本文着重于在改进神经网络的基础上研究故障诊断预测算法，特别是改进的反向传播神经网络算法、基于自组织竞争神经网络的故障诊断和基于概率神经网络的故障诊断。在论文中体现了三大创新点：第一，本文引入了动量因子改进的反向传播神经网络算法对实际的数据进行诊断并与传统的相比较；第二，基于自组织竞争神经网络的优势采用自组织竞争神经网络的故障诊断预测算法；第三，基于概率神经网络的优势采用概率神经网络故障诊断预测算法。

本文将以以下逻辑来详尽介绍：起先，阐述人工神经网络算法的原理以及反向传播、自组织竞争神经网络及概率神经网络算法的改进，并应用于故障诊断预测方面；其次，实现反向传播神经网络算法的改进、自组织竞争神经网络和概率神经网络算法对故障的诊断预测；最后，对实验结果进行分析与总结。

研究内容

神经网络算法是解决故障诊断预测的一个重要算法，研究的基本内容包括如下：

1、掌握神经网络的基本原理。

2、掌握BP神经网络并引入动量因子改进，掌握SOM神经网络、PNN算法。

3、用matlab实现BP、SOM神经网络和PNN算法对故障的诊断预测。

4、修改和完善算法，尽可能缩短其训练时间并提高其在实际问题中预测的精度。

5、分析改进的算法在不同情况下进行故障诊断预测的实验结果。

6、对优化的神经网络算法的实验结果进行分析总结。

结论

通过以上一系列实验，可以看出引进动量因子的BP神经网络可以使得BP|神经网络进入全局最优，避免陷入局部最优，提高了神经网络的性能。

通过本次研究，可得出以下结论：

1.引进动量因子的BP神经网络使得BP神经网络避免陷入局部极小值。

2.和经典的BP神经网络相比，改进的BP神经网络提高了BP神经网络训练的速度和精确度。

3.SOM神经网络算法能够优秀地解决系统的故障诊断预测问题。

4.PNN算法具有训练速度快、预测精确率高等特点。

5.故障诊断预测可以通过神经网络算法的设计得以解决。

本次的实验通过预测数据验证了改进的神经网络在故障诊断预测方面的正确性，说明本次研究的改进的神经网络算法是成功的，推进了神经网络算法的研究。

进一步工作的方向

目前增加动量因子改进的BP算法能够防止神经网络陷入极小值。但还存在学习速度慢、需大量的样本数据、隐含层神经元数目难以确定等缺陷。SOM神经网络能够对数据自动分类，无需大量样本数据，实时性强，但其需要大量的训练次数。所以未来组合的SOM-BP神经网络是进一步研究方向[25]。

神经网络算法的改进可采用其不同类型组合的方式，取长补短，是未来工作的方向。组合的神经网络结合了其不同类型算法的优点，大大提高神经网络的性能，在故障诊断中的作用更是明显。

人工神经元网络用于控制系统故障诊断中，用神经元网络产生残差是一种主要的方

式。在大多情况下，采用前传多层网络用于非线性系统的建模和故障的预测与诊断。但是，大部分基于反向传播的前传多层网络都有一个共同的缺点，即网络与参数之间是高度非线性的，学习(网络的训练)必须基于某种非线性优化技术。如果利用梯度下降算法，则在学习阶段参数估计可能会陷入其优化标准函数的一个局部极小。为了解决这个问题，人们采用遗传算法、学习自动机、模拟退火等方法，可以避免局部极小，但一般都需巨大的计算

量，算法复杂，从而极大地限制了前传多层网络的实时应用。另外一条途径就是网络结构上的改进，如径向基神经网络，它们对神经元函数局部化的方法来加快网络的训练。但径向基神经网络在神经元个数一定时，其精度是有限的．要实现更高的精度，它需要更多的神经元。本课题在对算法进行代码实现后，会对其进行大量的实例应用，并对实验结果进行分析和总结。