سیستم های كنترل مدرن روز به روز به جهت احتیاج به عملكرد بهتر در صنایع مدرن، پیچیده تر می گردند. از طرف دیگر، خرابی اجزاء سازنده مانند خرابی محرك ها، سنسورها و كنترل ها اجتناب ناپذیر می باشد. خطاها می توانند دینامیک را تغییر دهند و باعث كاهش عملكرد سیستم و یا حتی ناپایداری آن گردند. بنابراین شناسایی و آشكار سازی خطا در طراحی سیستم كنترل لازم به نظر می رسد.
در این پژوهش سیستم آشكارسازی و تشخیص خطا بر پایه تكنیک های هوشمند مورد بررسی قرار گرفته است. استفاده از شبكه های عصبی در طی دو دهه اخیر بسیار مورد توجه محققان و صنعت گران قرار گرفته است. علت این امر علاوه بر سادگی كاربرد آنها، بازدهی این روش ها در مدلسازی فرایندهایی است كه رفتاری به شدت غیر خطی دارند. به منظور مدیریت شرایط غیرعادی یک فرایند، لازم است ابتدا عادی یا غیرعادی بودن وضعیت فرایند آشكار و عیوب ایجاد كننده وضعیت غیرعادی شناسائی شوند. امروزه واحدهای فرایند بسیار پیچیده بوده و شامل اندازه گیری های زیادی از متغیر های فرایند می باشند كه جهت كنترل و مونیترینگ فرایند به كار می روند. با توجه به این نكته یک كاربر جهت مونیترینگ فرایند، اغلب با حجم وسیعی از داده ها مواجه است كه این خود می تواند موجب سردرگمی وی و همچنین افزایش حجم محاسباتی گردد. از این رو مساله طراحی یک سیستم هوشمند شناسائی و تشخیص عیوب (PFDD) كه قادر باشد به صورت بهنگام عمل كند و از لحاظ ایمنی و اقتصادی مقرون به صرفه باشد توجه تعداد زیادی از محققان را به خود جلب نموده است. سیستم آشكار سازی و تشخیص خطا بر پایه تركیب روش های آماری مانند PCA و ICA جهت كاهش ابعاد داده و شبكه نرو-فازی به منظور تركیب داده ها و آشكار سازی و تشخیص و طبقه بندی خطاها، می باشد. اطلاعات خطا توسط ماژول آشكارسازی و تشخیص خطا بدست می آید و سپس به منظور اخذ تصمیمات كنترلی به سیستم ناظر فرستاده می شود.