在分析转台故障类型和机理的基础上,针对故障与征兆之间的复杂非线性映射关系,提出了一种基于减聚类的T-S型模糊神经网络故障诊断方案。首先建立了转台故障底事件与征兆信号的明确对应关系,并以清晰数值形式表述专家的诊断经验;然后在减聚类算法中引入权值的概念,获得简约规则表;接着利用抗噪声训练方法训练网络,使其能够克服一定幅值内的噪声干扰;最后利用含噪声数据和测试数据分别试验。试验结果表明：该方法能有效减少诊断规则的数目,准确地实现故障识别,对噪声的容错能力强,有很强的工程实用性。

为了研究液压马达可能出现内泄漏故障,并对液压马达状态进行预测性监控。通过建立液压马达内泄漏故障试验平台,获得液压马达内泄漏的故障数据。在MATLAB中建立基于T-S模糊神经网络的故障预测模型,将实验数据用于模型的训练以及预测结果的验证。对预测结果进行分析后,讨论了不同数量样本用于模型训练对故障预测精度的影响。在分析过程中发现数据波动较大的地方,相对误差较大。研究后发现,通过将实验数据进行拟合后,用相同的模型进行训练和预测,讨论了拟合后不同数量样本的预测模型精度与拟合前的差别。结果表明:虽然模型训练的数据数量越大,预测的精度越高,但数据拟合后只需将较少的数据用于建模,预测就能达到较高的精度,为小数据样本进行故障分析提供了参考。