随着设备复杂程度和自动化水平的提高,设备故障诊断的重要性日益显著。人工神经网络模仿人脑的物理结构,具有强大的并行运算和联想能力,使其非常适合于设备故障诊断,并且采用神经网络对设备进行故障诊断可以大大提高诊断的准确度并减少对人的依赖。BP神经网络是故障诊断中应用最多最成熟的一种网络,但BP神经网络自身固有的易陷入局部最小问题使故障诊断的精度降低,甚至出现误诊、错诊现象。Hopfield神经网络具有良好的鲁棒性、自组织自适应性、并行处理性、分布存储和高度容错性等特点,在解决联想记忆和数据优化的问题上有很好的优势,但是Hopfield神经网络属于无教师学习网络,对于有输入输出样本的判断也不是很直观,在模式识别的应用上判断率不高。本文结合Hopfield神经网络数据优化特性和BP神经网络的有教师监督学习特点,提出H-BP神经网络,用Hopfield网络对BP神经网络输入数据进行优化,避免BP网络陷入局部最小,提高了模式识别的判断率。Hopfield神经网络的权值初始化是一个随机过程,影响Hopfield的全局优化能力,为此,本文引入粒子群优化算法对Hopfield神经网络的权值进行优化,得到优化的Hopfield网络即PSO-H神经网络。用优化后的Hopfield网络,即PSO-Hopfield网络对BP网络的输入数据预处理,再利用BP神经网络进行故障诊断,得到一个判断率更高的故障诊断神经网PSO-H-BP网络。在Matlab7.1环境下进行仿真,离心式风机的诊断实例验证了H-BP神经网络和PSO-H-BP神经网络可精确识别风机的各类常见故障,从而证明本文所提出网络的有效性。