诊断系统的结构：（结构如1）1该故障诊断系统，主要包括学习（训练）与诊断（匹配）两个过程，每个过程都包括预处理和特征提取两部分。诊断过程是将未知模式与已经训练得到的分类来诊断位知模式的类别。如果故障的特征没有包含足够的待识别信息或者未能提取反映机器故障特征的信息，则诊断结果肯定不准确。因此能够快速、准确提取反映机器的故障信息特征是故障诊断的关键所在。

　　神经元网络的结构：一个神经元的网络可划分为三层（结构如2）（1）输入层：从控制系统中接受各种故障信息及现象。

　　（2）中间层：把从输入得到的信息经内部学习和处理转化为有针对性的解决方法，中间层可以不止一层，根据不同问题的需要，可以采用多层，有时可以不用中间层，中间层含有隐接点，通过权系数Wij和Kij连接输出层和输入层。（3）输出层：针对输入的故障模式经调整权系数而得到的故障处理方法。

　　故障征兆集合V＝［v1，v2，v3，v4］代表意义：v1：主蓄能器的压力大小v2：主蓄能器的压力脉v3：制动油箱的液位；v4：制动系统的油温；故障集合U＝［u1，u2，u3，u4，u5，u6，u7，u8，u9］；代表意义：u1：蓄能器故障u2：故障u3：充液阀u4：制动系统泄露太u5：滤清器堵塞u6：油温度太高u7：有空气吸入u8：液位不合格u9：制动器故障网络节点的选择［4，9，9］输入层节点为4，隐层节点9，输出节点为9。

　　网络训练，训练样本如上表。对系统进行仿真输入TEST＝［65093］＇，则网络的输入结果为。

　　Y＝［－0.0033，－0.0015，0.0015，0.0005，0.0021，0.0002，0.0003，0.9762，0.0025］与实际检验结果相符合。

　　结论本文的创新点，将BP神经网络的理论应用于实际的工程项目中，对BP神经网络的公式进行详细的推导，十分有利于理论和实际的结合。实践的结果表明该方法在线检测效果良好，达到了准确、高效和对故障进行预测的效果。