神经网络是模拟人脑结构而开发的一种并行运算的数学算法。它一般由输入层，输出层和隐层组成，可以用来建立输入输出之间复杂的映射关系。由于它具有良好的记忆联想功能，用于模式识别，更适合于故障诊断。
然而，神经网络用于多故障、多症状系统的故障诊断，其结构变得庞大，导致网络学习困难，诊断精确度下降。因此，寻求适合于复杂诊断系统的网络结构和学习算法意义很大。
1神经网络系统的结构选择
如果y表示系统的一种故障，向量表示其症状，则它们之间关系可如下表示：y = f （ x 1， x 2 x n）即故障y是其症状的函数，此映射关系f可由神经网络通过学习得到症状向量的若干值形成了网络学习的样本集。由于故障原因的复杂性，症状向量的维数n往往难以确定，要学习到一种故障模式，其学习样本理论上应无穷多。为了用同一网络识别多个故障，实际操作时，维数n固定，即输入单元数固定，训练样本应尽量大。
要从众多的样本中快速识别出故障模式，就要有适当的网络结构。神经网络的隐层在模式识别中起重要作用。它在实现输入到输出的数学映射过程中，可以提取信号特征，使输入的信息重新分配。网络的输入层单元数由症状向量维数而定，故障的种类则确定了输出单元数，唯有隐层单元数的确定缺乏依据。该数目至关重要，它的冗余将使网络庞大，训练困难，它的不足又使网络学习不到样本中包含的故障模式。
以前它的选择依靠经验，现可以考虑自动实现。具体想法是，先构造一个能学会全部样本的原始网络，再修改学习算法，使网络影响*小的隐层神经元的连接权值趋于零，然后去掉该神经元，从而获得既能学会全部样本，又有较小规模的网。
2神经网络的随机学习算法
目前，比较流行和实用的神经网络是BP网络，其原理在许多文献中均有详述。按照调整误差，BP算法可分为三种：平均值法、累加法和随机法。
平均值法以每次学习循环中各样本均方误差的平均值来调整权值；累加法则以每次循环中各样本之和来调整权值；随机法则是每学习一个样本，用该样本的误差调整一次权值。
从故障诊断角度看，随机法更为适合。前两种方法都着重考虑训练样本的总体误差效应，而忽视了个体误差效应，容易导致学习过度。且误差调整量容易相互抵消，出现学习过程中的原地踏步，收敛不到全局*优点。作为故障诊断，网络的输出并不要求特别高的精度，其目标是鉴别出相应的个体模式。随机法则是根据单个样本的误差限逐个进行调整，网络的权值结构相对稳定，不仅避免了原地踏步，而且可通过任意精度达到全局*优解，可以认为，随机法*适合于故障诊断。
3压缩机驱动透平故障诊断
某压缩机系进口设备，投入运行以来状态一直很好，某段时间其透平前后轴承振值出现周期性波动，振值高时超过报警值；降荷运行后振值有所下降，但下降不大，过一段时间，振值又升高，*高达到了跳车值，被迫停机，严重影响了生产。另外，振值升高时，压缩机机壳和地基均感觉到有明显振动。
为检测透平故障，在压缩机振值大时对其进行了振动测试，测得其振动时间波形和频谱图。
时间波形近似为正弦波，但其上有锯齿，根据经验，怀疑是径向碰磨和不平衡造成。从谱图上看，谱峰比较丰富，高频处存在峰值，这是碰磨较明显的表现。下面用BP网络进行诊断。
采用BP随机算法，对透平转子不平衡、不对中、基础松动共10种故障，用10类标准样本进行训练，经自动选取隐层节点数，得到一个8 ！ 8 ！ 10的网络结构所示。
用于故障诊断的BP神经网络示意图对频谱进行加权量化处理，得到待诊断的故障模式。用训练好的网络对向量进行诊断。
结果向量得知。第1个节点对应的值*大，其对应不平衡故障，第7节点对应值也较大，其对应不对中故障，由此可以得出结论，透平振动由不平衡和不对中所致。经停机检查发现一级盘片上有断齿，这是引起不平衡的关键因素。诊断出故障以后，就可以有针对性地进行维修。首先在一级盘片断齿的反方向去掉一个叶片，然后进行现场动平衡并重新找正后开机，振动明显降低，且在允许值之内。
4结论
本文用神经网络诊断方法对压缩机驱动透平的振动故障进行了诊断，指出在用于故障诊断的神经网络训练过程中，随机法优于其它方法。诊断发现不平衡和不对中是引起压缩机驱动透平剧烈振动的原因。实际表明，诊断结果准确无误，有力证明了神经网络用于压缩机驱动透平诊断的可行性。
