S8    0.8756    0.0089    0.1012    0.9325    0.6081    0.7953    0.0223    0.6706
    S9    0.0529    0.3777    0.9629    0.5594    0.4593    0.2520    0.9759    0.6655
    S10    0.9909    0.6106    0.2391    0.3441    0.5666    0.3812    0.7469    0.1097
输出数据
Output1    Fault-10    0.9377    0.0508    0.9016    0.2509    0.9694    0.4314    0.1009    0.9868
    Fault-11    0.2505    0.6491    0.1722    0.1333    0.0827    0.5833    0.8308    0.1487
    Fault-12    0.4715    0.7747    0.2582    0.9486    0.0751    0.8015    0.3964    0.2257
    Fault-13    0.4430    0.8340    0.0017    0.2715    0.5863    0.9505    0.4536    0.3218
Output2    Fault-20    0.3641    1.0300    0.2844    0.9003    0.9770    0.2587    0.9041    0.8009
    Fault-21    0.1082    0.2374    0.8610    0.0815    0.0761    0.8092    0.5685    0.9130
    Fault-22    0.9624    0.0307    0.3742    0.2399    0.2898    0.7358    0.0748    0.1482
    Fault-23    0.0055    0.0008    0.7640    0.4556    0.3061    0.9905    0.3007    0.8243
Output3    Fault-30    0.8801    0.2274    0.9051    0.8935    1.0663    0.8245    0.9768    0.2387
    Fault-31    0.0145    0.9503    0.1169    0.2202    0.0168    0.1418    0.1094    0.1949
    Fault-32    0.1204    0.2126    0.0868    0.5742    0.0833    0.2387    0.6051    0.9312
    Fault-33    0.0851    0.3348    0.1912    0.2655    0.3329    0.1050    0.2725    0.1750
结果
results    Fault-10    Fault-13    Fault-10    Fault-12    Fault-10    Fault-13    Fault-11    Fault-10
    Fault-22    Fault-20    Fault-21    Fault-20    Fault-20    Fault-23    Fault-20    Fault-21
    Fault-30    Fault-31    Fault-30    Fault-30    Fault-30    Fault-30    Fault-30    Fault-32 基于神经网络的移动机器人的故障诊断方法研究(15):http://www.751com.cn/zidonghua/lunwen_2256.html