振动筛主要用来脱泥、脱介、分级和脱水，是一种散体物料分级的主要设备。振动筛在工作中受到激振力及物料在筛面上运动的作用力等，使得构件承受较大的应变，在应变力集中的部位产生疲劳裂纹直至发生疲劳断裂，严重影响振动筛的生产。因此，需要找出其损伤检测的有效方法，本文就来介绍一种基于神经网络辨识模型参数的统计学特征的振动筛裂纹损伤检测及趋势分析的方法。
检测思路：在神经网络辨识模型的基础上，利用由模型参数的统计学特征对振动筛进行裂纹损伤检测及趋势分析。由实测振动信号建立研究对象的神经网络辨识模型，分析辨识模型的虚拟激励下的相应信号频域特征，并对辨识模型的权值进行统计特性研究，由分析结果可以有效地检测振动筛的结构裂纹。
首先由测得的输入输出信号辨识出系统的NNARX模型，对此辨识模型施加不同幅度的虚拟激励，对模型的输出响应特性进行频域分析，由此来检测裂纹的存在。
分别对无裂纹和有裂纹模型筛的辨识模型施加实际激励信号哦的满幅度、0.2 幅度、0.4 幅度、0.6 幅度和0.8 幅度的激励信号，得到相应的相应信号，对响应信号做频谱分析。虚拟激励下系统输出信号的频谱分析对检测振动筛的裂纹是有效的。
用神经网络辨识系统时，通过调整模型的权值，让模型的实际输出尽可能接近目标输出，这时模型的权值特征也是模型特性的体现。通过对权值做统计分析（箱图）来判断振动筛的状态。
对振动筛而言，由于结构裂纹的存在而产生的异常振动远小于强迫振动的水平，所以选择垂直于筛帮的（混沌）振动信号进行裂纹检测。但由于垂直于振动筛运动方向的振动是非线性的，将实测振动信号的频谱分析结果直接作为诊断依据是不充分的。上文介绍的基于神经网络辨识模型参数的统计学特征的振动筛裂纹损伤检测及趋势分析的方法，可有效地检测振动筛的结构裂纹。将这种分析方法应用到工业现场振动筛裂纹发展趋势的研究上，取得了良好的 。