1引言
系统的状态预测是故障诊断中必不可少的一个环节，是诊断技术的重要目标之一。基于模糊神经网络的预测是一种非参数模型预测。在用模糊神经网络进行预测时，现有的方法一般是利用大量已获得的观测数据即样本数据进行一次建模，然后在预测时不再进行学习，即网络参数不变。随着时间的推移，这种利用历史数据建立的模型不能完全反映时间序列近期和现时的特性，需要随着新数据的积累不断调整网络模型的参数，使模型不断完善。因此，本文提出一种新的模糊神经网络算法，即在原有算法的基础上引入时差法，该方法在某种程度上能实时地根据观测数据和预测结果不断调整模型参数，使模型尽可能完善，从而提高预测精度。
2模糊神经网络
模糊神经网络（Fuzzy Neural Network）是模糊系统与神经网络的结合，通过神经网络实现模糊逻辑，同时利用神经网络的自学习能力，动态调整隶属度函数、在线优化控制规则。二者的融合弥补了神经网络在模糊数据处理方面的不足和纯模糊系统在学习方面的缺陷。
我们采用的是一种串形结构的多层前向模糊神经网络，如图1所示.该模型有四层，分别为输入层，隶属函数生成层（模糊化层），推理层及反模糊化层。

取相邻 12个峰峰值数据为一组训练样本，第 13个数据作为训练目标。这样共取 10组用来训练网络。将最为接近的数据作为训练样本,并随系统采样而不断更新训练样本，以便用最接近的数据来得到更准确的预测结果。运用 Matlab中的神经网络工具箱进行仿真，通过测试，选取输入为 12，最大循环次数（epoch）为 50，期望误差最小值为0.001。其预测过程如图4所示，预测分析如表1所示。

预测结果与实际结果相比,其绝对误差最大值等于 0.06，结合现场传感器的测量误差,可以认为这些数据基本满足实际的电机正常运行的预测要求。
5 结论
本文将模糊神经网络与时间序列结合起来,并引入时差法,建立了新的预测模型,并以电机运行时的振动电压峰峰值为依据，对电机的运行状态做了预测。检测结果表明：该预测模型的预测精度较高，误差小，是一种较为实用可行的方法。