随着工业化进程的加快,机械的运用已经很普遍,机械的结构也更加复杂。而机械作为企业生产中的关键设备,一旦发生故障,将会给企业带来经济损失、甚至更加严重的后果。由于机械在企业中的关键作用,机械故障诊断技术已成为各国的研究热点之一。传统的诊断技术有噪声监测、油液监测、无损探伤、振动监测和性能趋势分析等。智能技术在故障诊断中也有广泛应用,如人工神经网络、模糊逻辑、遗传算法等。这些诊断技术在机械故障的诊断中发挥了巨大的作用。但是单一诊断技术的诊断能力较弱、准确性较差。随着机械故障的复杂程度不断变大,故障信号互相重叠,多种故障同时出现,故障的不确定性等给故障诊断带来了非常大的困难。针对这些问题,本论文提出了一种新的解决思路,即将人工免疫系统(Artificial Immune System,AIS)和隐马尔可夫模型(Hidden Markov Models,HMM)进行混合,并应用到机械故障诊断系统中。在该混合模型中,充分利用了AIS和HMM的互补性。对于运行比较平稳的机械系统,其积累信息非常有限、故障的样本不多,通过AIS来进行在线监测,能够有效的识别机械设备的工作状态,提高诊断方法的在线性能。对于非平稳的机械系统,根据HMM强大的模式分类能力,在对故障进行识别和训练的时候,从同类训练样本集中获取HMM的参数,每一种HMM都有一种模式与之对应,在需要学习一种新的模式的时候,简单地修改相应的HMM的类别,不需要更改其它的HMM,可以有效的提高诊断系统的效率。该混合模型通过两者的互补性来提高故障诊断的正确性和对复杂情况的学习适应能力,以便更加及时的发现故障。本文中建立了双层的混合模式,即HMM层和混合层。HMM层的主要功能是应用了HMM强大的对时间序列进行建模的能力,将故障样本依据HMM的对应算法来训练,然后得到故障状态的似然率。混合层的主要功能是对HMM层得出的结果来进行修改纠正,即首先采用AIS的克隆选择算法来对抗体进行进化,然后通过HMM的Baum-Welch算法对抗体再次进行进化。在该混合模型中把HMM作为识别的主体,在模型的亲和力里面使用识别率,为HMM的样本训练起到了导向的作用,将随机搜寻和迭代加速收敛进行了融合,对抗体抗原的结构和亲和力进行了扩充。