人工神经网络（ANN）在诊断中的应用

ANN具有联想、容错、记忆、自适应、自学习和处理复杂多模式故障等特点。这种方法将被诊断的系统的症状作为网络的输入，将按一定数学模型所求得的故障原因作为网络的输出，并且神经网络将经过学习所得到的知识以分布的方式隐存在网络上，每个输出神经元对应着一个故障原因。

人工神经网络（ANN）是一门活跃的边缘性交叉学科，涉及生物、电子、计算机、数学和物理等多学科。它是根据生物神经系统的作用原理发展起来的，由多个人工神经元互联组成的大规模分布式并行信息处理系统，模拟人类神经系统的信息处理机制，有效地解决复杂问题。

人工神经网络的特性包括：并行结构与并行处理、知识信息的分布式存储、容错性、自组织自学习及推理能力、非线性等。所有这些特性使其在各领域得到了广泛的应用。

人工神经网络的输入/输出具有非线性映射特性，具有很强的学习能力，所以可由人工神经网络来学习及存储数控系统电路的故障信息和故障类型之间的映射关系，并将其用于在线诊断，从而实现数控系统在线自动故障诊断。根据对数控系统电路的分析，可以对数控系统故障的分类进行编码。(www.xing528.com)

例如：某人工神经网络的具体结构为：由于是将采集的N点数据作为故障特征信息输入人工神经网络，因此输入层节点数为N。而输出层节点数应为故障编码位数。在输入层与输出层的节点数已确定时，隐层节点数多，则该网络可存储的信息量大，其学习能力强，但故障诊断所需时间长。因此需通过调整人工神经网络的隐层节点数及学习参数，进行学习与仿真检验，选取满足要求的隐层节点数少的人工神经网络用于故障诊断。

近年来，人工神经网络以其强有力的学习和并行处理能力为故障诊断提供了全新的理论方法和实现手段。人工神经网络通过对经验样本的学习，将知识以权值和阈值的形式存储在网络中。网络输入的是被诊断对象的征兆即特征值，输出则表示发生故障的可能性，但他不具备解释功能。专家系统是基于符号的推理系统，存在知识获取困难的缺点，但具备解释功能。因此，把人工神经网络与专家系统结合运用，发挥各自的优点，是进行故障诊断的一种新途径。