基于共振解调与神经网络的滚动轴承故障智能诊断
《2024年度滚动轴承复合故障的智能诊断系统研究》范文
《滚动轴承复合故障的智能诊断系统研究》篇一一、引言随着工业的快速发展，滚动轴承作为旋转机械中不可或缺的关键部件，其故障诊断的重要性愈发凸显。
滚动轴承在运行过程中，由于多种原因，常常出现多种复合故障，这给故障诊断带来了巨大的挑战。
为了更高效、准确地诊断这些复合故障，本研究提出了滚动轴承复合故障的智能诊断系统。
二、滚动轴承复合故障概述滚动轴承的复合故障指的是在运行过程中，由于多种原因导致轴承出现多个类型的故障，如裂纹、磨损、异物等。
这些故障往往相互影响，使得诊断更为复杂。
传统的诊断方法往往依赖于人工经验，效率低下且易漏诊。
因此，需要一种智能的诊断系统来解决这一问题。
三、智能诊断系统的构建为了解决上述问题，本研究提出了基于人工智能技术的滚动轴承复合故障智能诊断系统。
该系统主要包括数据采集、信号处理、特征提取、模式识别和诊断决策等模块。
1. 数据采集模块：通过传感器实时采集滚动轴承的振动信号、温度信号等数据。
2. 信号处理模块：对采集的数据进行滤波、去噪等预处理，以提高信号的信噪比。
3. 特征提取模块：通过信号处理后的数据提取出能反映轴承状态的特征信息，如振幅、频率等。
4. 模式识别模块：利用机器学习、深度学习等算法对提取的特征进行分类和识别，判断轴承是否存在故障以及故障类型。
5. 诊断决策模块：根据模式识别的结果，结合专家系统等知识库，给出诊断决策和建议。
四、技术实现及优势本智能诊断系统采用了先进的人工智能技术，包括深度学习、机器学习等算法。
通过对大量历史数据的训练和学习，系统能够自动识别出轴承的故障类型和位置。
同时，系统还具有自学习和优化功能，能够随着使用不断优化和提高诊断准确性。
相比传统的诊断方法，本系统具有以下优势：1. 诊断准确率高：通过机器学习和深度学习等技术，系统能够自动识别出轴承的复合故障类型和位置，避免了人工经验的局限性。
2. 诊断速度快：系统能够在短时间内对大量数据进行处理和分析，提高了诊断效率。
滚动轴承故障诊断系统优化的开题报告
滚动轴承故障诊断系统优化的开题报告一、选题背景滚动轴承广泛应用于各个领域，如工业设备、机床、汽车等。
但在运行过程中，由于多种因素的影响，滚动轴承易受损坏，可能导致系统失效。
同时，由于其他因素的干扰，滚动轴承的损坏也不容易直接发现。
因此，开发一种滚动轴承故障诊断系统非常必要。
二、研究内容本研究将以滚动轴承的损坏状态为切入点，开发一种基于机器学习的滚动轴承故障诊断系统，通过数据采集和分析，准确快速的识别出轴承的损坏状态。
在数据采集方面，将采用传感器获取滚动轴承在运行时的振动、声响等数据。
在数据分析方面，将利用神经网络、遗传算法等机器学习技术，对采集到的数据进行分析处理，不断对系统进行优化调整。
三、研究目标本研究的主要目标是开发出一种准确快速的滚动轴承故障诊断系统。
具体目标如下：1.建立准确的滚动轴承损坏的模型和数据处理模型，能够根据模型和处理模型来区分滚动轴承的不同状态。
2.归纳滚动轴承在不同损坏状态下的关键振动和声响信息，在数据采集方面加以考虑，并对信息进行有效的提取和分析。
3.对所选用的神经网络或其他机器学习方法进行优化和改进，到达更好的预测精度和诊断结果。
4.在实验室内进行较为完整、准确的试验，以验证所研发系统的可靠性和实际效果。
四、研究方法本研究将采用如下研究方法：1.研究相关技术文献，掌握滚动轴承故障诊断领域的发展现状、研究思路和关键问题。
2.进行实验数据的采集和处理，利用传感器等设备获得滚动轴承在不同状态下的振动、声响、温度等数据，采集到的数据包括不同负荷、不同转速、不同环境温度下的数据。
3.通过对采集到的数据进行处理，提取振动、声响等特征，建立滚动轴承故障的模型，对模型进行理论分析和实验优化，并对不同故障模型进行合并考虑，充分识别滚动轴承的损坏状态。
4.采用不同的机器学习算法，如神经网络、遗传算法、逻辑回归等，进行滚动轴承故障诊断系统的开发与优化。
五、预期结果通过以上的研究方法和过程，本研究预计能够取得如下结果：1.建立出一种基于机器学习的滚动轴承故障诊断系统，能够在精准和快速的识别出轴承的损坏状态。
基于神经网络的滚动轴承故障诊断方法的研究
ｌ ｌ
式中： Ｕ Ｏ １．，；＝ … ，） ＝ ，，． ０ １… ｎ—重构信号离散点的幅值。 ．７
导师 的学习算法 ， 具有广泛的适用性Ｉ ６ １ 。在这里我们采用 Ｂ Ｐ算法
（ ） 了更好的反应不 同故障带来 的固有振动频率 的本质 ， 对故 障诊断网络进行训 练， ３为 具体 的算法流程如下 ： １对网络的权 （）
ｂｌｙａｄｓｌ ｌａｎｎ， ｅ －ｒａｉｎ， ａ ｔｅ ｅ ， ｄｗ ｉ ｄａｆｒｒｌｎ ｅ ｉｇ ａｌｄａｎｓ ． ｉｔ ｎ ｅ －ｅ ｉｇｓｌ ｏｇ ｚ ｇ ａｐ ｉ ， ｔａ ｈｃ ｉ ｉｅｌｏ ｌｇｂａ ｎ ｆｕｔ ｉ ｏｉ ｉ ｆ ｒ ｆ ｎ ｉ ｄ ｖ ｃ ｎ ｈｓ ｏｉ ｒ ｇ ｓ Ｗｅｐｏｏｅ ｔｏ ｏ ａｌ ｔｓｎ ｎｒｌｎ ｅ ｉｇｂ ｅ ｎｎｕａ ｎｔｏｋｉ ｏｎｃｉｎｗｔ ｒ ｓｄａｍ ｈ ｄ ｒ ｕ ｔ ｅｔ ｇｏ ｏｉｇｂａ ｎ ａ ｄ ｏ ｅ ｒ ｅ ｒ ｎｃｎ ｅｔ ｉ ｐ ｅ ｆ ｆ ｉ ｌ ｒ ｓ ｌ ｗ ｏ ｈ ｒｌｎ ｅ ｉ ｍ ｏｔ ｔｏｍ ｃ ｉ ｒ ｄｅｕ ｍ ｎ ｆａｉ ａｔ ａｄａｐｏｉａｅ ０ ｏ ｈｃ ｏｌ ｇｂａ ｎ ｉｉｐ ｒ ａｈｎ ｙａ ｑ ｉｅ ｔ ｒｇｌｐ ｓｎ ｒｘｍ ｔｌ ３ ％ ｆ ｗ ｉｈ ｉ ｒ ｇｓ ｎ ａ ｔ ｅ ｎ ｐ ｆ ｏ ｅ ｒ ｐ ｙ
图 ２诊断测试系统图
表 １滚动轴承特征向量表
输 入层
隐藏层
输 出层
图 １滚动轴承故 障诊断网络结构
网络 的第一层 为输入层 ， 输入 采用 小波分解得到 的特 征向
量 。第 二层为隐藏层 ， 为偏置。由于输入 向量 １范数本身处于 ｂ 一
［，］ ０ １ 区间 ， 故隐藏层选用 Ｓｇ ｏ ｉｍ ｉ ｄ激活 函数，（ ＝ ）
滚动轴承故障的智能诊断方法研究
• 26•针对滚动轴承故障声发射信号的智能识别与诊断问题，提出了一种基于卷积神经网络（Convolutional Neural Networ ks ，CNN ）智能化故障诊断方法。
该方法充分利用声发射信号参数中包含的时域和频域特征信息，构建CNN 模型充分挖掘出滚动轴承处于不同运行状态下的声发射信号特征，并给出故障诊断结果。
实验结果表明，CNN 模型方法对滚动轴承正常、外圈及内圈故障识别准确率可达97.2%以上，证明了该方法的准确性和实际工程价值。
1.引言旋转机械被广泛的应用在生产制造中，滚动轴承是旋转机械的重要组成部件，同时也是最容易损坏与失效的机械零件之一（喻洋洋，周凤星，严保康，基于LabVIEW 的滚动轴承故障诊断系统：仪表技术与传感器，2016）。
声发射检测技术是一种动态无损检测方能诊断学与工程学法，可实现缺陷萌生及扩展过程的在线检测。
将声发射检测技术应用于滚动轴承故障的诊断任务中，不仅可以检测出早期微弱故障及故障类型（郝如江，卢文秀，褚福嘉，等.声发射检测技术用于滚动轴承故障诊断的研究综述：振动与冲击，2008），还可以判断出故障损伤程度。
目前基于声发射检测技术的旋转机械设备故障诊断分析技术，如参数分析、波形分析等方法已经无法满足当前旋转机械连续生产工作中的故障监测任务（沈功田，耿荣生，刘时风，声发射信号的参数分析方法：无损检测，2002）。
赵元喜等人（赵元喜，胥永刚，高立新，等.基于谐波小波包和BP 神经网络的滚动轴承声发射故障模式识别技术：振动与冲击，2010）采用谐波小波包将故障滚动轴承的声发射信号分解到多个频率段并求取各频段的能量，作为特征向量输入BP 神经网络，通过BP 网络模型判别滚动轴承的故障类型。
杨杰等（杨杰，张鹏林，刘志涛，等.基于CEEMD 能量熵与SVM 的低速轴承故障声发射诊断：无损检测，2017）提出了一种采用CEEMD 能量熵提取特征后再利用支持向量机神经网络进行诊断的方法。
一种基于聚类的滚动轴承故障诊断方法
解调谱线很难分辨故障类型。针对此 ， 出了一种新 的模糊聚类 提
算法 ， 探讨 了该算法在滚动轴承故障诊断中的应用 。
２基于模糊 Ｆｓｅ 准则的聚类算法 ｉ ｒ ｈ
２１模糊 Ｆｓ ｅ 准则 ． ｉ ｒ ｈ
设一集合包含 Ⅳ个 ｄ维样本 Ｌ 模式类 别有 ｃ个 ， ， 习的故障诊断和基于无监督学习的故障诊断。 基于监督学习的故 在该样本空 间， 定义各类样本均值 向量记为 ｍ ， 模糊类内散布矩 障诊 断利用系统在正常和故障情况下的标记数据样本来训 练系
鎏＝
∞
（ ６ ）
对于线性可分数据集 ， 将 作为聚类 目标 函数 ， ‰ 取 当
得极大值时 ，表 明样本点在 ∞方 向上投影类间距离最大且类内 距离最小。使用 Ｌｇａｇ ａｒｎｅ乘子法求解 取得极 大值时 ， ｍ 和 ， 的取值。定义 Ｌｇａ ｇ ａｒ ｅ函数为： ｎ
４ ５６组内圈故障， ，、 归一化处理后 ， 如表 １ 所示 。对表 １中数据采 用 Ｆ Ｃ聚类算法 ， Ｆ 聚类结果 ， 图 １ 如 所示 。图 中实现为样本投影
基于深度学习的滚动轴承故障诊断方法
设备管理与维修2021翼4（上）基于深度学习的滚动轴承故障诊断方法陈志刚，高鹤，刘菲，杨志达（北京航天拓扑高科技有限责任公司，北京100176）摘要：提出一种基于一维卷积神经网络（CNN）与门控循环单元（GRU ）的滚动轴承故障诊断方法，设计了一种基于数据驱动的滚动轴承故障诊断方法。
利用同一数据集之间特征相似并且独立同分布这一特征，分别设计网络结构和参数。
为采用CNN 和GRU 进行故障诊断提供了新的思路，具有较好的技术应用前景。
关键词：深度学习；故障诊断；滚动轴承；一维卷积；门控循环单元中图分类号：TH133.33；TP277文献标识码：B DOI ：10.16621/ki.issn1001-0599.2021.04.660引言滚动轴承是机械设备中常见的组件，从简单的电风扇到复杂的机床上都有滚动轴承的应用。
事实上，超过50%的机械缺陷与轴承故障有关，从而导致机器停产、停机、甚至造成人员的伤亡[1]。
因此，滚动轴承故障诊断是机械故障诊断的一个重要方面，也是近些年来的研究热点。
近些年来，随着学者们的不断深入研究提出了各种故障诊断的方法。
传统的研究方法有：BP 神经网络[3]、概率神经网络（Probabilistic Neural Network ，PNN ）[4]、小波分析[5]、EMD [6]、集合经验模态分解（Ensemble Empirical Mode Decompo原sition ，EEMD ）[7]、奇异值分解（Singular value decomposition ，SVD ）[8]等得到了广泛的应用。
目前基于机器学习的故障诊断方法主要有，如Logistic 回归[9]、支持向量机（Support Vector Machine ，SVM ）[10]以及人工神经网络（Artificial Neural Network ，ANN ）[11]、模糊推断[12]。
人工智能的蓬勃发展，深度学习在图像识别、语音识别等领域得到广泛运用。
基于Hilbert共振解调法的滚动轴承振动故障诊断
基于Hilbert共振解调法的滚动轴承振动故障诊断采用基于Hilbert变换的共振解调技术，从共振信号中解调出故障特征信号，对故障特征频率进行分析，并经过实验诊断出轴承故障类型和部位，验证了该损伤诊断方法的优越性。
标签：滚动轴承；故障诊断；共振解调技术1 概述滚动轴承是各种旋转机械中应用最广泛的一种机械部件，它的运行状态影响整台机器的性能，包括精度、可靠性等。
同时它也是机器中最易损坏的元件之一。
由于轴承使用寿命的离散性很大，若对其按设计寿命进行定时维修更换，则有可能使故障轴承得不到及时维修和替换，导致机械工作精度下降，甚至引发事故。
因此对滚动轴承进行工况监视与故障诊断，改传统的定时维修为视情维修或预知维修，具有重要意义[1]。
滚动轴承最常见的故障形式为局部损伤和磨损，主要由运转过程中的腐蚀、疲劳、塑性变形、胶合引起。
局部损伤具有突发性，会加剧运行时的冲击载荷，有可能在较短时间内发展为大片剥落，危害很大，因此力争在局部损伤出现的早期，就检测到其特征信号并对其进行定位[2，3]。
2 实验和结果2.1 实验设计滚动轴承故障实验系统由机械驱动装置、轴系、加载装置、振动信号采集系统组成，如图2所示。
机械驱动装置为变频调速电机及齿轮减速箱，轴转速可在15～748r/min之间调整。
轴系包括直径100mm的轴、1个推力轴承、1个圆柱滚子轴承和1个受测的6220型深沟球轴承。
受测轴承共有三种试件，分别为无故障轴承、外圈故障轴承和内圈故障轴承（用电火花加工方式分别在外圈、内圈上模拟出点蚀坑）。
加载装置通过总放大倍数为200的两级杠杆给轴承施加7000N 的径向载荷。
振动信号采集系统由手持式转速计、CA-YD-103加速度传感器、DHF-7电荷放大器、凌华PCI-1812采集卡、工控机组成。
2.2 故障特征频率计算文章的实验分别模拟了外圈单处点蚀故障和内圈单处点蚀故障。
可以计算出外圈故障特征频率fout为57.09Hz，内圈故障特征频率fin为79.31Hz，其边频带谱间隔频率为fs=12.40HZ。
滚动轴承的故障诊断方法研究
滚动轴承的故障诊断⽅法研究滚动轴承的故障诊断⽅法研究第1章绪论1.1研究的⽬的和意义滚动轴承是⽣产机械中的地位⽆可替代，当然也最易损坏的部件。
其运⾏状态会直接影响整台机械⼯作效率、精度寿命和可靠性。
滚动轴承的损坏会导致⽣产机械剧烈振动，并伴有强⼤噪声，不仅会影响产品的加⼯质量，严重时会导致⽣产机械的损坏或机械事故。
随着电机的⼴泛应⽤及其⾃动化程度的不断提⾼，对其安全性、精度和故障诊断的准确性的要求也随之提⾼。
传统的诊断⽅法不仅成本较⾼、准确率偏低，并且更新费⽤⾼，已然不能满⾜⾼科技设备的需求。
基于以上原因，本⽂在虚拟仪器的环境下，利⽤多传感器信息融合技术，实现滚动轴承的故障诊断，会对现在和将来的⽣产技术提供强有⼒的帮助。
1.2国内外电机滚动轴承故障诊断的研究现状近现代以来，国内和国外的研究机构及学者在电机滚动轴承故障诊断的理论、技术与⽅法等⽅⾯进⾏了⼤量的研究分析⼯作，发表了诸多研究成果。
在国外，美国南卡罗林娜⼤学运⽤振动响应的多参数多频率的⽅法，对具有裂纹的和损伤的故障轴承进⾏诊断，⽬前已经取得了良好的成果。
美国宾州⼤学采⽤alpha beta -gamma跟踪滤波器和Kalman滤波器，对轴承故障的智能预⽰实现了完美成功。
⽇本九州⼯业⼤学运⽤基因算法优化组合特征参数，成功诊断出⼯况滚动轴承微弱故障。
意⼤利的Cassino⼤学，使⽤⾃谱技术对出现的轴承进⾏检测，判断故障轴承的初始问题，到⽬前为⽌也取得了有效的研究成果。
国外的这些技术有我们值得借鉴的地⽅，去其糟粕取其精华，研究更有技术的故障轴承诊断系统。
在国内，当滚动轴承存在故障时，⼤都以振动检测为主，因为轴承故障后常伴随巨⼤的声响，以及明显的外观表现。
国内的主要研究成果如下图所⽰。
或⾃⾝故障等多个⽅⾯的原因，会对故障造成误判或错判，如:声级计传感器易受到噪声的⼲扰，不能准确、⽆失真的反映滚动轴承的真实信号，温度传感器由于易受到外界温度的⼲扰，也常会出现误判或者错判等等。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
１引言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，也是最易损坏的元件之一，它的运行状态是否正常往往直接影响到整台机器的性能。
据不完全统计，旋转机械的故障约３０％是因滚动轴承引起的。
由此可见滚动轴承故障诊断工作的重要性。
共振解调技术是处理机械冲击引起的高频响应信号的有效方法。
当机械故障引起等间隔的高频冲击脉冲响应信号时，进行高频带通滤波后的信号进行包络处理；对包络信号进行特征提取，可诊断滚动轴承的故障。
人工神经网络技术因其突出的优势受到了越来越广泛的关注，为故障诊断技术开辟了一条新途径。
ＡＮＮ是对人脑或自然的神经网络若干基本特性的抽象和模拟，是一种非线性的动力学系统。
它具有大规模的并行处理和分布式的信息存储能力、良好的自适应性、自组织性及很强的学习、联想、容错和抗干扰能力。
本文将共振解调与神经网络结合起来，对轴承振动信号进行共振解调处理，在共振解调的包络信号中提取所需的轴承故障的特征，并将其作为神经网络输入，利用神经网络进行轴承各种故障的模式识别，实现轴承诊断的智能化，提高轴承诊断的准确性和可靠性。
２共振解调技术当轴承出现局部损伤时，运行过程中要撞击与之配合的元件表面，将产生脉冲力。
由于冲击脉冲力的频带很宽，必然覆盖监测部件的固有频率，从而激起系统的高频固有振动。
根据实际情况，可选择某一高频固有振动作为研究对象，通过中心频率等于该固有频率的带通滤波器把该固有振动分离出来。
利用Ｈｉｌｂｅｒｔ变换进行包络解调，去除高频衰减振动的频率成分，得到只包含故障特征信息的低频包络信号，对这一包络信号进行频谱分析便可提取滚动轴承的故障信息。
故障的包络信号频谱具有“没有故障就没有谱线”、“有故障则出现多阶谐波谱线”等规律。
基本原理如图１所示。
基于共振解调与神经网络的滚动轴承故障智能诊断第３３卷第２期２００７年３月中国测试技术ＣＨＩＮＡＭＥＡＳＵＲＥＭＥＮＴＴＥＣＨＮＯＬＯＧＹＶｏｌ．３３Ｎｏ．２Ｍａｒ．２００７刘建文，傅攀，任玥，高龙（西南交通大学机械工程学院，四川成都６１００３１）摘要：介绍了一种基于共振解调与神经网络技术的滚动轴承故障诊断方法。
对采集系统所拾取的滚动轴承振动信号进行共振解调处理，依据故障包络频谱中必然存在谐波谱线的规律，在共振解调后的包络信号中提取所需的轴承故障谱线特征信息，并将其作为神经网络输入，利用神经网络进行轴承各种故障状态的识别，实现滚动轴承故障的智能诊断。
实验表明，该方法能准确而有效地识别出滚动轴承的不同磨损状态，诊断便捷。
关键词：滚动轴承；共振解调；包络信号；神经网络；智能诊断中图分类号：ＴＨ８７９文献标识码：Ａ文章编号：１６７２－４９８４（２００７）０２－００１３－０３ＬＩＵＪｉａｎ－ｗｅｎ，ＦＵＰａｎ，ＲＥＮＹｕｅ，ＧＡＯＬｏｎｇ（ＣｏｌｌｅｇｅｏｆＭｅｃｈａｎｉｃａｌＥｎｇｉｎｅｅｒｉｎｇ，ＳｏｕｔｈｗｅｓｔＪｉａｏｔｏｎｇＵｎｉｖｅｒｓｉｔｙ，Ｃｈｅｎｇｄｕ６１００３１，Ｃｈｉｎａ）ＩｎｔｅｌｌｉｇｅｎｔｄｉａｇｎｏｓｉｓｂａｓｅｄｏｎｄｅｍｏｄｕｌａｔｅｄｒｅｓｏｎａｎｃｅｔｅｃｈｎｉｑｕｅａｎｄｎｅｕｒａｌｎｅｔｗｏｒｋｆｏｒｒｏｌｌｉｎｇｂｅａｒｉｎｇｆａｕｌｔｓＡｂｓｔｒａｃｔ：Ｔｈｉｓｐａｐｅｒｉｎｔｒｏｄｕｃｅｄｒｏｌｌｉｎｇｂｅａｒｉｎｇｆａｕｌｔｄｉａｇｎｏｓｉｓｂａｓｅｄｏｎｄｅｍｏｄｕｌａｔｅｄｒｅｓｏｎａｎｃｅｔｅｃｈｎｉｑｕｅａｎｄｎｅｕｒａｌｎｅｔｗｏｒｋ．Ａｆｔｅｒｄｅｍｏｄｕｌａｔｉｎｇｒｅｓｏｎａｎｃｅｐｒｏｃｅｓｓｉｎｇｔｏｒｏｌｌｉｎｇｂｅａｒｉｎｇ’ｓｖｉｂｒａｎｔｓｉｇｎａｌｗｈｉｃｈｗａｓｇｏｔｆｒｏｍｔｈｅｓｙｓｔｅｍｏｆｄａｔａａｃｑｕｉｓｉｔｉｏｎ，ｔｈｅａｕｔｈｏｒｓｃａｎｐｉｃｋｕｐｔｈｅｎｅｅｄｉｎｇｒｏｌｌｉｎｇｆａｕｌｔｉｎｆｏｒｍａｔｉｏｎｉｎｔｈｅｅｎｖｅｌｏｐｅｓｉｇｎａｌｂａｓｅｄｔｈｅｌａｗｔｈａｔｔｈｅｆａｕｌｔｅｎｖｅｌｏｐｅｓｐｅｃｔｒｕｍｈａｖｅｈａｒｍｏｎｙｗａｖｅｓｐｅｃｔｒｕｍ．Ｉｎｐｕｔｔｈｅｆａｕｌｔｉｎｆｏｒｍａｔｉｏｎｔｏｎｅｕｒａｌｎｅｔｗｏｒｋａｎｄｉｄｅｎｔｉｆｙａｌｌｋｉｎｄｓｏｆｆａｕｌｔｓｔａｔｅｏｆｔｈｅｒｏｌｌｉｎｇｂｅａｒｉｎｇｔｈｒｏｕｇｈｎｅｕｒａｌｎｅｔｗｏｒｋ，ｗｈｉｃｈｃａｎｉｍｐｌｅｍｅｎｔｔｈｅｉｎｔｅｌｌｉｇｅｎｔｆａｕｌｔｄｉａｇｎｏｓｉｓｏｆｒｏｌｌｉｎｇｂｅａｒｉｎｇｓ．Ｋｅｙｗｏｒｄｓ：Ｒｏｌｌｉｎｇｂｅａｒｉｎｇ；Ｄｅｍｏｄｕｌａｔｅｄｒｅｓｏｎａｎｃｅｔｅｃｈｎｉｑｕｅ；Ｅｎｖｅｌｏｐｅｓｉｇｎａｌ；Ｎｅｕｒａｌｎｅｔｗｏｒｋ；Ｆａｕｌｔｄｉａｇｎｏｓｉｓ收稿日期：２００６－０８－２１；收到修改稿日期：２００６－１１－０５作者简介：刘建文（１９８２－），男，硕士研究生，主要从事智能状态监测与故障诊断研究。
２００７年３月中国测试技术但轴承振动信号一般是在轴承座附近测取，如此测得的振动信号常常混有大量的噪声，且受传输途径的影响。
包络信号及其频谱较复杂，尤其是多处故障同时发生，复杂程度明显加大，给故障诊断带来很大的困难。
３人工神经网络人工神经网络是在现代神经生物学研究基础上提出的模拟生物过程以反映人脑某些特征的计算结构。
神经网络的模型很多，在故障诊断领域中常用的是ＢＰ神经网络。
标准ＢＰ网络由三层神经元组成，包含输入层、隐含层、输出层。
同一层神经元互不相连，不同神经元层之间相互连接。
ＢＰ网络算法由模式正向传播和误差逆向传播两个阶段组成。
数据信号从输入层输入，经隐层处理后再到输出层输出。
实际输出与期望输出相比较得到网络的输出误差，误差信号沿网络逆向传播，并按误差函数的负梯度方向不断地修正各层的连接权值和阈值，使得误差信号最终达到精度要求，从而实现输入输出的非线性映射。
神经网络模型见图２。
正向传播过程如下：设第ｋ个样本输入向量Ｘｋ＝（ｘｋ１，ｘｋ２，…，ｘｋＬ）得到隐层的第ｊ个节点的输出ｙｊ为：ｙｊ＝ｆ（Ｌｉ＝１!Ｗｊｉｘｋｉ＋θｊ）式中：ｆ———Ｓｉｇｍｏｉｄ函数；Ｌ———输入层神经元数；Ｗｊｉ———输入层到隐层连接权值；ｘｋｉ———第ｋ个样本的输入；θｊ———输入层第ｊ个神经元域值。
输出层的第ｒ个节点的输出Ｏｒ为：Ｏｒ＝ｆ（Ｍｊ＝１!Ｗｒｊｙｊ＋θｒ）式中：Ｍ———隐层神经元数；Ｗｒｊ———隐层到输出层的连接权值；θｒ———隐层第ｊ个神经元域值。
逆向传播过程如下：设有Ｌ对学习样本（Ｘｋ，Ｏｋ）（Ｋ＝１，２，…，１），实际输出Ｙｋ与要求输出Ｏｋ的均方差为：Ｅｋ＝１２ｍｐ!（Ｙｋ，ｐ－Ｏｋ，ｐ）２样本集总误差为：Ｅ＝ｌｋ＝１!Ｅｋｍ———输出层单元数。
沿着误差函数负梯度方向修改权值使网络收敛，输出层的权值修改ΔＷｒｊ为：ΔＷｒｊ＝"Ｅ（ｔ）Δ"Ｗｒｊ（ｙ）＝－［Ｏ′ｒ（ｔ）－Ｏｒ（ｔ）］Ｏｒ（ｔ）［１－Ｏｒ（ｔ）#$］ｙｉ（ｔ）式中：Ｅ（ｔ）———误差函数；Ｏｒ（ｔ）———期望输出。
所以得到修改后的输出层权值为：Ｗｒｊ（ｔ＋１）＝Ｗｒｊ（ｔ）－ηΔＷｒｊ式中：η－－步长，经验值。
同理求得隐层的权值修改为ΔＷｒｊΔＷｒｊ＝"Ｅ（ｔ）"Ｗｊｉ（ｔ）＝－ｙｊ（ｔ）・［１－ｙｊ（ｔ）%&］ｘｋｉ（ｔ）・（ｒ!δｒＷｒｊ）式中：δｒ———第ｒ个节点对输出误差函数Ｅ（ｔ）的灵敏度。
又得到修改后的隐层权值为：Ｗｊｉ（ｔ＋１）＝Ｗｊｉ（ｔ）－ηΔＷｊｉ４轴承故障诊断实例４．１利用实验设备获取轴承故障信号并进行共振解调处理实验硬件部分包括电机（ＹＴ８０２－４）、变频器（ＣＶＦ－Ｓ１）、联轴器、轴承座、轴承（６２０８）、磁粉制动器（ＦＺＪ５）、底座、压电加速度传感器（ＥＤ－３２）、电荷放大器、数据采集卡（研华ＰＣＩ－１７１１）。
传感器置于轴承座上，经电荷放大器及采集卡获取振动信号。
１４第３３卷第２期目标输出实际输出正常状态样本１０００１．０１７５０．０１６１０．００３００．００１７１０００１．０１１３０．００９９０．００３９０．００１０１０００１．０１１８０．００６６０．０００９０．００２８１００００．９７４００．００３４０．０２６６０．０００６１００００．９９８９０．００３３０．００３６０．０００５１０００１．０１７７０．０１３８０．０００８０．０００４检验１０００１．０１８３０．０１５１０．００１２０．０００３１０００１．００５９０．００８００．００２７０．０００５轻度磨损样本０１０００．００６９１．００５８０．０２１００．０２１９０１０００．００７１０．９８４１０．０２０３０．００２００１０００．００６３０．９９１１０．０１２８０．００２６０１０００．００７４１．０１６００．００９２０．０００５０１０００．００５７１．０１７１０．０２９６０．００４７０１０００．００１８０．９５１９０．０４０２０．００４４检验１００００．００７５１．０３３３０．０１４１０．０１２３１００００．００４９１．０１９６０．０１６１０．０００８中度磨损样本００１００．０００６０．０２６２０．９８６４０．０１４１００１００．０００５０．０１７１０．９５７２０．０５９４００１００．０００６０．０２５７０．９８４２０．００３１００１００．００１１０．０１９０１．０２６９０．００９３００１００．０００４０．０００２０．９８１２０．０１６５００１００．００１２０．０１８８１．０２４６０．００５７检验００１００．００１００．０１８９１．０２７８０．０１０３００１００．００１９０．０１１８１．０１８９０．００５７严重磨损样本０００１０．００１７０．００２１０．０１９０１．０１３４０００１０．００２２０．００６１０．０３９３１．０４６１０００１０．００２３０．０００８０．００６０１．００３７０００１０．００２９０．０００６０．０００９０．９９８８０００１０．０００７０．００１９０．０２６２１．０２６３０００１０．００４００．００３８０．０２０７０．９７００检验０００１０．００２４０．０００７０．００４７１．００２９０００１０．０１９４０．００６６０．０１５７１．０１９９表１部分训练样本及检验样本的输出软件部分利用ＭＡＴＬＡＢ程序编写实现。
将获取的振动信号进行共振解调处理，经带通滤波、Ｈｉｌｂｅｒｔ变换、频谱分析后得到神经网络所需的特征信息。
４．２提取特征参数能否有效的选择特征参数对网络的训练结果有较大的影响。
本实验在共振解调处理之后的包络信号中提取以下几个参数作为神经网络的输入量：时域内的波形因子Ｓ、峭度因子Ｋ、频域内的故障特征频率幅值Ｐｏ（外圈）、Ｐｉ（内圈）、Ｐｂ（滚珠）这五个特征向量。