神经网络应用于障诊断系统的设计中，将是大规模神经网络的组织和学习问题。为了减少工
作的复杂性，减少网络的学习时间，本文将故障诊断知识集合分解为几个逻辑上独立的子
集合，每个子集合再分解为若干规则子集，然后根据规则子集来组织网络。每个规则子集是
一个逻辑上独立的子网络的映射，规则子集间的联系，通过子网络的权系矩阵表示。各个子
网络独立地运用

BP 学习算法分别进行学习训练。由于分解后的子网络比原来的网络规模小

得多且问题局部化了，从而使训练时间大为减少。利用集成

BP 网络进行液压泵轴承故障诊

断的信息处理能力源于神经元的非线性机理特性和

BP 算法。

　　

3、神经网络鲁棒性的研究

　　神经网络的鲁棒性是指神经网络对故障的容错能力。众所周知，人脑具有容错特性，大
脑中个别神经元的损伤不会使它的总体性能发生严重的降级，这是因为大脑中每一概念并
非只保存在一个神经元中，而是散布于许多神经元及其连接之中。大脑可以通过再次学习，
使因一部分神经元的损伤而淡忘的知识重新表达在剩余的神经元中。由于神经网络是对生物
神经元网络的模拟，所以神经网络的最大特征是具有

“联想记忆”功能，即神经网络可以由

以往的知识组合，在部分信息丢失或部分信息不确定的条件下，用剩余的特征信息做出正
确的诊断。

　　表

2 给出了轴承 6 个特征信息中某些输入特征不正确或不确定情况下正确诊断和识别

的成功率。

　　表

1 神经网络鲁棒性统计表

　　输入特征不确定元素诊断成功率

　　一个特征参数不确定

100%

　　二个特征参数不确定

94%

　　三个特征参数不确定

76%

　　四个特征参数不确定

70%

　　五个特征参数不确定

20%

　　六个特征参数不确定

8%

　　由表

1 可以看出，利用集成神经网络进行故障诊断可以在丢失了大量信息的情况下 (近

一半特征参数不确定

)仍可以作出正确判断的成功率相当高(76%~100%)因而集成神经网络

具有很强能力