目前,专家系统是智能诊断系统的主要应用形式之一,专家系统应用于飞机故障诊断已经成为国内外研究的热点。然而,专家系统在解决实际问题时,往往会遇到大量参数化知识,其特点是边界比清楚,具有部分重叠现象,有必要用模糊规则和隶属函数来表示这些知识。为了缩短规则匹配过程,加快推理速度,并使系统具有自学习能力,将神经网络引入专家系统是一种有效途径。专家系统是基于逻辑演绎的,神经网络则是基于集体计算,它们代表了两种相互补充的方法,将专家系统和神经网络方法结合起来可以更好地发挥各自的特长,以解决单独使用专家系统和神经网络所无法解决的问题。基于此思想,本论文采用了诊断专家系统与神经网络相结合的协同工作方法,即在高层采用结构分解,底层采用故障分解,针对不同层次上的分解采用不同的诊断方法,这样可以提高诊断的有效性、充分发挥不同诊断方法的优点。本课题在分析飞机故障诊断过程的基础上将BP神经网络算法引入飞机故障诊断的基于案例推理的专家系统中,利用神经网络的联想记忆和模式识别功能,将飞机故障各项参数的异常值与已知故障模式的标准故障参数值进行对比可以有效解决飞机故障诊断过程中的逻辑推理难题。在此基础上实现排故知识共享,形成推理规则,辅助机务维修工程师进行飞机系统故障预测与故障诊断,从而极大地提高机务人员的排故工作效率,缩短故障诊断的时间,提高飞机维修的质量,同时还便于将飞机维修专家的经验推广,提高飞机维修工程师的整体业务水平。通过对人工神经网络(ANN)的深入研究,针对体现神经网络智能主体的学习算法,设计合理的基于BP学习算法的神经网络模型,以波音PW4000型发动机为例,在采集了充分的发动机故障数据后,结合典型的故障经验数据,选取合适的特征向量作为状态输入并在MATLAB中进行模拟故障诊断,并和实际故障数据对比,以此说明了该故障诊断专家系统的实用性。系统的神经网络模块仿真实例中采用三层网络结构,4个输入节点,中间层为10个,输出层与故障模型相对应为12个节点。在算法方面,经过多次实验,使用梯度下降法迭代不断修正权值,网络训练迭代次数为万次,学习精度要求为取系统总误差E=0.001。通过对发动机典型故障数据的学习,系统对使用过程中的数据进行模拟诊断,可达到实用要求。