由2组数据可看出：第1组数据中机器人在模块2上是正常状态；第2组数据机器人在模块2上发生的是系统故障。
第四步：判断机器人在模块3上发生哪些故障
Fault-0：正常状态          没有发生任何状态
Fault-1：系统故障          模块内部出现故障
Fault-2：传感器故障        用于测量信息的传感器发生故障
Fault-3：混合故障          系统故障和传感器故障同时发生
由实验所得：
第1组数据机器人在模块3上是正常状态；第2组数据机器人在模块3上发生的是系统故障；第3组数据机器人在模块3上是正常状态；第4组数据机器人在模块3上是正常状态；第5组数据机器人在模块3上是正常状态；第6组数据机器人在模块3上是正常状态；第7组数据机器人在模块3上是正常状态；第8组数据机器人在模块3上发生的是传感器故障。
 
图5.4.4 模块3的BP神经网络学习曲线
把第9、10组数据作为测试数据，测试结果如下：
Y =
    1.0000    0.0000
    0.0000    0.0000
0.0000    0.0000
0.0000    0.9974
由2组数据可看出：第1组数据中机器人在模块3上是正常状态；第2组数据机器人在模块3上发生的是混合故障。

5.5基于RBF网络的故障诊断及MATLAB仿真
第一步：建立RBF神经网络的训练样本。重新整理实验数据，并对其进行归一化处理，共有10个样本数据，4个模块状态，每个样本有12个特征参数。按照如下方式设计学习函数，网络的输入层神经元个数为10个，输出层的个数为4个，隐含层的个数根据Matlab函数自行调整。输出形式如下：
无模块故障（0 0 0 0）；模块1故障（0 1 0 0）；
模块2故障（0 0 1 0）；模块3故障（0 0 0 1）。
样本数据：
序号    输入样本    目标向量
1    0.0016    0.1732    0.3667    0.5274    0.9426    0.3557    0.3575    0.8756    0.0529    0.9909    0 1 0 0
2    0.0949    0.9557    0.577    0.7588    0.639    0.1508    0.0338    0.0089    0.3777    0.6106    0 1 0 1
3    0.6723    0.2461    0.0878    0.3025    0.7413    0.7502    0.6838    0.1012    0.9629    0.2391    0 0 1 0
4    0.4132    0.3165    0.8152    0.1261    0.576    0.4823    0.0328    0.9325    0.5594    0.3441    0 1 0 0
5    0.5305    0.839    0.503    0.1015    0.0542    0.6051    0.313    0.6081    0.4593    0.5666    1 0 0 0
6    0.3785    0.9897    0.923    0.0405    0.0312    0.3082    0.9578    0.7953    0.252    0.3812    0 1 1 0
7    0.082    0.1473    0.4587    0.9272    0.806    0.5229    0.5312    0.0223    0.9759    0.7469    0 1 0 0 基于神经网络的移动机器人的故障诊断方法研究(17):http://www.751com.cn/zidonghua/lunwen_2256.html