振動篩主要用來脫泥、脫介、分級和脫水，是一種散體物料分級的主要設備。振動篩在工作中受到激振力及物料在篩面上運動的作用力等，使得構件承受較大的應變，在應變力集中的部位產生疲勞裂紋直至發生疲勞斷裂，嚴重影響振動篩的生產。因此，需要找出其損傷檢測的有效方法，本文就來介紹一種基于神經網絡辨識模型參數的統計學特征的振動篩裂紋損傷檢測及趨勢分析的方法。
檢測思路：在神經網絡辨識模型的基礎上，利用由模型參數的統計學特征對振動篩進行裂紋損傷檢測及趨勢分析。由實測振動信號建立研究對象的神經網絡辨識模型，分析辨識模型的虛擬激勵下的相應信號頻域特征，并對辨識模型的權值進行統計特性研究，由分析結果可以有效地檢測振動篩的結構裂紋。
首先由測得的輸入輸出信號辨識出系統的NNARX模型，對此辨識模型施加不同幅度的虛擬激勵，對模型的輸出響應特性進行頻域分析，由此來檢測裂紋的存在。
分別對無裂紋和有裂紋模型篩的辨識模型施加實際激勵信號哦的滿幅度、0.2 幅度、0.4 幅度、0.6 幅度和0.8 幅度的激勵信號，得到相應的相應信號，對響應信號做頻譜分析。虛擬激勵下系統輸出信號的頻譜分析對檢測振動篩的裂紋是有效的。
用神經網絡辨識系統時，通過調整模型的權值，讓模型的實際輸出盡可能接近目標輸出，這時模型的權值特征也是模型特性的體現。通過對權值做統計分析（箱圖）來判斷振動篩的狀態。
對振動篩而言，由于結構裂紋的存在而產生的異常振動遠小于強迫振動的水平，所以選擇垂直于篩幫的（混沌）振動信號進行裂紋檢測。但由于垂直于振動篩運動方向的振動是非線性的，將實測振動信號的頻譜分析結果直接作為診斷依據是不充分的。上文介紹的基于神經網絡辨識模型參數的統計學特征的振動篩裂紋損傷檢測及趨勢分析的方法，可有效地檢測振動篩的結構裂紋。將這種分析方法應用到工業現場振動篩裂紋發展趨勢的研究上，取得了良好的 。