神經網路故障診斷缺點

Ⅰ 基於案例推理的故障診斷

基於CBR的故障診斷系統

基於案例的推理簡介（Case Based Reasoning,CBR）
設備在應用過程中由於各種因素的影響難免出現故障，如何判斷設備的故障類型和故障部位並給出正確的處理辦法就顯得尤為重要，為了保證設備性能良好，維持正常的運轉，降低維修成本，提高經濟效益，增強企業競爭能力等，對設備進行故障診斷和預防是重要的和必需的，尤其是使用同類型批量設備的單位和部門，如環保行業的在線監測儀、除塵儀；鋼鐵行業的鍋爐、軋機機械等。但是，目前對於這些復雜系統和設備，建立系統數學模型和故障過程模型是非常困難的。當前，用於這類對象的故障診斷方法主要有專家系統和智能的人工神經網路；但是應用時，又有其明顯的缺點，見下表：
表1專家系統和神經網路系統的缺點
診斷方法 缺點
專家系統 1)診斷的效果與知識庫的完善程度以及知識表示方法直接相關
2)知識的抽取和推理規則的建立是一項非常艱巨而且困難的任務
3)故障的多樣性和不可預測性，一次性構建完善的知識庫和推理庫是不可能的
4)知識推理系統的可擴充性和靈活性不夠，限制了它的應用范圍
5)存在「知識獲取」瓶頸
神經網路 1)結構和訓練演算法的確定需要得到大量試驗資料
2)對於未經訓練過的新故障難以進行診斷

案例推理(CBR)是人工智慧領域新興的一種問題求解方法，它通過目標案例的提示得到歷史記憶中結構化存儲的源案例，並由源案例進行相應的判斷與推理來指導目標案例求解。所以CBR有以下優點:
1)、 利用案例中隱含的難以規則化的知識，以輔助規則推理的不足。
2)、 案例的獲取比規則獲取要容易，較好解決「知識獲取」的瓶頸問題。
3)、 對過去的求解結果進行復用，提高對新問題的求解效率。
4)、 有持續不斷的學習能力。

安可AKCBR介紹

一、安可AKCBRS簡介
AKCBRS是安可科技研發的基於案例推理的故障診斷系統,是應用於各行業設備的一項現代故障智能診斷技術。
基於案例的推理（Case Based Reasoning,CBR）技術是人工智慧中新崛起的一項重要推理技術，在很大程度上符合領域專家求解新問題的過程，利用CBR技術解決故障診斷問題是當今人工智慧故障診斷領域的研究熱點，作為專家系統中的一個分支，其研究得到了學術界和工程界的高度重視，並相繼在各行各業中得到成功應用。不過在這些已報道的基於案例推理的故障診斷系統中，大多數都是針對某一具體設備的專用專家系統，雖然其對具體設備故障診斷比較實用，但其缺陷是通用性不強，因為不同問題領域，設備種類不同，其專家知識及推理機制也不相同；即使同一問題領域，也有各種功能不同的設備，這樣一來給通用基於案例推理的故障診斷系統的設計開發增加了較多的困難。AKCBRS是以用戶為中心的通用性基於案例推理的故障診斷系統，只要領域專家設置好必要的知識模塊，就可自行生成專用於同種功能設備的基於案例推理的故障診斷系統。
二、系統特點：
圖形化的參數層次結構建模
提供圖形化的工具配置案例集，使得領域專家通過滑鼠操作即可完成案例集和狀態向量、特徵向量關聯；特徵向量權重關系設置。如下圖：

優化的檢索策略
案例檢索是CBR的核心技術，從源案例庫中檢索出與新問題的目標案例最相似的歷史案例，將直接決定CBR的速度和精度。在基於案例推理的故障診斷系統中，由於故障可以根據其內部機理進行分類，且各案例的特徵包括故障狀態和故障數據兩種故障信息，因此通過領域專家對案例進行合理分類的基礎上，利用案例的故障狀態信息和改進的灰色關聯度計算方法，針對故障診斷系統，提出了一種類選、粗選、精選、擇優「四步走」的檢索策略。如下圖：

應用領域的廣泛性
在已報道的基於案例推理的故障診斷系統中，大多數都是針對某一具體設備的專用專家系統，雖然其對具體設備故障診斷比較實用，但其缺陷是通用性不強，因為不同問題領域，設備種類不同，其專家知識及推理機制也不相同；即使同一問題領域，也有各種功能不同的設備，這樣一來給通用基於案例推理的故障診斷系統的設計開發增加了較多的困難。AKCBRS是以用戶為中心的通用性基於案例推理的故障診斷系統，只要領域專家設置好必要的知識模塊，就可自行生成專用於同種功能設備的基於案例推理的故障診斷系統。
基於WEB的故障檢索訪問
方便用戶通過網路，對故障記錄進行檢索。
方便的數據導出功能
可以選擇四種數據導出格式，PDF文件、Word文件、Excel文件及文本文件。

三、系統設計思路：
依據專家系統的特點和CBR的工作原理，AKCBRS設計思路分為以下幾個部分：
1)案例集配置。領域專家根據設備的情況，劃分案例類別，並設置案例集的狀態參數，關鍵指標狀態參數的值；特徵參數及特徵參數的權重，系統通過層次分析法計算特徵參數的權重向量，並進行一致性檢查。案例集配置好以後領域專家根據以往處理設備故障的經驗或類似的經歷,按照案例集的組織結構和屬性輸入各案例集中的案例，形成案例庫。
2)設備故障產生。設備故障產生後,記錄故障產生的經過、現象等。依據優化的案例檢索策略進行案例檢索。
3)設備故障匹配。對於有大於相似度預設閥值的案例按相似度大小和故障發生頻率給出故障處理報告。
4)案例庫學習、調整、擴充。對於匹配結果沒有大於相似度閥值的情況系統給出提示，由用戶對故障信息處理後並給出處理結論，然後由領域專家驗證是否擴充到案例庫中；領域專家也可以對一下案例集中的案例處理結論進行修正，也可以對一些無效案例進行刪除。

四、系統模塊：

Ⅱ 基於神經網路汽車發動機故障診斷系統設計 求助，只要是神經網路的故障診斷程序 ：964220336QQ，

你要基於哪種神經網路的程序啊？BP、RBF、PP？

Ⅲ 神經網路 故障診斷

用神經網路進行故障診斷是偽科學，早點放棄吧。

Ⅳ 神經網路故障診斷

真正的神經網路，是沒法診斷的，因為他有自我恢復，不是修復是恢復，就是功能替代，修的話，那要看有無故障報警顯示。

Ⅳ 針對於電路故障診斷，是BP神經網路比較合適以及用遺傳演算法來優化單獨的遺傳演算法適用嗎各自優缺點

神經網路用於數據挖掘，如分類問題
遺傳演算法解決組合優化問題，如TSP問題

Ⅵ 神經網路以及小波分析法在汽車發動機故障檢修中有什麼應用

汽車是我們生活中常用的將交通工具，那麼神經網路和小波分析法在汽車發動機故障檢修中有什麼應用呢？大家請看我接下來詳細地講解。

一，小波分析在故障檢修中的應用

小波包分解與故障特徵提取。缸蓋表面的振動信號由一系列瞬態響應信號組成，分別代表氣缸的振動源響應信號:1為氣缸的燃燒激勵響應;2是排氣閥打開時的節流閥沖擊。氣門間隙異常時,振動信號的能量大於目前沖擊力作用時,振動信號的主要組件目前離沖擊力穩定的振動信號和雜訊,信號能量相對較小。因此，可以利用每個頻帶的能量變化來提取故障特徵，通過小波包分解系數{4]得到頻帶的能量。

Ⅶ 基於神經網路的故障診斷

神經網路的是我的畢業論文的一部分
4．人工神經網路
人的思維有邏輯性和直觀性兩種不同的基本方式。邏輯性的思維是指根據邏輯規則進行推理的過程；它先將信息化成概念，並用符號表示，然後，根據符號運算按串列模式進行邏輯推理。這一過程可以寫成串列的指令，讓計算機執行。然而，直觀性的思維是將分布式存儲的信息綜合起來，結果是忽然間產生想法或解決問題的辦法。這種思維方式的根本之點在於以下兩點:1.信息是通過神經元上的興奮模式分布在網路上;2.信息處理是通過神經元之間同時相互作用的動態過程來完成的。
人工神經網路就是模擬人思維的第二種方式。這是一個非線性動力學系統，其特色在於信息的分布式存儲和並行協同處理。雖然單個神經元的結構極其簡單，功能有限，但大量神經元構成的網路系統所能實現的行為卻是極其豐富多彩的。
4.1人工神經網路學習的原理
人工神經網路首先要以一定的學習准則進行學習，然後才能工作。現以人工神經網路對手寫「A」、「B」兩個字母的識別為例進行說明，規定當「A」輸入網路時，應該輸出「1」，而當輸入為「B」時，輸出為「0」。
所以網路學習的准則應該是：如果網路做出錯誤的判決，則通過網路的學習，應使得網路減少下次犯同樣錯誤的可能性。首先，給網路的各連接權值賦予(0，1)區間內的隨機值，將「A」所對應的圖像模式輸入給網路，網路將輸入模式加權求和、與門限比較、再進行非線性運算，得到網路的輸出。在此情況下，網路輸出為「1」和「0」的概率各為50%，也就是說是完全隨機的。這時如果輸出為「1」(結果正確)，則使連接權值增大，以便使網路再次遇到「A」模式輸入時，仍然能做出正確的判斷。
如果輸出為「0」(即結果錯誤)，則把網路連接權值朝著減小綜合輸入加權值的方向調整，其目的在於使網路下次再遇到「A」模式輸入時，減小犯同樣錯誤的可能性。如此操作調整，當給網路輪番輸入若干個手寫字母「A」、「B」後，經過網路按以上學習方法進行若干次學習後，網路判斷的正確率將大大提高。這說明網路對這兩個模式的學習已經獲得了成功，它已將這兩個模式分布地記憶在網路的各個連接權值上。當網路再次遇到其中任何一個模式時，能夠做出迅速、准確的判斷和識別。一般說來，網路中所含的神經元個數越多，則它能記憶、識別的模式也就越多。
4.2人工神經網路的優缺點
人工神經網路由於模擬了大腦神經元的組織方式而具有了人腦功能的一些基本特徵，為人工智慧的研究開辟了新的途徑，神經網路具有的優點在於:
（1）並行分布性處理
因為人工神經網路中的神經元排列並不是雜亂無章的，往往是分層或以一種有規律的序列排列，信號可以同時到達一批神經元的輸入端，這種結構非常適合並行計算。同時如果將每一個神經元看作是一個小的處理單元，則整個系統可以是一個分布式計算系統，這樣就避免了以往的「匹配沖突」，「組合爆炸」和「無窮遞歸」等題，推理速度快。
（2）可學習性
一個相對很小的人工神經網路可存儲大量的專家知識，並且能根據學習演算法，或者利用樣本指導系統來模擬現實環境(稱為有教師學習)，或者對輸入進行自適應學習(稱為無教師學習)，不斷地自動學習，完善知識的存儲。
（3）魯棒性和容錯性
由於採用大量的神經元及其相互連接，具有聯想記憶與聯想映射能力，可以增強專家系統的容錯能力，人工神經網路中少量的神經元發生失效或錯誤，不會對系統整體功能帶來嚴重的影響。而且克服了傳統專家系統中存在的「知識窄台階」問題。
（4）泛化能力
人工神經網路是一類大規模的非線形系統，這就提供了系統自組織和協同的潛力。它能充分逼近復雜的非線形關系。當輸入發生較小變化，其輸出能夠與原輸入產生的輸出保持相當小的差距。
（5）具有統一的內部知識表示形式，任何知識規則都可以通過對範例的學習存儲於同一個神經網路的各連接權值中，便於知識庫的組織管理，通用性強。
雖然人工神經網路有很多優點，但基於其固有的內在機理，人工神經網路也不可避免的存在自己的弱點:
（1）最嚴重的問題是沒能力來解釋自己的推理過程和推理依據。
（2）神經網路不能向用戶提出必要的詢問，而且當數據不充分的時候，神經網路就無法進行工作。
（3）神經網路把一切問題的特徵都變為數字，把一切推理都變為數值計算，其結果勢必是丟失信息。
（4）神經網路的理論和學習演算法還有待於進一步完善和提高。
4.3神經網路的發展趨勢及在柴油機故障診斷中的可行性
神經網路為現代復雜大系統的狀態監測和故障診斷提供了全新的理論方法和技術實現手段。神經網路專家系統是一類新的知識表達體系，與傳統專家系統的高層邏輯模型不同，它是一種低層數值模型，信息處理是通過大量的簡單處理元件(結點) 之間的相互作用而進行的。由於它的分布式信息保持方式，為專家系統知識的獲取與表達以及推理提供了全新的方式。它將邏輯推理與數值運算相結合，利用神經網路的學習功能、聯想記憶功能、分布式並行信息處理功能，解決診斷系統中的不確定性知識表示、獲取和並行推理等問題。通過對經驗樣本的學習，將專家知識以權值和閾值的形式存儲在網路中，並且利用網路的信息保持性來完成不精確診斷推理，較好地模擬了專家憑經驗、直覺而不是復雜的計算的推理過程。
但是，該技術是一個多學科知識交叉應用的領域，是一個不十分成熟的學科。一方面，裝備的故障相當復雜;另一方面，人工神經網路本身尚有諸多不足之處:
（1）受限於腦科學的已有研究成果。由於生理實驗的困難性，目前對於人腦思維與記憶機制的認識還很膚淺。
（2）尚未建立起完整成熟的理論體系。目前已提出了眾多的人工神經網路模型，歸納起來，這些模型一般都是一個由結點及其互連構成的有向拓撲網，結點間互連強度所構成的矩陣，可通過某種學習策略建立起來。但僅這一共性，不足以構成一個完整的體系。這些學習策略大多是各行其是而無法統一於一個完整的框架之中。
（3）帶有濃厚的策略色彩。這是在沒有統一的基礎理論支持下，為解決某些應用，而誘發出的自然結果。
（4）與傳統計算技術的介面不成熟。人工神經網路技術決不能全面替代傳統計算技術，而只能在某些方面與之互補，從而需要進一步解決與傳統計算技術的介面問題，才能獲得自身的發展。
雖然人工神經網路目前存在諸多不足，但是神經網路和傳統專家系統相結合的智能故障診斷技術仍將是以後研究與應用的熱點。它最大限度地發揮兩者的優勢。神經網路擅長數值計算，適合進行淺層次的經驗推理;專家系統的特點是符號推理，適合進行深層次的邏輯推理。智能系統以並行工作方式運行，既擴大了狀態監測和故障診斷的范圍，又可滿足狀態監測和故障診斷的實時性要求。既強調符號推理，又注重數值計算，因此能適應當前故障診斷系統的基本特徵和發展趨勢。隨著人工神經網路的不斷發展與完善，它將在智能故障診斷中得到廣泛的應用。
根據神經網路上述的各類優缺點，目前有將神經網路與傳統的專家系統結合起來的研究傾向，建造所謂的神經網路專家系統。理論分析與使用實踐表明，神經網路專家系統較好地結合了兩者的優點而得到更廣泛的研究和應用。
離心式製冷壓縮機的構造和工作原理與離心式鼓風機極為相似。但它的工作原理與活塞式壓縮機有根本的區別，它不是利用汽缸容積減小的方式來提高汽體的壓力，而是依靠動能的變化來提高汽體壓力。離心式壓縮機具有帶葉片的工作輪，當工作輪轉動時，葉片就帶動汽體運動或者使汽體得到動能，然後使部分動能轉化為壓力能從而提高汽體的壓力。這種壓縮機由於它工作時不斷地將製冷劑蒸汽吸入，又不斷地沿半徑方向被甩出去，所以稱這種型式的壓縮機為離心式壓縮機。其中根據壓縮機中安裝的工作輪數量的多少，分為單級式和多級式。如果只有一個工作輪，就稱為單級離心式壓縮機，如果是由幾個工作輪串聯而組成，就稱為多級離心式壓縮機。在空調中，由於壓力增高較少，所以一般都是採用單級，其它方面所用的離心式製冷壓縮機大都是多級的。單級離心式製冷壓縮機的構造主要由工作輪、擴壓器和蝸殼等所組成。 壓縮機工作時製冷劑蒸汽由吸汽口軸向進入吸汽室，並在吸汽室的導流作用引導由蒸發器(或中間冷卻器)來的製冷劑蒸汽均勻地進入高速旋轉的工作輪3(工作輪也稱葉輪，它是離心式製冷壓縮機的重要部件，因為只有通過工作輪才能將能量傳給汽體)。汽體在葉片作用下，一邊跟著工作輪作高速旋轉，一邊由於受離心力的作用，在葉片槽道中作擴壓流動，從而使汽體的壓力和速度都得到提高。由工作輪出來的汽體再進入截面積逐漸擴大的擴壓器4(因為汽體從工作輪流出時具有較高的流速，擴壓器便把動能部分地轉化為壓力能，從而提高汽體的壓力)。汽體流過擴壓器時速度減小，而壓力則進一步提高。經擴壓器後汽體匯集到蝸殼中，再經排氣口引導至中間冷卻器或冷凝器中。

二、離心式製冷壓縮機的特點與特性

離心式製冷壓縮機與活塞式製冷壓縮機相比較，具有下列優點：

(1)單機製冷量大，在製冷量相同時它的體積小，佔地面積少，重量較活塞式輕5～8倍。

(2)由於它沒有汽閥活塞環等易損部件，又沒有曲柄連桿機構，因而工作可靠、運轉平穩、噪音小、操作簡單、維護費用低。

(3)工作輪和機殼之間沒有摩擦，無需潤滑。故製冷劑蒸汽與潤滑油不接觸，從而提高了蒸發器和冷凝器的傳熱性能。

(4)能經濟方便的調節製冷量且調節的范圍較大。

(5)對製冷劑的適應性差，一台結構一定的離心式製冷壓縮機只能適應一種製冷劑。

(6)由於適宜採用分子量比較大的製冷劑，故只適用於大製冷量，一般都在25～30萬大卡／時以上。如製冷量太少，則要求流量小，流道窄，從而使流動阻力大，效率低。但近年來經過不斷改進，用於空調的離心式製冷壓縮機，單機製冷量可以小到10萬大卡／時左右。

製冷與冷凝溫度、蒸發溫度的關系。

由物理學可知，回轉體的動量矩的變化等於外力矩，則

T=m(C2UR2-C1UR1)

兩邊都乘以角速度ω，得

Tω=m(C2UωR2-C1UωR1)

也就是說主軸上的外加功率N為：

N=m(U2C2U-U1C1U)

上式兩邊同除以m則得葉輪給予單位質量製冷劑蒸汽的功即葉輪的理論能量頭。 U2 C2

ω2 C2U R1 R2 ω1 C1 U1 C2r β 離心式製冷壓縮機的特性是指理論能量頭與流量之間變化關系，也可以表示成製冷

W=U2C2U-U1C1U≈U2C2U

（因為進口C1U≈0）

又C2U=U2-C2rctgβ C2r=Vυ1/(A2υ2)

故有

W= U22(1-

Vυ1

ctgβ)

A2υ2U2

式中：V—葉輪吸入蒸汽的容積流量（m3/s）

υ1υ2 ——分別為葉輪入口和出口處的蒸汽比容（m3/kg）

A2、U2—葉輪外緣出口面積(m2)與圓周速度(m/s)

β—葉片安裝角

由上式可見，理論能量頭W與壓縮機結構、轉速、冷凝溫度、蒸發溫度及葉輪吸入蒸汽容積流量有關。對於結構一定、轉速一定的壓縮機來說，U2、A2、β皆為常量，則理論能量頭W僅與流量V、蒸發溫度、冷凝溫度有關。

按照離心式製冷壓縮機的特性，宜採用分子量比較大的製冷劑，目前離心式製冷機所用的製冷劑有F—11、F—12、F—22、F—113和F—114等。我國目前在空調用離心式壓縮機中應用得最廣泛的是F—11和F—12，且通常是在蒸發溫度不太低和大製冷量的情況下，選用離心式製冷壓縮機。此外，在石油化學工業中離心式的製冷壓縮機則採用丙烯、乙烯作為製冷劑，只有製冷量特別大的離心式壓縮機才用氨作為製冷劑。

三、離心式製冷壓縮機的調節

離心式製冷壓縮機和其它製冷設備共同構成一個能量供給與消耗的統一系統。製冷機組在運行時，只有當通過壓縮機的製冷劑的流量與通過設備的流量相等時，以及壓縮機所產生的能量頭與製冷設備的阻力相適應時，製冷系統的工況才能保持穩定。但是製冷機的負荷總是隨外界條件與用戶對冷量的使用情況而變化的，因此為了適應用戶對冷負荷變化的需要和安全經濟運行，就需要根據外界的變化對製冷機組進行調節，離心式製冷機組製冷量的調節有：1°改變壓縮機的轉速；2°採用可轉動的進口導葉；3°改變冷凝器的進水量；4°進汽節流等幾種方式，其中最常用的是轉動進口導葉調節和進汽節流兩種調節方法。所謂轉動進口導葉調節，就是轉動壓縮機進口處的導流葉片以使進入到葉輪去的汽體產生旋繞，從而使工作輪加給汽體的動能發生變化來調節製冷量。所謂進汽節流調節，就是在壓縮機前的進汽管道上安裝一個調節閥，如要改變壓縮機的工況時，就調節閥門的大小，通過節流使壓縮機進口的壓力降低，從而實現調節製冷量。離心式壓縮機製冷量的調節最經濟有效的方法就是改變進口導葉角度，以改變蒸汽進入葉輪的速度方向(C1U)和流量V。但流量V必須控制在穩定工作范圍內，以免效率下降。

Ⅷ 神經網路故障診斷和svm故障診斷的區別

1
不同的源計算機之間必須使用相同的網路協議才能進行通信。 Internet 互聯網上的計算機使用的是 TCP/IP 協議。這就好比我們人與人之間交流溝通，都要說大家能懂的語言，計算機要上網也是如此。
2
首先按住鍵盤上的「開始鍵+R鍵」，然後在彈出的對話框中輸入「CMD」
3
接下來在彈出的命令提示符窗口中輸入「ping 127.0.0.1」，如下圖所示

4
如果在「ping 127.0.0.1」時，收到錯誤回饋，那說明我們電腦系統本身的TCP/IP網路協議可能存在問題。當TCP/IP出現故障時，就需要我們重新安裝TCP/IP協議。

Ⅸ 故障診斷的故障診斷方法

近代故障診斷技術的發展已經歷30年，但形成一門「故障診斷學」的綜合性新學科，還是近幾年逐步發展起來的，以不同的角度來看，有多種故障診斷的分類方法，這些方法各有特點。
概括而言，故障診斷方法可以分成兩大類：基於數學模型的故障診斷方法、基於人工智慧的故障診斷方法。
基於專家系統的診斷方法是故障診斷領域中最為引人注目的發展方向之一，也是研究最多、應用最廣的一類智能型診斷技術。它大致經歷了兩個發展階段：基於淺知識領域專家的經驗知識的故障診斷系統、基於深知識診斷對象的模型知識的故障診斷系統。
（1）基於淺知識的智能型專家診斷方法
淺知識是指領域專家的經驗知識。基於淺知識的故障診斷系統通過演繹推理或產生式推理來獲取診斷結果，其目的是尋找一個故障集合，使之能對一個給定集合產生的原因作出最)包括存在的和缺席的(的徵兆佳解釋。
基於淺知識的故障診斷方法具有知識直接表達、形式統一、高模組性、推理速度快等優點。但也有局限性，如知識集不完備，對沒有考慮到的問題系統容易陷入困境；對診斷結果的解釋能力弱等缺點。
（2）基於深知識的智能型專家診斷方法
深知識則是指有關診斷對象的結構、性能和功能的知識。基於深知識的故障診斷系統，要求診斷對象的每一個環境具有明顯的輸入輸出表達關系，診斷時首先通過診斷對象實際輸出與期望輸出之間的不一致，生成引起這種不一致的原因集合，然後根據診斷對象領(域中的第一定律知識)及其具有明確科學依據的知識他內部特定的約束聯系，採用一定的演算法，找出可能的故障源。
基於深知識的智能型專家診斷方法具有知識獲取方便、維護簡單、完備性強等優點，但缺點是搜索空間大，推理速度慢。
（3）基於淺知識和深知識的智能型專家混合診斷方法
基於復雜設備系統而言，無論單獨使用淺知識或深知識，都難以妥善地完成診斷任務，只有將兩者結合起來，才能使診斷系統的性能得到優化。因此，為了使故障智能型診斷系統具備與人類專家能力相近的知識，研發者在建造智能型診斷系統時，越來越強調不僅要重視領域專家的經驗知識，更要注重診斷對象的結構、功能、原理等知識，研究的重點是淺知識與深知識的整合表示方法和使用方法。事實上，一個高水平的領域專家在進行診斷問題求解時，總是將他具有的深知識和淺知識結合起來，完成診斷任務。一般優先使用淺知識，找到診斷問題的解或者是近似解，必要時用深知識獲得診斷問題的精確解。 知識獲取上，神經網路的知識不需要由知識工程師進行整理、總結以及消化領域專家的知識，只需要用領域專家解決問題的實例或範例來訓練神經網路；在知識表示方面，神經網路採取隱式表示，並將某一問題的若干知識表示在同一網路中，通用性高、便於實現知識的總動獲取和並行聯想推理。在知識推理方面，神經網路通過神經元之間的相互作用來實現推理。
前在許多領域的故障診斷系統中已開始應用，如在化工設備、核反應器、汽輪機、旋轉機械和電動機等領域都取得了較好的效果。由於神經網路從故障事例中學到的知識只是一些分布權重，而不是類似領域專家邏輯思維的產生式規則，因此診斷推理過程不能夠解釋，缺乏透明度。 人工智慧技術的發展，特別是專家系統在故障診斷領域中的應用。此項概念將原來以數值計算與信號處理為核心的診斷過程，被以知識處理和知識推理為核心的診斷過程所代替。目前已有了一些成功的系統，使智能型診斷成為當前診斷技術發展的新方向。

Ⅹ bp神經網路與量子行為粒子群演算法有什麼不一樣

這四復個都屬於人工智慧演算法的范疇。制其中BP演算法、BP神經網路和神經網路
屬於神經網路這個大類。遺傳演算法為進化演算法這個大類。
神經網路模擬人類大腦神經計算過程，可以實現高度非線性的預測和計算，主要用於非線性擬合，識別，特點是需要「訓練」，給一些輸入，告訴他正確的輸出。若干次後，再給新的輸入，神經網路就能正確的預測對於的輸出。神經網路廣泛的運用在模式識別，故障診斷中。BP演算法和BP神經網路是神經網路的改進版，修正了一些神經網路的缺點。
遺傳演算法屬於進化演算法，模擬大自然生物進化的過程：優勝略汰。個體不斷進化，只有高質量的個體（目標函數最小（大））才能進入下一代的繁殖。如此往復，最終找到全局最優值。遺傳演算法能夠很好的解決常規優化演算法無法解決的高度非線性優化問題，廣泛應用在各行各業中。差分進化，蟻群演算法，粒子群演算法等都屬於進化演算法，只是模擬的生物群體對象不一樣而已。