該系統的故障征兆可由以下可測的工藝參數表征：澄清池入口溫度、澄清池出口溫度、澄清池入口流量、澄清池入口調節門開。度、澄清池出口濁度、澄清池泥渣。將故障征兆進行歸一化處理計算，得到6個[0，1]之間的故障征兆特征值，X=(X1，X2，…，X6)作為神經網絡的輸入。

常見的故障有：傳感器斷線故障，F1～F4；調節門偏差F5、調節門卡死F6、調節門滯環F7、粘調節門滯滑動F8、調節門漏流F9；出口濁度高F10、入口流量大F11；系統正常用F0表示。共12種故障模式，記為Y=(Y1，Y2，…，Y12)作為神經網絡的輸出。由閥值函數判定輸出層神經元的最終輸出結果：

隱含層：隱含層的節點數和神經元數目選擇，目前理論尚無指導，本系統隱含層選取10個神經元。這樣構成6-10-12的三層BP網絡結構。

BP網絡的訓練樣本來自電廠相應故障的累計數據。表1列出了故障樣本，其中每個樣本均有6個特征值，選擇足夠多的代表正常狀態和故障狀態的樣本，采用BP算法對6-10-12網絡進行訓練。在系統總誤差為0.01，步長為0.5時，網絡訓練10 000次，或直到滿足性能要求時停止訓練，否則增加訓練次數。

2.3 仿真

網絡訓練完后，用其他故障樣本進行測試其對應的診斷結果見表2。神經網絡故障診斷推理過程舉例如下：根據本文故障診斷的特點，防止誤診斷和漏診斷，通過試驗，取φ=0.90，診斷效果最佳。表1中“樣本1”輸入神經網絡，對應網絡輸出為表2中的“樣本1”所在行，依次類推。表1中的樣本1對應的網絡輸出值均小于0.90，說明無故障，代表系統正常工作；樣本2對應的網絡輸出，只有Y2>0.90，說明有“F2”故障存在。然后啟動專家系統，對該結果進行驗證和解釋。測試結果表明，該網絡對已訓練過的樣本有很好的識別能力。