神經(jīng)網(wǎng)絡(luò)的故障診斷方法研究＊

耿朝陽，薛倩倩

（西安工業(yè)大學(xué) 計(jì)算機(jī)科學(xué)與工程學(xué)院，西安710021）

隨著現(xiàn)代化的發(fā)展，設(shè)備的規(guī)模和復(fù)雜度越來越高，對設(shè)備運(yùn)行效率的要求越來越高，因此對設(shè)備在線故障檢測和故障診斷方法有了更高的要求，故障診斷方法的研究越來越受到關(guān)注．由于設(shè)備故障信息的不確定性，以及故障現(xiàn)象與故障原因之間的復(fù)雜的非線性關(guān)系，故障診斷的難度越來越高，故障診斷的效率和準(zhǔn)確度不高，很需要探索一種新的更方便、更快捷、更可靠的診斷方法，以提高故障診斷的效率和準(zhǔn)確度［1］．

人工神經(jīng)網(wǎng)絡(luò)具有并行處理、非線性映射、學(xué)習(xí)和自適應(yīng)性等固有屬性，使得人工神經(jīng)網(wǎng)絡(luò)可以應(yīng)用于在線故障診斷領(lǐng)域，解決非線性模式識別問題，適合用于故障現(xiàn)象和故障原因非線性映射關(guān)系的復(fù)雜故障診斷問題［2-4］．

BP神經(jīng)網(wǎng)絡(luò)模型是眾多神經(jīng)網(wǎng)絡(luò)模型中使用最為廣泛的一種，其優(yōu)勢是具有較強(qiáng)的非線性映射能力，但是BP神經(jīng)網(wǎng)絡(luò)是前向型網(wǎng)絡(luò)，不是反饋神經(jīng)網(wǎng)絡(luò)，因此具有學(xué)習(xí)收斂速度慢、可能會(huì)收斂到局部極小點(diǎn)、學(xué)習(xí)和記憶穩(wěn)定性較差等劣勢［5-7］，另外本質(zhì)上BP神經(jīng)網(wǎng)絡(luò)是靜態(tài)網(wǎng)絡(luò)，處理時(shí)變環(huán)境問題的能力較弱．Elman神經(jīng)網(wǎng)絡(luò)是典型的反饋型網(wǎng)絡(luò)，可以通過增加結(jié)構(gòu)單元對各個(gè)樣本的相互聯(lián)系進(jìn)行學(xué)習(xí)和記憶，實(shí)現(xiàn)動(dòng)態(tài)建模，因此Elman神經(jīng)網(wǎng)絡(luò)模型更適合用于在線故障診斷系統(tǒng)［8-9］，另外Elman神經(jīng)網(wǎng)絡(luò)還具有收斂速度快、精確度高、學(xué)習(xí)和記憶穩(wěn)定性較好等優(yōu)點(diǎn)［9-10］，在文獻(xiàn)［5］中就體現(xiàn)了其精度高的優(yōu)點(diǎn)．文中通過Matlab建模仿真提出一種基于Elman神經(jīng)網(wǎng)絡(luò)模型的故障診斷方法，并與基于BP神經(jīng)網(wǎng)絡(luò)的故障診斷方法進(jìn)行比較，通過診斷結(jié)果比較得出Elman神經(jīng)網(wǎng)絡(luò)在收斂速度和精確度方面的優(yōu)勢．

1 故障診斷系統(tǒng)描述

為了實(shí)現(xiàn)對設(shè)備工作狀態(tài)的實(shí)時(shí)檢測，便于在故障發(fā)生時(shí)進(jìn)行故障診斷，將故障診斷Agent嵌入到診斷設(shè)備，實(shí)現(xiàn)實(shí)時(shí)檢測診斷設(shè)備工作狀態(tài)中各元件工作電壓［11］，同時(shí)從設(shè)備研制單位得到設(shè)備正常工作時(shí)這些工作點(diǎn)的電壓范圍，通過對設(shè)備工作狀態(tài)中各元件電壓值與設(shè)備正常工作時(shí)電壓值的比較，判斷設(shè)備工作狀態(tài)．

1．1 電壓采集點(diǎn)設(shè)置

設(shè)備內(nèi)部電壓采集點(diǎn)設(shè)置如圖1所示，采集設(shè)備內(nèi)部各元件連接處的電壓值V1～V6［12］．

圖1 設(shè)備內(nèi)部工作電壓采集點(diǎn)Fig．1 Voltage acquisition points inside the equipment

1．2 設(shè)備故障征兆表示

將電壓采集點(diǎn)得到的電壓值與設(shè)備正常工作時(shí)這些工作點(diǎn)的電壓范圍進(jìn)行比較，如果在正常范圍內(nèi)，用“1”表示，不在正常范圍內(nèi)，用“0”表示，“＊”表示任意值．如：電源輸出電壓V1如果不在正常范圍內(nèi)，則電源故障，V1如果在正常范圍內(nèi)則電源正常；電源正常的情況下，如果電源電纜的輸出端電壓V2不正常，則電源電纜故障，如果V2正常，則電源電纜正常，等等，由此得到表1所示設(shè)備故障征兆列表，對應(yīng)電壓值V1～V6的正常與否，可快速確定設(shè)備內(nèi)部某個(gè)元件是否發(fā)生故障．

1．3 設(shè)備故障征兆編碼

根據(jù)表1設(shè)備故障征兆列表可知，設(shè)備故障診斷輸出共有7中狀態(tài)，其中包含正常狀態(tài)和6中故障狀態(tài)，因此可以使用3位2進(jìn)制表示，比如000表示設(shè)備工作正常，001表示設(shè)備電源故障等，設(shè)備故障征兆編碼見表2．

1．4 設(shè)備故障樣本

故障樣本來自設(shè)備工作過程中的故障信息，針對圖1所示電路中的6個(gè)采集點(diǎn)采集其工作電壓，因?yàn)楦鞑杉c(diǎn)采集到的電壓值都會(huì)存在一定的誤差，所以設(shè)定容差為10%．然后對各節(jié)點(diǎn)處的工作電壓進(jìn)行歸一化處理后得到各種典型故障特征值V1～V6表示6個(gè)采集點(diǎn)，采集到的故障特征值，作為神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本．部分故障特征值樣本見表3．

表1 設(shè)備故障征兆列表Tab．1 Equipment fault symptoms list

表2 設(shè)備故障源編碼Tab．2 Equipment fault source codes

表3 部分故障特征值樣本Tab．3 Samples of part of fault characteristic value

2 神經(jīng)網(wǎng)絡(luò)模型和故障診斷方法

2．1 BP神經(jīng)網(wǎng)絡(luò)和基于BP神經(jīng)網(wǎng)絡(luò)的故障診斷方法

BP神經(jīng)網(wǎng)絡(luò)是誤差反向傳播神經(jīng)網(wǎng)絡(luò)，其可以實(shí)現(xiàn)從輸入到輸出的任意復(fù)雜的非線性映射關(guān)系，并且具有良好的泛化能力．BP神經(jīng)網(wǎng)絡(luò)可以實(shí)現(xiàn)復(fù)雜的非線性映射關(guān)系，因此可以很好的解決現(xiàn)代復(fù)雜設(shè)備故障源和故障現(xiàn)象之間的復(fù)雜非線性映射關(guān)系［13-14］．

BP神經(jīng)網(wǎng)絡(luò)有輸入層、隱含層和輸出層3層組成，每一層都有若干個(gè)節(jié)點(diǎn)，也就是若干個(gè)神經(jīng)元，相鄰層之間由權(quán)連接，最常見也是最基本的BP神經(jīng)網(wǎng)絡(luò)是三層結(jié)構(gòu)，如圖2所示．

圖2 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)Fig．2 The structure of BP neural network

故障診斷過程就是將故障特征向量集合映射到故障集合空間，因此故障診斷問題的實(shí)質(zhì)就是尋找一種比較好的故障映射關(guān)系．基于BP神經(jīng)網(wǎng)絡(luò)的故障診斷方法就是用具體的BP神經(jīng)網(wǎng)絡(luò)構(gòu)建故障映射關(guān)系．文中采用3層的BP神經(jīng)網(wǎng)絡(luò)，輸入層接收故障信息，單元個(gè)數(shù)表示故障的特征參數(shù)個(gè)數(shù)，隱含層根據(jù)輸入層提供的故障信息進(jìn)行學(xué)習(xí)，將收斂后各節(jié)點(diǎn)的閾值和網(wǎng)絡(luò)的連接權(quán)值保存下來，輸出層神經(jīng)元個(gè)數(shù)由故障種類數(shù)決定［15］．

利用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行故障診斷，需要確定BP網(wǎng)絡(luò)的結(jié)構(gòu)，因?yàn)橐杉?個(gè)節(jié)點(diǎn)的電壓值，抽取出6個(gè)故障特征參數(shù)，因此網(wǎng)絡(luò)的輸入層神經(jīng)元個(gè)數(shù)為6，輸出層為3個(gè)神經(jīng)元，表征6種故障和正常狀態(tài)共7種輸出狀態(tài)，7種輸出狀態(tài)編碼見表2．

2．2 Elman神經(jīng)網(wǎng)絡(luò)和基于Elman神經(jīng)網(wǎng)絡(luò)的故障診斷方法

Elman網(wǎng)絡(luò)模型與BP網(wǎng)絡(luò)模型不同是一種反饋神經(jīng)網(wǎng)絡(luò)，是一種反饋動(dòng)力學(xué)系統(tǒng)，比前向神經(jīng)網(wǎng)絡(luò)具有更強(qiáng)的計(jì)算能力［16］．Elman網(wǎng)絡(luò)可以看作是一個(gè)具有局部記憶單元和局部反饋連接的前向神經(jīng)網(wǎng)絡(luò)．Elman網(wǎng)絡(luò)反饋體現(xiàn)在其自身結(jié)構(gòu)模型中的承接層，該承接層使得Elman網(wǎng)絡(luò)模型具有了記憶功能，對歷史數(shù)據(jù)具有敏感性，聯(lián)想記憶能力的增強(qiáng)提高了網(wǎng)絡(luò)的穩(wěn)定性和收斂速度，網(wǎng)絡(luò)的穩(wěn)定性提高后在一定的程度上可以使得網(wǎng)絡(luò)的精確度提高，另外聯(lián)想記憶能力也使得模型更能處理動(dòng)態(tài)信息，更適合應(yīng)用于在線故障診斷，更能處理時(shí)變環(huán)境問題［17-18］．

Elman神經(jīng)網(wǎng)絡(luò)一般分為4層：輸入層、隱含層、承接層和輸出層，其輸入層、隱含層和輸出層的功能作用類似于BP神經(jīng)網(wǎng)絡(luò)，輸入層的單元接收外部信號輸入，輸出層單元輸出網(wǎng)絡(luò)結(jié)果，隱含層完成網(wǎng)絡(luò)訓(xùn)練．但不同于BP神經(jīng)網(wǎng)絡(luò)的是在這種網(wǎng)絡(luò)中，除了普通的隱含層外，還有一個(gè)特別的承接層，該層從隱含層接收反饋信號，每一個(gè)隱含層節(jié)點(diǎn)都有一個(gè)與之對應(yīng)的承接層節(jié)點(diǎn)連接．承接層的作用是通過聯(lián)接記憶將上一個(gè)時(shí)刻的隱含層狀態(tài)連同當(dāng)前時(shí)刻的網(wǎng)絡(luò)輸入一起作為隱含層的輸入，相當(dāng)于狀態(tài)反饋．隱含層的傳遞函數(shù)可采用某種線性或者非線性函數(shù)［19-20］．Elman神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)圖如圖3所示．

因?yàn)榛诠收显\斷問題的實(shí)質(zhì)就是尋找一種比較好的故障映射關(guān)系，所以基于Elman神經(jīng)網(wǎng)絡(luò)的故障診斷方法就是用具體的Elman神經(jīng)網(wǎng)絡(luò)構(gòu)建故障映射關(guān)系．

圖3 Elman神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)Fig．3 The structure of Elman neural network

文中采用單隱含層的Elman神經(jīng)網(wǎng)絡(luò)，依據(jù)診斷系統(tǒng)可以得出故障特征參數(shù)是6維的，因此輸入層神經(jīng)元個(gè)數(shù)為6個(gè)，診斷結(jié)果輸出是3維的，因此輸出層神經(jīng)元個(gè)數(shù)為3個(gè)，表征6種故障源和正常狀態(tài)共7種輸出狀態(tài)，輸出狀態(tài)編碼見表2．

3 實(shí)驗(yàn)仿真

在本實(shí)驗(yàn)仿真中設(shè)定誤差目標(biāo)為0．001．用診斷設(shè)備提供的故障樣本作（故障樣本見表3）為神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練樣本，通過Matlab仿真確定BP神經(jīng)網(wǎng)絡(luò)和Elman神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)，最后分析比較基于BP神經(jīng)網(wǎng)絡(luò)診斷方法和基于Elman神經(jīng)網(wǎng)絡(luò)故障診斷方法對待測故障值樣本的診斷輸出．

3．1 BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練

使用表3中的故障特征值樣本對BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，進(jìn)行32次訓(xùn)練后，誤差小于0．001，滿足訓(xùn)練要求．通過訓(xùn)練結(jié)果得知BP網(wǎng)絡(luò)中間層節(jié)點(diǎn)個(gè)數(shù)為17個(gè)．訓(xùn)練效果如圖4所示．

圖4 BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練Fig．4 BP neural network training

3．2 Elman神經(jīng)網(wǎng)絡(luò)訓(xùn)練

同樣地使用表3中的訓(xùn)練樣本對Elman神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，在Matlab仿真過程中，經(jīng)過11次訓(xùn)練，誤差小于0．001，網(wǎng)絡(luò)訓(xùn)練達(dá)到要求，最終確定Elman神經(jīng)網(wǎng)絡(luò)隱含層神經(jīng)元個(gè)數(shù)為11個(gè)，訓(xùn)練結(jié)果如圖5所示．

圖5 Elman神經(jīng)網(wǎng)絡(luò)訓(xùn)練Fig．5 Elman neural network training

根據(jù)圖4和圖5可知，BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練32次后誤差達(dá)到要求，而Elman神經(jīng)網(wǎng)絡(luò)訓(xùn)練11次后誤差達(dá)到要求，Elman神經(jīng)網(wǎng)絡(luò)的收斂速度比BP神經(jīng)網(wǎng)絡(luò)提高了約2倍．

3．3 BP網(wǎng)絡(luò)診斷結(jié)果和Elman網(wǎng)絡(luò)診斷結(jié)果對比

對診斷設(shè)備的6個(gè)采集點(diǎn)采集其工作電壓，歸一化處理后得到典型特征參數(shù)值樣本，抽取7組作為測試樣本，涵蓋6中故障源和正常狀態(tài)共7種工作狀態(tài)，測試樣本與期望輸出見表4．期望輸出法及基于BP神經(jīng)網(wǎng)絡(luò)和Elman神經(jīng)網(wǎng)絡(luò)的兩種故障診斷方法診斷結(jié)果見表5．

根據(jù)表5可知，BP網(wǎng)絡(luò)實(shí)際輸出與期望輸出之間的平均誤差為0．017 0，Elman網(wǎng)絡(luò)的實(shí)際輸出與期望輸出之間的平均誤差為0．007 2，Elman網(wǎng)絡(luò)的輸出誤差明顯小于BP網(wǎng)絡(luò)的輸出誤差．從診斷輸出與期望輸出之間的誤差分析可知，Elman網(wǎng)絡(luò)的精確度比BP網(wǎng)絡(luò)提高了約1．5倍．

表4 測試樣本和期望輸出Tab．4 The test samples and the expected outputs

表5 期望輸出及兩種網(wǎng)絡(luò)實(shí)際輸出Tab．5 The desired output and the actual output of the two network

4 結(jié) 論

通過對故障診斷設(shè)備各采集點(diǎn)的采集數(shù)據(jù)進(jìn)行處理后得到故障樣本，用BP神經(jīng)網(wǎng)絡(luò)和Elman神經(jīng)網(wǎng)絡(luò)兩種不同神經(jīng)網(wǎng)絡(luò)構(gòu)建故障特征與故障之間的映射關(guān)系．然后對兩種網(wǎng)絡(luò)的訓(xùn)練過程和測試結(jié)果進(jìn)行比較，可以得出以下結(jié)論

1）從Matlab仿真效果可以得知，網(wǎng)絡(luò)訓(xùn)練過程中Elman神經(jīng)網(wǎng)絡(luò)比BP神經(jīng)網(wǎng)絡(luò)具有更快的收斂速度，訓(xùn)練次數(shù)減少，BP網(wǎng)絡(luò)的訓(xùn)練次數(shù)是Elman網(wǎng)絡(luò)的訓(xùn)練次數(shù)的3倍，Elman收斂速度比BP網(wǎng)絡(luò)收斂提高了約2倍．

2）網(wǎng)絡(luò)測試結(jié)果分析表明，基于Elman神經(jīng)網(wǎng)絡(luò)的故障診斷方法提高了故障診斷的精確度，降低了診斷誤差，從實(shí)際故障診斷輸出可以看出，基于Elman神經(jīng)網(wǎng)絡(luò)的故障診斷方法輸出結(jié)果平均誤差小于基于BP神經(jīng)網(wǎng)絡(luò)的故障診斷方法輸出結(jié)果的平均誤差．

3）基于Elman神經(jīng)網(wǎng)絡(luò)自身的內(nèi)部回饋網(wǎng)絡(luò)使得該網(wǎng)絡(luò)具有更強(qiáng)的處理動(dòng)態(tài)信息的能力，更適合于在線故障診斷．

［1］ 齊繼陽，竺長安．設(shè)備故障智能診斷方法的研究［J］．儀器儀表學(xué)報(bào)，2006，27（10）：1270．QI Ji-yang，ZHU Chang-an．Research on Intelligent Fault Diagnosis Method of the Equipments［J］．Chinese Journal of Scientific Instrument，2006，27（10）：1270．（in Chinese）

［2］ 韓力群．人工神經(jīng)網(wǎng)絡(luò)理論、設(shè)計(jì)及應(yīng)用［M］．北京：化學(xué)工業(yè)出版社，2007．HAN Li-qun．Artificial Neural Network Theory，Design and Application［M］．Beijing：Chemical Industry Press，2007．（in Chinese）

［3］ 聞新，周露．神經(jīng)網(wǎng)絡(luò)故障診斷技術(shù)的可實(shí)現(xiàn)性［J］．導(dǎo)彈與航天運(yùn)載技術(shù)，2000，（2）：17．WEN Xin，ZHOU Lou．Reality for NN Fault Diagnosis Technology［J］．Missilfs and Space Vehicles，2000，（2）：17．（in Chinese）

［4］ 陳如清．兩種基于神經(jīng)網(wǎng)絡(luò)的故障診斷方法［J］．中國電機(jī)工程學(xué)報(bào)，2005，25（16）：112．CHEN Ru-qing．Ccomparison Between Two Fault Diagnosis Methods Based on Network［J］．Proceedings of the CSEE，2005，25（16）：112．（in Chinese）

［5］ 陳小明，洪軍，閻海梅，等．基于Elman神經(jīng)網(wǎng)絡(luò)的振鏡掃描系統(tǒng)誤差校正技術(shù)研究［J］．西安交通大學(xué)學(xué)報(bào)，2006，40（5）：587．CHEN Xiao-ming，HONG Jun，YAN Hai-mei，et al．Study of Error Correction in Dual Galvanometer Scanning System Based on Elman Recurrent Neural Network［J］．Journal of Xi’an Jiaotong University，2006，40（5）：587．（in Chinese）

［6］ 賈文銅，周瑞祥，張忠，等．基于Elman神經(jīng)網(wǎng)絡(luò)的齒輪故障診斷研究［J］．計(jì)算機(jī)測量與控制，2012，20（5）：1173．JIA Wen-tong，ZHOU Rui-xiang，ZHANG Zhong，et al．Research on Gear Fault Diagnosis Based on Elman Neural Netaork［J］．Computer Measurement ＆ Control，2012，20（5）：1173．（in Chinese）

［7］ 謝香峰，雷電，孫承波．基于BP網(wǎng)絡(luò)的開關(guān)電源故障診斷方法研究［J］．電子測量技術(shù)，2012，35（8）：11．XIE Xiang-feng，LEI Dian，SUN Cheng-bo．Research of Fault Diagnosis Method of Switch Power Supply Based on BP Neural［J］．Electronic Measurement Technology，2012，35（8）：11．（in Chinese）

［8］ EKICI S，YILDIRIM S，POYRZA M．A Transmission Line Fault Locator Based on Elman Recurrent Networks［J］．Applied Soft Computing，2009，9（1）：341．

［9］ PHAM D T，LIU X．Training of Elman Networks and Dynamic System Modeling International［J］．Journal of Systems Science，1996，27（2）：221．

［10］ 湯寶平，習(xí)建民，李峰．基于Elman神經(jīng)網(wǎng)絡(luò)的旋轉(zhuǎn)機(jī)械故障診斷［J］．計(jì)算機(jī)集成制造系統(tǒng)，2006，16（10）：2148．TANG Bao-ping，XI Jian-min ，LI Feng．Fault Diagnosis for Rotating Machinery Based on Elman Neural Network［J］．Computer Integrated Manufacturing Systems，2006，16（10）：2148．（in Chinese）

［11］ 盛兆順，尹琦嶺．設(shè)備狀態(tài)檢測與故障診斷技術(shù)及應(yīng)用［M］．北京：清華大學(xué)出版社，2005．SHENG Zhao-shun，YIN Qi-ling．Equipment Status Inspection and Fault Diagnosis Technology and Its Application ［M］．Beijing：Tsinghua University Press，2005．（in Chinese）

［12］ 耿朝陽，劉德明．嵌入式裝備故障診斷專家系統(tǒng)［J］．西安工業(yè)大學(xué)學(xué)報(bào)，2013，33（11）：889．GENG Chao-yang，LIU De-ming．Embedded Fault Diagnosis Expert System in Equipment［J］．Journal of Xi’an Technological University，2013，33（11）：889．（in Chinese）

［13］ 黃文生，李東俠，陸衛(wèi)忠．基于BP神經(jīng)網(wǎng)絡(luò)的故障診斷仿真研究［J］．電子工程師，2006，32（06）：51．HUANG Wen-sheng，LI Dong-xia，LU Wei-zhong．Emulation Study of Fault Diagnosis Based on BP Neural Network［J］．Electronic Engineer，2006，32（6）：51．（in Chinese）

［14］ 何爾利，翟正軍．基于退火B(yǎng)P神經(jīng)網(wǎng)絡(luò)的模擬電路故障診斷方法［J］．計(jì)算機(jī)測量與控制，2010，18（1）：67．HE Er-li，ZHAI Zheng-jun．Fault Diagnosis of Analog Cricuit Based on Simulated Annealing BP Neural Network［J］．Computer Measurement ＆ Control，2010，18（1）：67．（in Chinese）

［15］ 飛思科技產(chǎn)品研發(fā)中心．神經(jīng)網(wǎng)絡(luò)理論與 Matlab7實(shí)現(xiàn)［M］．北京：電子工業(yè)出版社，2005．Fei-Si Technology Product Research and Development Center．The Neural Network Theory and Matlab 7Realize［M］．Beijing：Publishing House of Electronic Industry，2005．（in Chinese）

［16］ 韓旭明．Elman神經(jīng)網(wǎng)絡(luò)的應(yīng)用研究［D］．天津：天津大學(xué)，2006．HAN Xu-ming．A Study on Application of Elman Neural Network［D］．Tianjin：Tianjin University，2006．（in Chinese）

［17］ 趙琦，劉開第，龐彥軍．Elman神經(jīng)網(wǎng)絡(luò)訓(xùn)練方法及其在非線性系統(tǒng)辨識中的應(yīng)用［J］．煤礦機(jī)械，2005（5）：73．ZHAO Qi，LIU Kai-di，PANG Yan-jun．A New Training Method of Elman and It’s Application Investigation in System Identification［J］．Coal Mine Machiner，2005（5）：73．（in Chinese）

［18］ ELMAN J L．Finding Structure in Time［J］．Cognitive Science，1990，14（2）：179．

［19］ 張德豐．Matlab神經(jīng)網(wǎng)絡(luò)應(yīng)用設(shè)計(jì)［M］．北京：機(jī)械工業(yè)出版社，2009．ZHANG De-feng．Matlab Neural Network Application Design［M］．Beijing：China Machine Press，2009．（in Chinese）

［20］ 丁碩，常曉恒，巫慶輝，等．基于Elman神經(jīng)網(wǎng)絡(luò)的傳感器故障診斷研究［J］．國外電子測量技術(shù)，2014，33（4）：72．DING Shuo，CHANG Xiao-heng，WU Qing-hui，et al．Study of Sensor Fault Diagnosis Method Based on Elman Neural Network［J］．Foreign Electronic Measurement Technology，2014，33（4）：72．（in Chinese）

【相關(guān)參考文獻(xiàn)鏈接】

王林艷，李蔚，王黨利，等．非線性機(jī)械故障診斷的核分布粒子濾波方法［J］．2010，30（5）：433．

王志，吳紅芳．基于非線性自適應(yīng)觀測器的飛機(jī)操縱面故障診斷［J］．2011，31（3）：267．

劉仲宇，田素林，李明．吊艙環(huán)控系統(tǒng)的多級流模型故障診斷技術(shù)研究［J］．2011，31（4）：382．

楊盛泉，鞏萬福，孟棟軒，等．石油輸油泵撬裝置故障診斷專家系統(tǒng)的研究 ［J］．2013，33（3）：187．

耿朝陽，劉德明．嵌入式裝備故障診斷專家系統(tǒng) ［J］．2013，33（11）：889．

劉白林，陳國一，鄒會(huì)云．類間距節(jié)點(diǎn)優(yōu)化DDAGSVM 算法在多故障診斷中的應(yīng)用［J］．2014，34（5）：369．

楊正強(qiáng)，杜隨更，權(quán)冬，等．C800型摩擦焊機(jī)潤滑系統(tǒng)的檢測狀態(tài)主導(dǎo)故障診斷方 ［J］．2014，34（12）：986．耿朝陽，王宏見，謝安明．嵌入式故障診斷專家系統(tǒng)的M／Qt轉(zhuǎn)換及實(shí)現(xiàn)［J］．2014，34（5）：373．

王志，吳紅芳．基于小波神經(jīng)網(wǎng)絡(luò)補(bǔ)償?shù)娘w艇滑?？刂疲跩］．2011，31（5）：465．

劉彩紅．BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法的研究［J］．2012，32（9）：723．

應(yīng)曉峰，陳樺．基于耦合人工神經(jīng)網(wǎng)絡(luò)的工業(yè)材料選擇與決策方法研究［J］．2012，32（11）：913．

國蓉，吳君．模糊小波神經(jīng)網(wǎng)絡(luò)在現(xiàn)役油田玻璃鋼管的運(yùn)行風(fēng)險(xiǎn)評價(jià)［J］．2012，32（12）：980．

張荷芳，薛靜云．壓力傳感器溫度補(bǔ)償?shù)腂P神經(jīng)網(wǎng)絡(luò)算法 ［J］．2013，33（2）：163．

譚寶成，馬天力．無人車運(yùn)動(dòng)穩(wěn)定性的模糊神經(jīng)網(wǎng)絡(luò)PID控制 ［J］．2013，33（4）：334．

黨江艷，黃越．BP神經(jīng)網(wǎng)絡(luò)在企業(yè)作業(yè)鏈優(yōu)化中的應(yīng)用［J］．2014，34（7）：575．

劉萍萍，馬昱陽．小波神經(jīng)網(wǎng)絡(luò)的大壩變形預(yù)測研究［J］．2014，34（11）：886．