基于神经网络的滚动轴承故障诊断方法研究与应用

滚动轴承是各种旋转机械中应用最广泛的一种通用机械部件，由于轴承特定的使用环境造成其寿命的随机性较大，目前还无法准确预测其寿命的长短。轴承工作状态的好坏关系到设备是否正常运行，对生产过程、产品质量有直接影响。因此，对各种机械设备进行诊断一般都要牵涉到对其中的滚动轴承进行监测与诊断，轴承故障诊断就显得非常重要。由于滚动轴承本身在工作时必然伴随旋转而产生振动，其运行状况的好坏往往直接反映在振动信号中，另外振动信号测试简单、直观，通过测量、分析轴承的振动信号来判断轴承状态、进行故障诊断方便可靠。 近年来研究热点的人工神经网络因其特有的优势使得它的应用日益广泛，故障诊断领域已经出现了它的身影。人工神经网络的计算能力有三个显著特点：一是它的非线性特性；二是并行分布结构；三是它的学习和归纳能力。同时，它实现容易，采用大量简单的神经元构成神经网络解决难以直接使用解析式处理的问题。因此，将神经网络引入轴承故障诊断正好利用其特点，将问题的处理从传统方法转向人工智能方向。随着微机技术突飞猛进的发展，以通用微机为核心加上适当的软硬件构成的微机系统较传统的单一昂贵的诊断设备有更好的灵活性、扩展性，且人工神经网络的软件实现也是完全可行的，可以将诊断系统由软硬件综合完成，减少开支。 在以机械设备振动信号为参量的机械运行状态监测与诊断中，当轴承出现故障时，所测取的设备中机械设备振动信号不但有轴承故障信号，而且还包含其它机械部件的振动信号和一些随机振动信号，这些信号对于轴承信号来说都是噪声。而如何从所测取的振动信号中提取轴承微弱故障信号的特征信息并用来识别轴承的运行状态成了一个工程实践中面临的重要问题。本文对滚动轴承的振动数据分别在时域和频域进行了分析，分别获得特征值，将特征值作为神经网络输入，由神经网络处理，获得预处理结果，再在神经网络处理结果基础