運用含分類變量的混合輸入模糊神經網絡對發(fā)電機的正常行為模型進行重構建模，得到發(fā)電機的正常狀態(tài)下的行為模型。要對發(fā)電機的異常進行，首先識別出發(fā)電機的異常行為模式。異常檢測的目標是發(fā)現(xiàn)與大部分其他對象不同的對象。通常，異常對象被稱作離群點，因為在數(shù)據(jù)的散布圖中，它們遠離其他數(shù)據(jù)點。所謂離群點就是一個觀測值，它與其他觀測值查遍如此之大，以至于懷疑它是由不同的機制產生的。

運用混合輸入模糊神經網絡對發(fā)電機的正常行為模型進行重構建模，得到發(fā)電機的正常狀態(tài)下的行為模型。要對發(fā)電機的異常進行，首先識別出發(fā)電機的異常行為模式。對于發(fā)電機的異常監(jiān)測，發(fā)電機處于正常的工作狀態(tài)時，通過混合輸入模糊神經網絡所重構的發(fā)電機的狀態(tài)參數(shù)與實際值應該是非常接近的。因此，通過模型重構出的狀態(tài)參數(shù)與實際值的殘差保持動態(tài)的穩(wěn)定狀態(tài)，并且發(fā)電機的狀態(tài)參數(shù)數(shù)據(jù)一直保持訓練時原有的映射關系。但是當發(fā)電機出現(xiàn)異常故障的時候，發(fā)電機的狀態(tài)參數(shù)的數(shù)據(jù)的映射關系一定會發(fā)生變化，從而導致殘差的異常波動。對殘差進行分析，可以對發(fā)電機進行故障診斷。