该系统的故障征兆可由以下可测的工艺参数表征：澄清池入口温度、澄清池出口温度、澄清池入口流量、澄清池入口调节门开。度、澄清池出口浊度、澄清池泥渣。将故障征兆进行归一化处理计算，得到6个[0，1]之间的故障征兆特征值，X=(X1，X2，…，X6)作为神经网络的输入。

常见的故障有：传感器断线故障，F1～F4；调节门偏差F5、调节门卡死F6、调节门滞环F7、粘调节门滞滑动F8、调节门漏流F9；出口浊度高F10、入口流量大F11；系统正常用F0表示。共12种故障模式，记为Y=(Y1，Y2，…，Y12)作为神经网络的输出。由阀值函数判定输出层神经元的最终输出结果：

隐含层：隐含层的节点数和神经元数目选择，目前理论尚无指导，本系统隐含层选取10个神经元。这样构成6-10-12的三层BP网络结构。

BP网络的训练样本来自电厂相应故障的累计数据。表1列出了故障样本，其中每个样本均有6个特征值，选择足够多的代表正常状态和故障状态的样本，采用BP算法对6-10-12网络进行训练。在系统总误差为0.01，步长为0.5时，网络训练10 000次，或直到满足性能要求时停止训练，否则增加训练次数。

2.3 仿真

网络训练完后，用其他故障样本进行测试其对应的诊断结果见表2。神经网络故障诊断推理过程举例如下：根据本文故障诊断的特点，防止误诊断和漏诊断，通过试验，取φ=0.90，诊断效果最佳。表1中“样本1”输入神经网络，对应网络输出为表2中的“样本1”所在行，依次类推。表1中的样本1对应的网络输出值均小于0.90，说明无故障，代表系统正常工作；样本2对应的网络输出，只有Y2>0.90，说明有“F2”故障存在。然后启动专家系统，对该结果进行验证和解释。测试结果表明，该网络对已训练过的样本有很好的识别能力。