荡旋转失速喘振轴向碰摩相位特征轴心轨迹振动方向进动方向归一化处理NN3。。
图2故障诊断系统网络结构图24网络模型的训练网络NN1结构为9196，NN2结构为5116，NN3结构为496，规定系统误差为00001。网络学习的速率和冲量系数设置为自适应改变，使用函数trai
bpx进行快速训练。3个网络训练结果见图3。
（a）子网NN1训练结果25诊断模型的验证
4
（b）子网NN2训练结果
图33个网络训练结果
（c）子网NN3训练结果
f某厂风机运行一段时间后发生了旋转失速故障，对风机各特征参数进行采样，其3个特征体各自采样值（已归一化）见表2～表4。
表2001039010表39种频率结构
f0
040490106种敏感参数
f0
05
f0
051099025
f0
f0
028
2
f0
35
f0
奇数倍
f0
5
f0
000
018表4
0054种振动特征
002
000
转速负荷温度流量压力035028005030002
相位特征轴心轨迹振动方向进动方向033027015025
将上述3组采集到的特征值分别作为3个子神经网络的输入进行诊断，各子神经网络输出为
0000300054P00041099140000300007
000050000000100097610000200239
000000000500006099500004600002
融合决策网络对这3个子网络诊断结果进行数据融合所得出的结果为P＝000011000059000575099023000148001220可以确定风机发生的故障类型为旋转失速，置信度为099023，这和实际相吻合。
3
系统运行和诊断实例
采集的风机信号数据经过系列变换，即振动信号经过付氏变换或小波变换，提取特征向量，进行归一化处理后形成待诊断向量存入特征征兆库。开始诊断时，从特征征兆库取出数据作为神经网络的输入，利用学习系统得来的权重矩阵（故障知识），网络经过诊断运行即可得到诊断的结果。依据网络的多结点输出，诊断结论不仅提供了主要故障，而且会指出潜在的隐含故障。试验系统运行结果见图4。
图4
系统诊断实例
5
f4
结论
风机的各种监测参数，均有一定的工作限值。例如，某风机振动限值为11mms。高于这些限值表明系统出现了异常。以这些限值作为诊断系统开启的门槛值。一旦监测参数超过工作限值，系统将给出报警，开启诊断系统。由于诊断系统由神经网络组成，因此，采集到的信号经处理后形成待诊断向量，只用进行简单的匹配计算，即可得出最终诊断结论，并能给出相应的维护意见，整个过程可以瞬时完成，体现了高度的智能化。参考文献1关惠玲，韩捷设备故障诊断专家系统原理及实践M机械工业出版社，2000112虞和济，韩庆大，李沈设备故障诊断工程M冶金工业r