故障诊断模型的建立集成神经网络由三个诊断子网组合而成，迄今为止，确定隐层节点数多采用经验公式。设输入节点数为n，输出节点数为m，隐层节点数为p，大致由五种方法可确定p：（1）p为输入样本中模式的个数减1；（2）p＝2n＋1；（3）pnmr（4）pnm；（5）p＝n＋0.618（n－m），nmp＝n－0.618（m－n），n＜m.
本系统采用方法（2）确定隐层单元数，所建立网络结构如所示。融合决策网络的实现策略融合决策网络的实现策略有很多种，本系统采用下述方法实现：设子网络NNi形成的故障向量为Pi＝［P1i，P2i，，Pci］，其对每类故障的置信权值向量为ri＝［r1i，r2i，，rci］，子网络的并行组合Nm＝［NN1，NN2，，NNm］形成了故障矩阵P和置信权矩阵R［2］。
网络模型1的训练网络NN1结构为9－19－6，NN2结构为5－11－6，NN3结构为4－9－6，规定系统误差为0.0001.网络学习的速率和冲量系数设置为自适应改变，使用函数trainbpx进行快速训练。三个网络训练结果如所示。诊断模型的验证某厂风机运行一段时间后发生了旋转失速故障，对风机各特征参数进行采样，其三个特征体各自采样值（已归一化）见4.
系统运行和诊断实例采集的风机信号数据经过系列变换，即振动信号经过傅氏变换或小波变换，提取特征向量，进行归一化处理后形成待诊断向量存入特征征兆库。开始诊断时，从特征征兆库取出数据作为神经网络的输入，利用学习系统得来的权重矩阵（故障知识），网络经过诊断运行即可得到诊断的结果。依据网络的多结点输出，诊断结论不仅提供了主要故障，而且会指出潜在的隐含故障。
