随着生产过程的日益复杂,为确保生产装置安全、高效运行,故障诊断技术日益受到国内外企业的重视。现有的故障诊断方法虽然在实际应用中发挥了重要作用,但也存在很多问题,因此,还需要加强对新方法的研究。人工免疫系统在自己/非己识别、进化学习、知识记忆、鲁棒性等方面有其独到之处。本文研究人工免疫系统在故障诊断中的应用,针对现有人工免疫算法在设备故障检测与诊断问题应用中存在的问题,提出了新的有效的故障诊断方法。主要完成了如下工作:(1)对现有的故障诊断方法进行简要综述,并对人工免疫系统的发展、常用算法以及应用情况进行介绍。(2)对二进制否定选择算法、实值否定选择算法以及可变半径检测器的实值否定选择算法进行了简要介绍。针对上述方法在故障诊断方面存在的问题,提出了基于可变半径检测器否定选择算法的免疫聚类算法(ICAVDNSA)。新算法把蒙特卡罗方法引入到对检测空间覆盖的估计,并将对检测空间覆盖的估计作为一个控制参数;为检测器设置最大半径,使产生的检测器能够具有良好的分布特性来对非自体空间进行覆盖,方便对数据进行聚类;将描述系统正常工作状态(自体)与异常工作状态(非自体)的二种不同性质抗原分别定义为第一类抗原和第二类抗原,并引进以输入抗原为中心对检测器进行聚类学习的方法,给出重要参数的取值范围以及算法的可行性分析;利用免疫聚类学习结果和故障信息库知识标注不同故障类型在状态空间上对应的区域,然后将标注结果应用于机床齿轮箱的故障诊断。(3)ICAVDNSA在故障特征信息相互间干扰较小,甚至相互独立的设备故障诊断方面具有明显优势,但对于故障信息模式空间中有重叠区域或设备本身就存在复合故障的复杂设备故障诊断问题,其模式识别与分类能力明显降低。因此,本文提出了一种ICAVDNSA与RBF神经网络相结合的IM-RBF神经网络算法。使用ICAVDNSA对故障信息模式的聚类作用来确定RBF神经网络隐含层节点的数量及隐含层中心向量,并用递推最小二乘法求取网络的输出权值。然后,用此算法对柴油机进行故障诊断。