在阅读此文前，诚邀您请点点右上方的“关注”，既方便您进行讨论与分享，还能及时阅读最新内容，感谢您的支持。
推理已用于故障诊断和为发展支助事务开发国家数据库。机器学习算法是当前时期最常用的数据驱动方法。
尽管它们已经存在了几十年，但是由于它们能够分析由工业产生的巨大数据集，并且由于增加的计算能力所提供的帮助，它们最近才被广泛使用。最流行的机器学习算法之一是人工神经网络(ANN)。ANN是模仿生物神经元结构；它被广泛用于诊断和预后的模式分类问题，因为它能够从观察值推断函数。神经网络由若干层(主要是输入层、隐藏层和输出层)组成，这些层具有相互连接的节点激活功能并且通过加权边连接到网络。
反向传播神经网络是一种人工神经网络，是一种多层网络正向输送通过调整权重和阈值来减少反馈误差的网络深度学习是具有多个隐藏层的神经网络，有助于从大数据集中挖掘信息。以实现分类和其他目标神经网络不需要用于分析的数据背景，并且在训练后使用较少的操作时间，但是它们的主要缺点是需要大数据集来训练网络。最近邻是另一种非参数模式识别算法，它基于来自k-子集的多数投票将样本聚类到来自训练数据集的k个最近的子集同样。在支持向量机(SVM)是一个分类算法它通过引入边界或超平面具有最大分离距离主成分分析(PCA)是一种参数算法，用于从历史数据中导出统计模型。它通过将历史训练数据投影到较低维度的空间来降低数据的维度，并使用它来研究促成主要趋势的因素决策树算法使用除法和征服方法在数据集上，通过递归划分对数据空间进行分类，直到没有进一步分裂的可能。
数据驱动的算法包括传统的统计模型，如威布尔、正态分布、隐马尔可夫模型和Cox比例风险模型。威布尔和正态分布用于拟合故障数据，以预测故障前时间隐马尔可夫模型包含转移概率和观察概率，用于检测不能直接观察到转移的随机过程Cox比例风险模型是一种强大的回归方法。它使用风险函数或条件故障率函数作为基线，根据触发事件建立故障事件的预测模型。这些触发事件可以被描述为任何类似故障或特定行为的特征，并且该模型可以被用来建立将故障模式与其指标相联系的框架。
显示了基于模型和数据驱动方法的优势、劣势、机会和威胁(SWOT分析)。尽管基于模型的方法可以是精确的，并且可以外推，但是它需要领域知识并且可能是耗时的。此外，建模错误和建模不足是这种方法的缺点。
至于数据驱动的方法，它不需要详细的领域知识和建模技能，但是，它需要大量的数据，并冒着误解结果以及不精确输出的风险。因此，解决问题方法的选择取决于可用的知识、数据、时间和技能等因素。这些系统使用推理技术的组合，用于补偿算法所具有的缺点。有几项研究通过结合不同的方法进行推理。例如，人工神经网络和模糊推理系统(ANFIS)是最常用的方法之一混合方法在诊断应用中模糊算法也与贝叶斯网络一起使用。
以将灰度健康建模为锂离子电池的组件退化另一个这样的组合是遗传算法与CBR一起使用。以增强CBR机制对故障诊断的检索能力电子的飞机中的镇流器除了多种数据驱动方法的组合之外，在许多情况下，数据驱动方法也与基于模型的推理相结合。一个例子是通过改编过去的情节重复使用(适配器)的溯因诊断，其中CBR系统与基于模型的推理系统集成在主从结构中，使用两个知识库，解决案例记忆中的诊断问题，和行为模型代替领域知识。另一个这样的组合可以在混合预测模型中找到，该模型是使用基于物理的模型和基于相似性的数据驱动方法开发的，以便在过滤器堵塞的情况下进行短期预测和RUL估计疲劳裂纹扩张 。
由于前一节讨论了推理系统中使用的不同技术和通过推理可以解决的各种问题，本节讨论了推理系统如何在IVHM航空航天中实际应用。众所周知，IVHM的目的是收集和利用尽可能多的有用信息，以了解系统的行为，诊断和预测其健康状况，以帮助CBM。
因此，在航空航天应用推理系统主要以实时健康监控、诊断和预测以及故障排除活动为目标来实现。下面讨论推理在这些领域应用的几个例子。总结了各种推理者由不同行业开发，用于IVHM航空航天领域的健康监控。多年来，它开发了几个推理系统，用于监控其航天飞机、卫星和飞行器的健康状况。空间健康推理机(SHINE)是一个可重复使用的专家系统，用于实时和非实时健康监测和诊断。
它由黑板结构、知识库和数据库组成；它具有高计算能力和速度，这是实时监测旅行者号、伽利略号和卡西尼号等深空任务所需要的航天器中的第一个完全自主的人工智能系统，远程代理，有一个规划和调度人工智能模块，一个多线程执行模块，其核心是一个基于模型的推理软件，Livingstone 开发Livingstone是为了监控复杂系统的整体行为。Livingstone由标称和非标称行为的定性模型组成，能够通过系统范围的交互进行推理，从而能够推断复杂系统中任何故障的影响同样，基于信标的多任务异常分析，也是由美国航天局开发的，由几个信号组成处理模块，它与Livingstone集成在一起，在living stone。
它作为一个虚拟传感器解决推进IVHM测试实验中多种故障情况的模糊性在这种情况下，BEAM用于检测和隔离局部故障，而Livingstone使用BEAM的输出作为证据，通过整个系统进行推理，从而实现互补。
美国国家航空航天局开发了可实现的非介入式响应单元(R2U2)框架，以提高电力系统的诊断能力无人驾驶飞行器健康管理项目。R2U2框架适用于使用从贝叶斯网络获得的预后信息来改善诊断准确性 另一个推理机，即基于模型的航空电子预测推理机(MAPR)能够根据系统的健康状况和它的用途实时监控、处理以及重新配置模型异常检测和机电致动器(EMA)中的故障分类。飞机工业的几个原始设备制造商(OEM)已经开发了他们自己的推理系统和策略组合来帮助他们的维护程序。例如，由普惠公司开发的基于自动地面发动机测试集(AGETS)模型的推理机使用人工智能工具称为定性推理系统。
使用涉及F100-P100/200的故障检修方法进行诊断测试和隔离故障燃气涡轮发动机 西门子使用物联网(物联网)架构和本体推理，用于对涡轮机进行诊断和预测史密斯工业航空航天和国防公司开发了一种称为CONSOLIDATE的诊断推理系统。该系统使用面向对象的数据库和假设推理来诊断飞机系统(如发动机)中的故障空中客车公司开发了一种元诊断方法来推理和隔离其集中维护系统知识数据库中的故障波音公司开发了一个智能测试程序集(TPS)软件套件。采用人工智能体系结构，用于与多个系统推理器进行通信，并为海军和空军的飞机提供建议。
在这种情况下，所使用的诊断推理机是在MATLAB中开发的，能够使用BIT数据、历史诊断和维护记录以及其他相关信息。通过智能TPS套件向工程师提供关于测试程序中的进入点和调出点的建议集成诊断系统(IDS)是为加拿大航空公司开发的通用维护管理系统。
它使用案例推理来检索和分类飞机的警告和故障信息，因为原始信息不能通过简单的字符串匹配来跟踪。此外，开发了用于诊断的案例库，该案例库用作存储飞机机队的历史信息的公司存储器，从而帮助整个机队的修理和维护过程。许多商业推理包被工业用于健康监控和维护。RODON是来自Uptime Solutions AB的基于商业模型的诊断推理系统。它根据模拟系统和观测系统之间的矛盾产生假设。一种称为Rodelica的基于等式的声明性语言用于捕获模型的知识。
RODON在ADAPT系统上进行了测试并能够生成可用于系统故障排除的决策树DSI International Inc .开发了eXpress Embedded Reasoner，它能够嵌入到HM系统中，以便接收系统数据并提供系统诊断。包括故障的根本原因、维修说明以及关于要进行的进一步测试的建议另一个商业包装，易测性维护和工程系统(TEAMS)由Qualtech系统公司(QSI)开发。它是一个领域中立的决策支持软件套件，已被应用于各种系统的集成诊断和预测，如EMA ，海军舰载系统，以及战术卫星3号(TacSat 3)航天器同样，PHM技术公司开发了维护意识设计环境(MADe ),这是一个集成的基于模型的设计、分析和DSS软件套件MADe能够进行功能建模、故障报告以及健康相关分析。ReasonPro是Impact Technologies开发的另一个COTS包，它自动化了许多推理过程，包括使用系统级知识和LRU水平数据。
ReasonPro根据从飞机上收集的信息和代码，为维护人员提供交互式诊断解决方案，并通过减少模糊性和证据驱动诊断进一步帮助故障隔离几个健康管理程序也将推理作为监控过程的一部分。Impact Technologies公司为航空电子设备飞行器健康管理开发了一种贝叶斯网络顶级推理机集成诊断系统和飞机电源系统预测和健康管理计划，都是由波音公司开发的。使用基于地面的推理器组件，分别优化传统飞机中液压子系统的维护，以及提高军用飞机中电力系统的任务就绪性。用于EMA的预测健康管理(PHM)程序使用基于模型的超越方法以及数据驱动推理来诊断EMA中的故障这里介绍了学术界开发的一些推理机。
故障自适应控制技术(FACT)由范德比尔特大学和布达佩斯技术经济大学开发，得到了美国国家航空航天局和波音公司的支持。它在低层使用时间因果图，在系统高层使用TFPG来描述故障的影响。FACT在飞机燃油系统上进行了试验；它能够识别注入的故障，并重新配置控制系统以保持连续运行同样。代尔夫特大学开发的一种建模语言，即系统诊断语言已在行星探索仪器的远程操作和基于模型的监督(TELEMOS)中实施，这是一种基于模型的诊断推理系统。