本站原创摘 要：滚动轴承是机械中的易损部件.在使用滚动轴承的旋转机械中,大约有30%的机械故障由轴承而引起［1］.因此智能化滚动轴承状态监测具有重要研究意义.滚动轴承故障诊断的方法很多,其中以建立人工神经网络,通过对信号的傅里叶分析来监测滚动轴承的工况最为简单.
关 键 词：轴承；故障诊断；人工神经网络；傅里叶分析
在工业化程度越来越高的情况下,各种机械的结构越发细致,自动化程度也越来越高,人们对工业中机械的要求也越来越严格.机械的自动化加工过程中,安全性,连续性都是影响工业产品生产从而影响企业效益的重要因素.滚动轴承在工作过程中可能由于各种原因引起故障,比如腐蚀,疲劳,过载等都会在成轴承的损坏.神经网络以其独特的联想、记忆和学习功能在机械故障诊断领域中受到广泛关注.其中BP算法可以有效缩短网络在训练过程中滞留于局部极小区域的时间,大大提高网络的学习速度［7］.
1振动信号数据处理及特征提取
本实验中,轴承共有两种状态,即正常（Z）和故障（G）.且变频器在频率为20Hz、25Hz,30Hz的工况条件下,两种状态各采集10组数据.共60组数据.选用采样频率10KHz,采样点数为20000,故采样时间为2s.对信号进行零均值化预处理,再进行FFT分析其波形会比原来的波形更好.
其时域特征值进行提取,包括均值、方差、均方根、峰值、峰值因子,峭度系数、波形因子、脉冲因子,裕度因子,其中故障轴承和正常轴承在峰值、峰值因子、裕度因子、脉冲因子差别较为明显,而在均值、方差、均方根值、峭度系数和波形因子差别不明显,提取其中的明显特征值.故障轴承数据随机抽取G252FFT、G255FFT、G257FFT、G259FFT数据对比图形,并对正常轴承数据随机抽取Z252FFT、Z255FFT、Z257FFT、Z259FFT数据对比图形后,可以得到频域特征值：
从上表可以看出,故障轴承和正常轴承功率谱的特征值重复性和差异性都是比较良好的.最后实现特征值归一化.
2.神经网络
首先将已进行归一化的特征值作为BP神经网络的基础,设计BP神经网络,确定其各个参数.然后建立神经网络并对其进行训练,从而实现模式识别.在经过1000次的训练后,隐层神经元为的BP网络对函数的逼近效果最好,因为它的误差最小所以这里将网络隐层的神经元数目设定为30.网络训练的训练误差为0.000954464,训练步数为98步.
测试结果为：
0.03140.9962
0.99990.9992
期望结果为：
01正常轴承
11故障轴承
由上面测试：数据的分类完全正确.也就是说前面建立起来的网络对轴承状态的识别系统是完全正确的.以后进行模式识别时,只要将测得的数据输入这个网络就可以根据它的输出结果正确的识别出轴承的状态.