在閱讀此文前，誠邀您請點點右上方的“關注”，既友善您進行讨論與分享，還能及時閱讀最新内容，感謝您的支援。
推理已用于故障診斷和為發展支助事務開發國家資料庫。機器學習算法是目前時期最常用的資料驅動方法。
盡管它們已經存在了幾十年，但是由于它們能夠分析由工業産生的巨大資料集，并且由于增加的計算能力所提供的幫助，它們最近才被廣泛使用。最流行的機器學習算法之一是人工神經網絡(ANN)。ANN是模仿生物神經元結構；它被廣泛用于診斷和預後的模式分類問題，因為它能夠從觀察值推斷函數。神經網絡由若幹層(主要是輸入層、隐藏層和輸出層)組成，這些層具有互相連接配接的節點激活功能并且通過權重邊連接配接到網絡。
反向傳播神經網絡是一種人工神經網絡，是一種多層網絡正向輸送通過調整權重和門檻值來減少回報誤差的網絡深度學習是具有多個隐藏層的神經網絡，有助于從大資料集中挖掘資訊。以實作分類和其他目标神經網絡不需要用于分析的資料背景，并且在訓練後使用較少的操作時間，但是它們的主要缺點是需要大資料集來訓練網絡。最近鄰是另一種非參數模式識别算法，它基于來自k-子集的多數投票将樣本聚類到來自訓練資料集的k個最近的子集同樣。在支援向量機(SVM)是一個分類算法它通過引入邊界或超平面具有最大分離距離主成分分析(PCA)是一種參數算法，用于從曆史資料中導出統計模型。它通過将曆史訓練資料投影到較低次元的空間來降低資料的次元，并使用它來研究促成主要趨勢的因素決策樹算法使用除法和征服方法在資料集上，通過遞歸劃分對資料空間進行分類，直到沒有進一步分裂的可能。
資料驅動的算法包括傳統的統計模型，如威布爾、正态分布、隐馬爾可夫模型和Cox比例風險模型。威布爾和正态分布用于拟合故障資料，以預測故障前時間隐馬爾可夫模型包含轉移機率和觀察機率，用于檢測不能直接觀察到轉移的随機過程Cox比例風險模型是一種強大的回歸方法。它使用風險函數或條件故障率函數作為基線，根據觸發事件建立故障事件的預測模型。這些觸發事件可以被描述為任何類似故障或特定行為的特征，并且該模型可以被用來建立将故障模式與其名額相聯系的架構。
顯示了基于模型和資料驅動方法的優勢、劣勢、機會和威脅(SWOT分析)。盡管基于模型的方法可以是精确的，并且可以外推，但是它需要領域知識并且可能是耗時的。此外，模組化錯誤和模組化不足是這種方法的缺點。
至于資料驅動的方法，它不需要詳細的領域知識和模組化技能，但是，它需要大量的資料，并冒着誤解結果以及不精确輸出的風險。是以，解決問題方法的選擇取決于可用的知識、資料、時間和技能等因素。這些系統使用推理技術的組合，用于補償算法所具有的缺點。有幾項研究通過結合不同的方法進行推理。例如，人工神經網絡和模糊推理系統(ANFIS)是最常用的方法之一混合方法在診斷應用中模糊算法也與貝葉斯網絡一起使用。
以将灰階健康模組化為锂離子電池的元件退化另一個這樣的組合是遺傳算法與CBR一起使用。以增強CBR機制對故障診斷的檢索能力電子的飛機中的鎮流器除了多種資料驅動方法的組合之外，在許多情況下，資料驅動方法也與基于模型的推理相結合。一個例子是通過改編過去的情節重複使用(擴充卡)的溯因診斷，其中CBR系統與基于模型的推理系統內建在主從結構中，使用兩個知識庫，解決案例記憶中的診斷問題，和行為模型代替領域知識。另一個這樣的組合可以在混合預測模型中找到，該模型是使用基于實體的模型和基于相似性的資料驅動方法開發的，以便在過濾器堵塞的情況下進行短期預測和RUL估計疲勞裂紋擴張 。
由于前一節讨論了推理系統中使用的不同技術和通過推理可以解決的各種問題，本節讨論了推理系統如何在IVHM航空航天中實際應用。衆所周知，IVHM的目的是收集和利用盡可能多的有用資訊，以了解系統的行為，診斷和預測其健康狀況，以幫助CBM。
是以，在航空航天應用推理系統主要以實時健康監控、診斷和預測以及故障排除活動為目标來實作。下面讨論推理在這些領域應用的幾個例子。總結了各種推理者由不同行業開發，用于IVHM航空航天領域的健康監控。多年來，它開發了幾個推理系統，用于監控其航天飛機、衛星和飛行器的健康狀況。空間健康推理機(SHINE)是一個可重複使用的專家系統，用于實時和非實時健康監測和診斷。
它由黑闆結構、知識庫和資料庫組成；它具有高計算能力和速度，這是實時監測旅行者号、伽利略号和卡西尼号等深空任務所需要的航天器中的第一個完全自主的人工智能系統，遠端代理，有一個規劃和排程人工智能子產品，一個多線程執行子產品，其核心是一個基于模型的推理軟體，Livingstone 開發Livingstone是為了監控複雜系統的整體行為。Livingstone由标稱和非标稱行為的定性模型組成，能夠通過系統範圍的互動進行推理，進而能夠推斷複雜系統中任何故障的影響同樣，基于信标的多任務異常分析，也是由美國航天局開發的，由幾個信号組成處理子產品，它與Livingstone內建在一起，在living stone。
它作為一個虛拟傳感器解決推進IVHM測試實驗中多種故障情況的模糊性在這種情況下，BEAM用于檢測和隔離局部故障，而Livingstone使用BEAM的輸出作為證據，通過整個系統進行推理，進而實作互補。
美國國家航空航天局開發了可實作的非介入式響應單元(R2U2)架構，以提高電力系統的診斷能力無人駕駛飛行器健康管理項目。R2U2架構适用于使用從貝葉斯網絡獲得的預後資訊來改善診斷準确性 另一個推理機，即基于模型的航空電子預測推理機(MAPR)能夠根據系統的健康狀況和它的用途實時監控、處理以及重新配置模型異常檢測和機電緻動器(EMA)中的故障分類。飛機工業的幾個原始裝置制造商(OEM)已經開發了他們自己的推理系統和政策組合來幫助他們的維護程式。例如，由普惠公司開發的基于自動地面發動機測試集(AGETS)模型的推理機使用人工智能工具稱為定性推理系統。
使用涉及F100-P100/200的故障檢修方法進行診斷測試和隔離故障瓦斯渦輪發動機 西門子使用物聯網(物聯網)架構和本體推理，用于對渦輪機進行診斷和預測史密斯工業航空航天和國防公司開發了一種稱為CONSOLIDATE的診斷推理系統。該系統使用面向對象的資料庫和假設推理來診斷飛機系統(如發動機)中的故障空中客車公司開發了一種元診斷方法來推理和隔離其集中維護系統知識資料庫中的故障波音公司開發了一個智能測試程式集(TPS)軟體套件。采用人工智能體系結構，用于與多個系統推理器進行通信，并為海軍和空軍的飛機提供建議。
在這種情況下，所使用的診斷推理機是在MATLAB中開發的，能夠使用BIT資料、曆史診斷和維護記錄以及其他相關資訊。通過智能TPS套件向工程師提供關于測試程式中的進入點和調出點的建議內建診斷系統(IDS)是為加拿大航空公司開發的通用維護管理系統。
它使用案例推理來檢索和分類飛機的警告和故障資訊，因為原始資訊不能通過簡單的字元串比對來跟蹤。此外，開發了用于診斷的案例庫，該案例庫用作存儲飛機機隊的曆史資訊的公司存儲器，進而幫助整個機隊的修理和維護過程。許多商業推理包被工業用于健康監控和維護。RODON是來自Uptime Solutions AB的基于商業模型的診斷推理系統。它根據模拟系統和觀測系統之間的沖突産生假設。一種稱為Rodelica的基于等式的聲明性語言用于捕獲模型的知識。
RODON在ADAPT系統上進行了測試并能夠生成可用于系統故障排除的決策樹DSI International Inc .開發了eXpress Embedded Reasoner，它能夠嵌入到HM系統中，以便接收系統資料并提供系統診斷。包括故障的根本原因、維修說明以及關于要進行的進一步測試的建議另一個商業包裝，易測性維護和工程系統(TEAMS)由Qualtech系統公司(QSI)開發。它是一個領域中立的決策支援軟體套件，已被應用于各種系統的內建診斷和預測，如EMA ，海軍艦載系統，以及戰術衛星3号(TacSat 3)航天器同樣，PHM技術公司開發了維護意識設計環境(MADe ),這是一個內建的基于模型的設計、分析和DSS軟體套件MADe能夠進行功能模組化、故障報告以及健康相關分析。ReasonPro是Impact Technologies開發的另一個COTS包，它自動化了許多推理過程，包括使用系統級知識和LRU水準資料。
ReasonPro根據從飛機上收集的資訊和代碼，為維護人員提供互動式診斷解決方案，并通過減少模糊性和證據驅動診斷進一步幫助故障隔離幾個健康管理程式也将推理作為監控過程的一部分。Impact Technologies公司為航空電子裝置飛行器健康管理開發了一種貝葉斯網絡頂級推理機內建診斷系統和飛機電源系統預測和健康管理計劃，都是由波音公司開發的。使用基于地面的推理器元件，分别優化傳統飛機中液壓子系統的維護，以及提高軍用飛機中電力系統的任務就緒性。用于EMA的預測健康管理(PHM)程式使用基于模型的超越方法以及資料驅動推理來診斷EMA中的故障這裡介紹了學術界開發的一些推理機。
故障自适應控制技術(FACT)由範德比爾特大學和布達佩斯技術經濟大學開發，得到了美國國家航空航天局和波音公司的支援。它在低層使用時間因果圖，在系統高層使用TFPG來描述故障的影響。FACT在飛機燃油系統上進行了試驗；它能夠識别注入的故障，并重新配置控制系統以保持連續運作同樣。代爾夫特大學開發的一種模組化語言，即系統診斷語言已在行星探索儀器的遠端操作和基于模型的監督(TELEMOS)中實施，這是一種基于模型的診斷推理系統。