的、即时的故障；第二类故障是长期的、有发展过程的故障,此类故障在初始阶段就产生并在整个过程中都存在。依据改进的Taylor公式可知,在整个机器生命周期中故障存在的时间越长,机器的寿命就会越短。对于错误诊断来说,我们的框架有两个部分组成：第一个部分主要是在线错误诊断；第二个部分涉及在线和离线两个模块错误诊断详细实现。在第一个部分,我们引入了一个模糊神经预测器来对设备故障维护或海量错误的诊断作为相应的决策。对于一个即将发布的错误诊断命令,仅仅当一个错误不断发展到超出一个严格的阈值时—CBM限制时,第二个部分才开始发挥作用。在这个过程中,DBN和PF技术被用作一种智能错误诊断系统来对错误的数量和错误发生时间和错误发生的位置进行确定。这种方法的可行性已经过测试,在模拟环境下使用CNS机器作为个案研究的结果进行研究和分析。图25幅,表1个,参考文献93篇。