挤压机是挤压加工生产线中的关键设备，决定着挤压车间的生产品种和能力。因此，对挤压机的故障诊断和及时排除故障对保证产品质量和生产进度显得尤为重要。即使是经验丰富的工人诊断设备的运行状态也无法与一套完整的设备状态监控系统的判断精度相比。一旦判断失误就会造成重大损失。为了提高挤压机可靠性、经济性，降低生产成本，提高设备的利用率，通过设备的状态监测与故障诊断技术，实现设备的“状态维修”就成为现代设备管理和维护的必然需要。　　 本文在分析了挤压机结构特点、挤压机故障的种类及产生的多种原因的基础上，给出了一种利用神经网络技术来进行挤压机故障诊断的设计方案。　　 本文所采用的挤压机故障诊断方法是:利用多种传感器测出挤压机液压系统压力、温度及振动信号，根据液压系统反馈回来的信号自动绘制出压力波形，并且提取出特征参数，再将这些特征参数作为BP神经网络的输入样本，并利用其对所建立起的BP神经网络反复训练，然后利用训练好的神经网络进行挤压机故障诊断，得出诊断结果。这种方法不仅大大提高了故障诊断的效率，而且还使故障诊断具有人工智能化。　　 试验表明，基于神经网络的故障诊断结果与实测值具有良好的一致性，只要拥有了足够多能够准确反映故障的样本对BP神经网络进行训练，网络的可靠性和稳定性就能得到大大的提高。针对设备运行的复杂性，仅选用单一的诊断参数往往会做出错误的判断，而基于神经网络的故障模式识别方法能充分利用信息特征，实现输入与输出之间的映射关系，得出准确的诊断结果。人工神经网络为状态监测和故障诊断提供了新的理论方法和技术手段，这种故障诊断方法完全可用于挤压机组故障诊断，因而具有广泛的应用前景。