1.一种基于可拓神经网络的烘房加热系统故障诊断方法，其特征在于：所述故障诊断方法包括以下步骤：

1)、建立烘房加热系统可拓神经网络模型

网络输入层参数分别是：加热温度TW、助燃风机轴瓦温度T1、助燃风机转速n1、燃油流量RF、调节阀压力PS1、燃油压力PS2、助燃风机压力PS3、电机电流A、电机功率P，根据物元定义，建立可拓神经网络输入层9维物元模型M；

根据烘房加热系统故障经验，该系统的故障包括：调节阀阻塞Q1、输送管道堵塞Q2、燃气水分含量过多Q3、燃油压力不足Q4、原油含水Q5、电机转子故障Q6；构建输出层6维的网络输出物元在原始神经网络中，神经元与神经元之间存在着连接权值wji，当9维特征以物元M的形式输入时，定义权值矩阵W：其中，wji表示物元M中第i个特征cmi与神经网络隐层第j个神经元之间的连接权值。

可知W的每一行wji(i＝1,2,...,9)表示输入层物元M的9维特征分别对隐层m维特征第j(j＝1,2,…,m)个神经元的连接权值；

同理定义隐层与输出层之间的权值矩阵

其中，wji(i＝1,2,...,m)表示隐层m维特征分别对物元 的6维特征第j(1,2,…,6)个神经元的连接权值；

2)、模型故障诊断

根据预设设备安全区间，计算网络输出各节点可拓距ρ，当ρ<0，设备处于正常状态；

当ρ>0，设备出现故障；当ρ＝0，设备处于故障边缘状态。

2.如权利要求1所述的基于可拓神经网络的烘房加热系统故障诊断方法，其特征在于：所述步骤1)中，烘房加热系统可拓神经网络模型建立后，神经元激励函数全部取对数Sigmoid函数训练步骤如下：(0) + -

1.1)令网络迭代次数t＝0，Δ ji＝0.1，η ＝1.2，η ＝0.5，并设定训练目标g和最多可迭代次数e；

(t)

1.2)计算指标函数对权值的一阶偏导数 并根据(7)式计算Δ ji；

式中，η+和η-分别为增加因子、减小因子，且满足0<η-<1<η+，通常取η-＝0.5，η+(t)＝1.2； 为指标函数E 对权值wji的梯度；

1.3)根据(8)式计算网络权值调整量

同时根据(7)、(9)式对网络权值 进行调整；

1.4)计算所有样本的误差平方和err，t＝t+1，如果erre，则训练结束，否则跳到步骤1.2)。

3.如权利要求1或2所述的基于可拓神经网络的烘房加热系统故障诊断方法，其特征在于：所述步骤2)中，预设可拓标准距区间表，并分别计算每个特征值vmi对应标准区间的距ρ，得到关于ρ的数值。