随着现代工业的发展,我国传统工业设备逐渐与新兴科技相结合,变得更加智能化。大型工业设备具有较长使用年限,在此工作期间由于设备经过长时间的运行,某些部位中的零件互相摩擦、相互挤压碰撞、设备使用时所用到的化学原料渐渐的腐蚀着设备的零件,导致设备零件逐渐磨损、腐化、断裂,产生一系列设备故障问题,最终造成巨大的经济损失。如果可以随时掌握零件磨损情况,对其磨损位置、磨损程度进行准确定位检测,在零件崩裂前,对损耗的设备故障零件进行及时的修复调换,便能够有效降低因设备零件故障所造成的经济损失。随着信息化时代来临,人工智能领域迅猛发展并应用在各个领域。灵活运用人工智能技术已然成为各行各业里研究学者的一个重要研究方向。针对现有设备健康状态检测系统自身的局限性,本文设计改进RBF神经网络(RBFNN)设备健康状态检测系统。由于原始RBFNN不能准确计算中心向量和节点宽度,导致RBFNN性能达不到令人满意的结果。本文利用鸡群算法对RBFNN相关参数进行寻优,但其收敛速度慢,易陷入局部最优解,本文提出结合混沌搜索策略的成长鸡群算法(GCSO),选取小鸡对其进行继承和成长操作进而代替公鸡,从而提高收敛速度,降低鸡群算法陷入局部最优的概率。其次本文提出了一种GCSO算法优化RBFNN模型,使用智能寻优算法找到最优的中心向量和节点宽度,从而提高RBFNN的性能。本系统采用大量轴承数据作为训练设备健康状态检测模型的数据集。系统包括信息录入模块、系统管理模块、原始数据处理模块、设备健康状态检测模型构建模块以及设备健康状态检测模块这五大模块。其中原始数据处理模块的数据预处理功能中使用的算法是小波变换降噪,时域的四个特征向量作为最后特征选择的结果。在设备健康状态检测模型构建模块中,训练中的样本集采用处理后的数据并运用改进RBF神经网络(GCSO-RBFNN)算法训练模型。使用改进RBFNN设备健康状态检测系统显著提高了设备健康状态分类准确率。通过系统测试,系统可以精准的对设备轴承数据进行健康状态检测,在功能上和性能上都能达到较为优好的效果。