人工智能所涉及的领域非常广泛，用人工智能的方法进行液压挖掘机的故障诊断的研究也进行的非常之多，下面介绍几种常见的方法。
１．基于人工神经元网络的方法
人工神经元网络作为人工智能目前最为热门的分支之一，应用领域非常广泛。神经网络以其独特的容错、联想、推测、记忆、自适应、自学习和处理复杂多模式等优点，在各学科中都引起了极大的研究兴趣。同样在故障诊断领域当中，其发展前景也是相当乐观的。
按故障诊断的理论方法，神经网络可分为两大类：一类为模式识别，另一类为知识处理。可用于故障诊断模式识别的神经网络有：感知器、多层感知器和自组织特征映射。前两者需要有教师学习，后者则不需要教师。多层感知器对于复杂多模式的故障诊断具有很大的优点。而自组织特征映射则适合于无法进行监督学习的庞大机器或工程系统的故障诊断。适合知识处理的神经网络有Ａｎｄｅｒｓｏｎ提出的知识处理网络，Ｋｏｓｋｏ提出的模糊认知映射系统及ＣａｒｐｅｎｔｅｒＧｒｏｓｓｂｅｒｇ的自适应共振网络。知识处理网络，模糊认知映射系统及自适应共振网络分别与传统人工智能中的确定性理论，Ｂａｙｅｓ方法及逻辑推理运算相类似。
对神经网络在液压系统故障诊断领域的研究基本上集中于对液压元件的诊断研究，还没有看到关于单独利用神经网络对挖掘机这样大型机电液系统作故障诊断研究的文章。主要原因在于大型的机电液系统需要太多的神经元，并且确定作为神经网络输入的检测信号也相当困难，这需要对系统有透彻的了解。
神经网络的方法可以用于液压挖掘机部件或子系统故障特征的提取，液压挖掘机的一些重要的子系统，例如各种工作油泵和液压马达，都可以应用神经网络有效地进行监控，提取故障特征。
２．基于模糊数学的方法
许多被诊断的故障状态是模糊的，诊断这类故障的一个有效的方法是采用模糊聚类分析，将各状态的数据标准化和标定为模糊等价矩阵或模糊相识矩阵，然后根据所得的各个λ－截矩阵，判断故障最可能属于的子集。
模糊数学的故障诊断方法很适合于在液压系统中的应用，因为液压系统本身就具有模糊性。模糊就是指自然界，人类社会及一切工程技术中普遍存在的一切不确定性，其主要的表现为亦此亦彼，模棱两可。对于液压设备的故障而言，有不确定性的故障随处可见，如压力波动严重、系统油温过高、容积效率太低、液压泵温升过高、液压缸爬行、液压马达转速太慢等都是模糊的。从故障的原因角度来看，液压元件的质量差，液压系统的设计不合理，油液不干净，元件使用时间长等也是模糊的。液压系统的故障是渐变的，其边界也是不清晰的。
模糊数学也为人工智能提供了很好的工具。将模糊理论引入到液压系统的故障诊断领域中有利于更加深刻和细致地刻划故障特征，克服非此即彼的绝对性，使推理更加符合客观实际。
模糊数学的方法不仅可以单独在故障诊断领域中应用，也可与专家系统和神经网络等方法综合运用，充分发挥其在刻划事物的模糊性的独特作用。在设计液压挖掘机故障诊断专家系统时，可以用模糊数学的方法把采样信号模糊化，这样更能反映液压系统的本质特征。另外，模糊化以后，可以充分利用专家系统的字符处理能力，从而避开了专家系统数值处理能力不足的弱点。
根据资料表明，液压系统的故障有７０％是由于液压油方面的原因引起的，例如利用模糊数学的方法评价液压油的品质，可以有效提取液压油的品质特征。用这种方法，能对液压挖掘机中的液压油品质进行监测，有效地指导液压挖掘机的故障诊断过程。
目前的研究热点是把模糊数学方法融合到其他的故障诊断方法中进行故障诊断研究。
３．基于故障树的方法
故障树分析是一种图形演绎法，它可以围绕一个或一些特定的故障模式，进行层层追踪，从而在清晰的故障树下表达系统故障事件的内在联系，指出系统故障与单元故障之间的逻辑关系，有利于找出系统的薄弱环节和故障谱。
对于小系统一般采用人工建树方法，即采用演绎法由上至下，循序渐进地进行。这时，通常把系统的故障状态作为顶事件，然后找出系统故障与导致系统故障诸因素的逻辑关系，并将这些关系用特定的逻辑符号表示出来，由上而下逐渐分解，直到不能分解为止。这样就建成一棵倒置的故障树。故障树的常用符号及意义如下图所示。
根据故障树可以找出故障中所有导致顶事件发生的最小割集，也就是系统全部可能的失效状态，而全部最小割集的集合又称为系统的故障谱。以故障树为手段，通过对故障谱的分析，了解系统发生故障的各种途径及原因，找出系统的薄弱环节，从而可为提高系统的可靠性提出有效措施。
故障树适合系统构成层次分明、子系统间关系明确简单的系统，对于具有这些特点的系统，可以考虑运用该方法诊断。值得指出的是，故障树方法也适合较大系统的故障诊断任务，构造挖掘机故障诊断系统可以考虑采用故障树的方法。
４．基于遗传算法的方法
遗传算法是借鉴达尔文的物竞天择、优胜劣汰、适者生存的自然选择和遗传机理而形成的一种求解问题的高效并行全局搜索方法，它能在搜索过程中自动获取和积累有关搜索空间的知识，并自适应地控制搜索过程以求得最优解。遗传算法（ＧｅｎｅｔｉｃＡｌｇｏｒｉｔｈｍ，ＧＡ）的概念最初是由Ｈｏ１ｌａｎｄ提出的，随后ＤｅＪｏｎｇ将其扩展到了最优化的应用中。ＧＡ依照达尔文关于自然界中物竞天择，适者生存的选择与进化观点形成其最优化的搜索策略。
在基于知识的智能化故障诊断中，基于浅层知识的推理诊断在目前应用较为成功。基于知识的诊断推理实际上就是这样的一个问题，即给定一个已知的征兆集合，要求对这组征兆产生的原因作出解释，也就是找出所发生的故障集合。对于这类问题的求解，一般要用到两类知识，一类是表达故障与征兆间联系的因果性知识，另一类是表达故障与征兆间因果关系成立程度，信任度或可能度（概率）等的数值性知识。Ｒｅｇｇｉａ提出的节约覆盖集理论是基于第一类知识的一种较为著名的诊断模型，它把诊断假设的产生和更新过程作为集合覆盖问题的求解，即根据给定的征兆集合，找出一个故障集合，若这个故障集合可能引起的征兆集合包含给定的征兆集合，则称这个故障集合是给定征兆集合的一个解释，所有解释则构成问题的解，其中具有最少量的故障数的解释称为诊断问题的节约覆盖解。此后，Ｐｅｎｇ在Ｒｅｇｇｉａ的节约覆盖集的理论基础上提出了概率理论而形成了基于节约覆盖集理论的概率因果诊断模型。在这一模型中，两类知识被结合在一起使用，它对诊断问题的求解是通过后验概率的计算而实现，其中具有最大后验概率的故障集合就是诊断问题的最优解。当由于征兆数目较大时，故障集合数将更为巨大，从而使计算各故障的后验概率的工作变得无比巨大且不现实。诊断问题其实可以看成一个非线性组合优化问题，即已知所有故障的先验概率和所有因果事件的条件因果概率，以及已知征兆集，求在可能的故障集合中具有最大的后验概率的故障集合。在求解这一故障集合当中，运用遗传算法来得到概率因果模型的非线性组合的解。利用遗传算法的强鲁棒性，自动寻优和并行性可以求得全局最优解。
５．液压挖掘机ＣＢＲ故障诊断专家系统
在大型机械设备故障诊断领域中，目前应用比较成功的就是采用专家系统基于知识的故障诊断方法。基于这样的认识，拟采用专家系统来解决液压挖掘机的故障诊断问题。
专家系统作为人工智能领域的一个分支，它继承和运用了ＡＩ各领域研究的许多基本思想和基本技术，如启发式方法，符号推理，知识表示技术等。不过，专家系统自六十年代中期产生以来，从范例，工具到系统开发策略都形成了一套与ＡＩ其他分支（如自然语言理解，机器人，机器视觉等）所不同的体系。关于专家系统并没有一个明确的定义。不过专家系统之父Ｆｅｉｇｅｎｂａｕｍ定义为：一个使用知识和推理过程来解决那些需要杰出的专业人员才能解决的智能程序。在这一层次上解决问题所必须的知识，加上推理进程，可以认为是对从事该领域专家水平的模拟。
构造一个完整的专家系统，首先必须分析该领域的特性，并在此基础上进行形式化。形式化过程是一个对领域知识的获取与表达，对求解过程的刻划和精化的过程。建立专家系统的过程可分为如下步骤：
专家系统的建造工具和方法有很多，但总的来说可以分为以下三类：
Ａ、利用现有的专家系统构造工具实现
专家系统的构造工具从本质上而言，就是提供了构造特定领域专家系统的通用工具，让不具备专家系统专门知识的领域专家也可能建造相应的专家系统。
Ｂ、用人工智能语言构造专家系统
人工智能编程的语言有很多，有早期的表处理语言ＩＰＬ，目前应用最为广泛的逻辑型语言ＬＩＳＰ，还有ＰＲＯＬＯＧ，ＫＰＬ，ＰＬＡＮＮＥＲ以及ＳＡＩＬ等语言。应用人工智能语言可以用来编制解决人工智能问题的程序，当然也包括构造专家系统。
Ｃ、高级语言构造专家系统。
用特定高级语言建立有效的面向具体领域的专家系统，就要求系统的构造者必须深入理解专家系统原理与技术，特定高级语言程序的设计等方面的基础知识。而且，专家系统的构造者最好还要具有特定领域专家的知识，以便能选择适合于该领域的知识表达形式和比较符合具体领域的推理机制。