滚动轴承运行状态智能化监测[论文]
尖峰能量(gSE)在滚动轴承状态监测中的应用
尖峰能量（gSE）在滚动轴承状态监测中的应用摘要：滚动轴承是在电厂中的泵，风机等旋转机械中应用最广泛的零部件，其运行状态直接影响整台机器的性能、寿命、功能和效率。
利用尖峰能量gSE 技术对滚动轴承进行监督和预测，可以有效对设备运行情况就行反应，从而对经济运行采取有效预防手段。
关键词：滚动轴承尖峰能量gSE 故障诊断振动滚动轴承是在电厂中的泵，风机等旋转机械中应用最广泛的零部件，其运行状态直接影响整台机器的性能、寿命、功能和效率，一旦出现故障，轻则影响机器的正常运行，重则会导致机组的停运，滚动轴承的运行情况对机组的工作状态有着很大的影响。
及时发现滚动轴承故障征兆，准确预测轴承寿命和故障发展情况，有利于体现做好生产维修安排计划，保持机组安全运行。
滚动轴承通过监测、分析与处理能够反映轴承工作状态的信号，从而识别滚动轴承的工作状态。
尖峰能量（gSE）法在设备动态监测和诊断轴承局部损伤方面有独到的见解，并且操作简单、方便。
一、尖峰能量分析原理和信号处理过程尖峰能量（gSE）指滚动体撞击微裂纹和缺陷所产生的振动能量的尖峰。
振动尖峰能量是这种重复的瞬态机械撞击所产生的能量强度的度量。
利用加速度传感器在一定的高频范围内检测振动能量。
在这一高频范围内，机械冲击能量会激起加速度传感器以及机器结构的自振频率。
这些响应频率作为载波频率与滚动轴承的故障频率调制。
冲击能量的强度是脉冲振幅和重复率的函数，由此冲击引起的信号能由加速度传感器并且由独特的过滤和检波电路加以处理，信号测量的大小表示为gSE。
所以当滚动轴承出现故障时，其所产生的脉冲能量所激发的振动能量会明显增大。
因此，尖峰能量在滚动轴承状态监测中非常有效果。
不平衡、不对中和机械松动等旋转机械常见故障频率信号总是体现在机械的转速频率上面，并且集中在中低频段（5Khz以下），滚动轴承和齿轮等出现剥落、裂纹、锈蚀、压痕、内外圈、保持架故障时，其运转过程中会产生非常尖锐的时域脉冲信号。
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。
毕业论文滚动轴承的加工工艺设计》
滚动轴承加工工艺设计摘要:滚动轴承是现代机器中广泛应用的部件之一，具有摩擦阻力小，功率消耗少，起动容易等优点。
本文对滚动轴承的加工工艺进行了研究和设计。
主要内容包括滚动轴承的类型、性能与特点，滚动轴承的工作情况，滚动轴承尺寸的选择，轴承零件的加工工艺特点，轴承加工的工艺过程及轴承装置的设计。
通过了解滚动轴承的主要类型、性能与特点，结合实际需要中的产品要求，选择合适的轴承及所对应的加工工艺流程。
关键词:滚动轴承；性能；工艺设计Rolling bearing processing technology design Abstract：Rolling bearing is one of the components are widely used in modern machinery, the advantages of small frictional resistance, less power consumption, easy starting, etc.This paper studied the processing technology of the rolling bearing and design.Main contents including the types, performance and characteristics of the rolling bearing and rolling bearing working condition, the choice of rolling bearing size, machining process characteristics of bearing parts, bearing machining process and the design of the bearing assembly.Through understanding the main types of rolling bearing, the performance and characteristics, combined with the actual needs of the product requirements, select the appropriate bearing and the corresponding processing technological process.Key words：Rolling bearing; Performance; Process design目录1摘要 (1)2 滚动轴承的主要类型及其代号 (2)2.1 滚动轴承的主要类型、性能与特点 (4)2.2 滚动轴承零件结构的常用术语 (5)2.3 滚动轴承的代号 (6)3 滚动轴承类型的选择 (8)3.1 选择轴承时的考虑因素 (8)3.2 具体选择 (10)4 滚动轴承产品的性能要求 (11)5 滚动轴承零件的加工工艺特点 (11)5.1 滚动轴承零件的生产特点 (11)5.2 滚动轴承零件工艺过程的特殊性 (12)6 滚动轴承生产的一般工艺过程 (13)7 滚动轴承套圈车削加工 (14)7.1 车削加工的内容和方法分类 (14)7.2 套圈车削的位置精度和定位基准选择 (15)7.3 车削套圈的尺寸公差及余量的确定 (17)7.4 套圈车削加工的切削用量 (20)7.5 套圈车削加工所用的夹具 (21)8 套圈的热处理工序 (21)9 套圈的磨削 (22)9.1 6203轴承套圈的磨削过程 (22)9.2 套圈磨削用夹具 (24)10 钢球加工 (25)10.1 钢球加工的基本工艺路线 (25)10.2 钢球加工余量的确定 (26)11 保持架加工 (27)12 轴承的装配 (28)12.1 装配的基本工艺路线 (28)12.2 轴承零件的组装方法 (28)参考文献 (30)致谢 (31)2滚动轴承的主要类型及其代号2.1滚动轴承的主要类型、性能与特点滚动轴承是现代机器中广泛应用的部件之一，它是依靠主要元件间的滚动接触来支承转动零件的。
滚动轴承内部温度状态监测技术
Ｋｅ ｒ ｓ ｏｌ ｇｈ ａｉｇ ｒａｅ；ｔｍｐ ｒｔｒ ｌｄ；ｎ ｍｅ ｃｌｓｍｕａ ｏ ｙｗｏ ｄ ：ｒｌｎ ｅ ｒ ；ｇｅ ｓ ｅ ｅ ｕｅｆｅ ｉ ｎ ａ ｉ ｕ ｒ ａ ｉ ｌｔ ｎ；ｃ ｎ ｔ ｎｍｏ ｉ ｒｎ ． ｉ ｉ ｏ ｄｉ ｎｔ ｉｇ ｉ ｏ ｏ
在运转期间由于缺油、 少油或碰撞 、 摩擦等原 因， 会引起风机轴承温度升高 ， 出现“ 烧轴” 现象 ； 或由于疲劳磨损、 压痕、 裂纹、 表面剥落、 胶着及杂 物等影响， 致使轴承损伤， 产生 冲击振动， 严重 时 会发生 基础 地脚 螺栓 振 断 、 承 烧坏 、 瓦飞 出等 轴 轴
ｍｅ ｔ ｍｐ ｒｔ ｒ ｎ ｆｇ ｅ ｌ ｎ ａ ｏ ｎａ ｔ ｌ ｅ ｅ ａｕ ｅ ａ ｄ ｏ ｉｌ ｆ ｌ ｇ ｒ ｔ ．Ａｃ ｏ ｄ ｎ ｏ ￣ｅ ｓ ｅ ｅ ａｕ ｅ ａ ｄ ｖｂ ａｉ ｎ ｏ ｏｌ ｇ ｈ ａｉ ｇ ＂ ￣ｅ ｉ ｉ ｉ ｃ ｒ ｉ ｇ ｔ －ｌｅ ｔｍｐ ｒ ｔｒ ｎ ｉ ｒｔ ｆ ｒｌ ｎ ｅ ｒｎ ｓ，ｔ ｅ ＿ Ｍ ｏ ｉ ｈ ｃ ｎ ｉ ｏ ｎ ｔｒ ｇｆ ｒｒｌ ｎ ｅ ｒ ｇ ８ ｂ ｉ ．Ｔ ｅ ｖ ｕ ｆ ｅ ｓ ｒｔｍｐ ｒ ｔｒ Ｓ ｃ ｒ ｃｅ ｔ ｅ ｒ ｇ ｌｒ ｙ ｏ ｏ ｄ ｔ ｎ ｍｏ ｉ ｉ ｌ ｇ ｂ ａ ｎ ｓＷＲ ｕ ｌ ｈ ａ ｅ ｏ ｎ ｏ ｉ ｏｎ ｏ ｏｉ ｉ ｔ ｌ ｓ ｅ ｅ ａｕ ｅ ＷＲ ｏ ｒ ｔｄ ｅ ｌ ｔ ｅ ｕａ ｉ ｆ ｌｈ ｔ ｒｌ ｎ ｅ ｒｎ ｓｉ ｔｒ ａ ｍｐ ｒｔ ｒ ｉｔ ｂ ｔ ｎ ｈ ｅ ｉ ａ ｔｏ ａ ｍｉ ｏ ｕ ａ ｙ Ｗ ８ ｅｉ ｎ ｔｄ ｔ ｅ 【 Ｉ ｆ ｏｌ ｇ ｂ ａ ｉ ｇ ｎｅ ｌ ｔ ｅ ｕ ｅ ｄｓｒ ｕ ｏ ．Ｔ ｍｐ ｃ ｎ ａ ｒ ｎ ａ ｅ ｒ ｅ Ｒ ｌ ｉ ｎ ｅ ａ ｉ ｉ ｌ ｇ ｍｉａ ｅ ｌ ｔ ａ ｇ ｏ ｌ ｈ ｒｅ ｅ ｖｒ ｎ ｎａ ｅ ｅ ａｕ ｅ ａ ｄ ｏ ｒａ ｅ ｆ ｌ ａ ｏ ｎ ｏ ｍｅ ｔｌｔｍｐ ｒ ｔ ｒ ｎ ｆ￣ｅ ｓ ｌ ｎ ｒ ｔ ． ｉ ｉｉ ｇ ｉ
基于共振解调的滚动轴承状态监测及故障诊断系统
图 ４ 正常轴承 时域波形图与频谱 图
谭嚣
图 １ 共振解 调原理示意图
２滚动轴承故障测试诊断系统 滚动轴承故 障测试诊 断系统的主界面如 图 ２所示。
图 ５ 故 障 轴承 时域 波 形 图 与 频谱 图
对比时域波形 的两个图 ，有故障的轴承 的振幅要比正常轴承 的 振幅大 ， 并且故障轴承 的时域波形呈现 明显的周期性 ， 表明轴承有磨 损， 但具体位置不好确定。为 了确定位置 ， 对故 障轴承利用共振解调
＝
．
＝
以容 易地诊断出轴承 的故障来。其原理 示意如图 １ 所示。
—
元件损伤 ・一 冲击
敞 障 诊 断
一
｝起 ｌ
芦起 ｒ— Ｉ ＿
高频固有撼动 ＿ 传黪器捂敬 的攮 动信号
包 缗 樯 渡
一 ．
— — 漏在 一
频 谗 分 析
竺竺 兰
—・ 一 包缮频谱 —
—一 包络信号 ・——一 某～ 高频 圈膏 撼动
图 ３ 轴 承测 试 诊 断 系统 总体 结构 图
故障诊断部分的主要任务是根据测得的信号 与数据记录诊断出 的意义。 故障发生 的部位 ， 用来分析故障 的原 因及对策 。具体 包括 ： 数据回放 传统 的测控仪器 由于费用高、 技术更新周期长等原因， 越来越不 与管理 、 特征频率计算与显示等。 能满足科技进步的要求。 以计算机为核 心的虚拟仪器 ， 而 由于其功能 ３故 障诊断实例 可由用户 自己定义 ，技术更新快，价格和软 件开发维护费用低等优 本 文以 ＧＢ ２ ４滚动轴 承为对 象 ， 拟出两种状 态 ： 常轴承 ６０ 模 正 点， 在故障诊断领域越 来越得到重视和 欢迎。本文利用 Ｌ ｂ ＩＷ 软 和外 圈故障。故 障是在与滚珠相接触 的外圈内侧通过激光线切割来 ａ ＶＥ 件开发出来的监测和诊断 系统 ，实现 了对滚动轴承状态的监测和早 实现 ， 障尺 寸为 １ 故 ×１ ｍｍ。轴 承 的 参 数 为滚 动 体 直 径 ｄ ７９ ｍｍ ， ＝ ４
滚动轴承故障诊断的频谱分析
滚动轴承故障诊断的频谱分析滚动轴承在机电设备中的应用非常广泛，滚动轴承状态的好坏直接关系到旋转设备的运行状态，因此在实际生产过程中作好滚动轴承的状态监测与故障诊断是搞好设备维修与管理的重要环节。
滚动轴承在其使用过程中表现出很强的规律性，并且重复性强。
正常优质轴承在开始使用时振动和噪声均比较小，但频谱有些散乱，幅值比较小。
运动一段时间后，振动和噪声保持在一定水平，频谱比较单一，仅出现一，二倍频，极少出现三倍工频以上频谱，轴承状态非常平稳，进入稳定工作期。
持续运行后进入使用后期，轴承振动和噪声开始增大，有时出现异音，但振动增大的变化比较缓慢，此时，轴承峭度值开始突然到达一定值。
可以认为此时轴承出现了初期故障。
这时就要对轴承进行严密监测，密切注意其变化。
此后轴承峭度值又开始快速下降，并接近正常值，而振动和噪声开始显著增大，其增大幅度开始加快，其振动超过标准时（ISO2372），其轴承峭度值也开始快速增大，当轴承超过振动标准，峭度值也超过正常值时，可认为轴承已进入晚期故障，需要及时检修设备，更换滚动轴承。
1、滚动轴承故障诊断方式振动分析是对滚动轴承进行状态监测和故障诊断的常用方法。
一般方式为：利用数据采集器在设备现场采集滚动轴承振动信号并储存，传送到计算机，利用振动分析软件进行深入分析，从而得到滚动轴承各种振动参数的准确数值，进而判断这些滚动轴承是否存在故障。
采用恩递替公司的Indus3振动测量分析系统进行大中型电机滚动轴承的状态监测和故障诊断，经过近几年实际使用，其效果令人非常满意。
要想真实准确反映滚动轴承振动状态，必须注意采集信号的准确真实，因此要在离轴承最近的地方安排测点。
2、滚动轴承正常运行特点与诊断技巧滚动轴承的运转状态在其使用过程中有一定的规律性，并且重复性非常好。
例如，正常优质轴承在开始使用时，振动幅值和噪声均比较小，但频谱有些散乱(图1)这可能是由于制造过程中的一些缺陷，如表面毛刺等所致。
滚动轴承运行状态智能化监测
［ ３ 】 汪耕， 李希 明等． 大型汽轮发 电机设 计、 制造 与运行 【 Ｍ． 上 海， 上海科学技 术 出版社， ２ ０ ０ ０ ， ２ ７ ４ — ３ ５ ０ ．
３
交 流 阻 抗 机 组 处于 非正 常状 态， 对 阻抗 下 降 ８ ％， 损 耗上 无 法 确 定 和 功 率 损 较严 重故 障做 出判 新， 但 升 １ ０ ％可 能存在 故障 故障槽
４ 总 结
交流阻抗法 成品转予各工序 阻抗差小于较大值 ３
３
探测线 圈法 仅 在转 速达到 额 同号线 圈 电压 之差与较 定转速时用 大值之 比不大于 ５ ％
３ ． ３ 并网带负荷状态的检测方法 在实 际的生产过程 中 ， 因为 限制运输单位 重量或者其他原 因． 分体发送的方式通常被大型汽轮发电机所采用 。 依 照规定标 准． 在 厂内 ． 只有 首台产品应 当进行 整机形式 的试 验 ． 在批量生 产成型产品过后 ， 都不需要进行整机试验。所以 ， 本节所介绍 的 方法应 用场景是在现场整机装机后 的检验过后 。这些方法是 为 了铺垫诊断转子短路故障的功能。 表 ３表示了在运行状态下 ， 检 验转子匝间短路故障 的特点以及方法。 表 ３ 并 网带负荷状态下转子 匝间短路故障的检验方法
作 状 态
［ ２ ］ － ／ Ｊ ， 、 帆． 基 于混沌与 改进 Ｂ Ｐ神 经网络的电价预测［ Ｄ 】 ． 华中 科技 大学 ． ２ ０ ０ ７ ．
（ 上接 第 ８ ５页）
上图是 电梯 Ｐ Ｌ Ｃ控制 系统 图。
７ 结 束 语
参考文献 ：
［ １ ］ 史信 芳 、 陈英 、 毛 宗源． 电梯 技 术 ［ Ｍ］ ． 电子 工业 出版社 ，
ｌ
- 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)。
滚动轴承运行状态智能化监测
摘要随着科技的迅速发展，轴承系统在工业生产中广泛应用，使得常规故障诊断技术越来越难以满足人们对轴承系统的可靠性
要求，而人工神经网络的智能诊断技术越来越受到青睐，并成为轴承系统故障诊断发展的重点方向。
关键词监测智能诊断轴承系统人工神经网络
图分类号：th133.33 文献标识码：a
1简介
1.1滚动轴承状态监测的意义
滚动轴承是各类旋转机械中最常用的通用零部件，在旋转机械中起到关键作用。
据统计，30%的旋转机械故障因滚动轴承故障引起，滚动轴承运行状态的正常与否直接影响到整台机器的性能，滚动轴承的状态监测和故障诊断就显得格外重要。
1.2滚动轴承故障的类型
滚动轴承在安装和运转过程中可能导致轴承出现疲劳剥落和磨
损等失效状态。
滚动轴承主要的故障类型为：轴承磨损、轴承疲劳、腐蚀失效、断裂失效、压痕失效和胶合失效。
1.3常见滚动轴承故障信号采集
常见的轴承故障信号采集方法有：油样分析法、温度监测法、振动法、声发射法。
1.4 人工神经网络在故障诊断中的应用
1.4.1神经网络概述
神经网络以非线性为基础，模拟人脑细胞的分布式工作特点和自组织功能实现并行处理、自学习和非线性映射等能力，具有高度的学习联想能力。
目前神经网络己经在智能控制、模态识别、非线性优化、自适应滤波、语音识别、机器人工程、生物医学等领域获得了广泛的应用。
1.4.2 bp神经网络在故障诊断中的功能
基于神经网络的故障诊断就是利用样本训练收敛稳定后的结点
连接权值，向网络输入待诊断的样本征兆参数，计算网络的实际输出值，根据大小排序，从而确定故障类别。
bp网络故障模式识别系统主要包含：数据样本采集、数据处理、特征值的提取、bp神经网络的建立、网络的学习、故障识别几个过程。
2人工神经网络的智能识别
2.1人工神经网络概述
人工神经网络（artificial neural network，简称ann）是一个由大量简单的处理单元（神经元）广泛连接组成的人工网络，是以工程技术手段模拟人类大脑的神经网络结构与功能特征的一种技
术系统，它用大量的非线性并行处理器来模拟众多的人脑神经元。
具有很强的非线性映射能力。
2.1.1人工神经元模型
经过简化的神经元结构，它具有r个输入分量，其输入分量p（j=1，2…，r），通过与它相乘的权值分量wj（j=1，2，…，r）相连，以形式求和后，形成激活函数的输入，激活函数（·）的另一个输入
是神经元的阀值b。
权值与与输入的矩阵形式可以由行矢量与列矢量来表示，表示为：w=[w1w2……wr]，p=[p1p2……pr]
神经元的输出矢量可表示为：
a==
2.1.2激活转移函数
激活函数的基本作用是：控制输入对输出的激活作用；对输入、输出进行函数转换；将可能无限域的输入变换成指定的有限范围内的输出。
以下是几种常见的激活函数：
（1）阀值型激活函数
阀值型函数可以将任意的输入转化为0或1的输出.
（2）在（-1，1）或（0，1）内连续取值的单调可微函数常用单极性或双极性曲线表示。
单极性s型激活函数关系式：
=
（3）线性激活函数
线性激活函数常用于实现函数逼近的神经网络的输出层神经元。
2.1.3人工神经网络结构
大量功能简单的神经元通过一定的拓扑结构组织起来，构成群体并行式处理的计算结构，这种结构就是人工神经网络。
将一个神经元的输出送到另一个神经元作为输入称之为连接，每个连接通路对
应一个连接权系数，相同神经元经过不同的连接方式将得到具有不同特性的神经网络。
2.2 bp神经网络
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相连。
bp 网络的算法由正向传播和反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，误差信号沿网络反向传播，并按误差函数的负梯度方向不断地修正各层的连接权植和阈值，使得误差信号最终达到精度要求。
2.2.1 bp神经网络的网络结构
三层bp神经网络的结构如下所示，每个神经元用一个节点表示，网络由输入层、隐层和输出层节点组成。
前层节点与后层节点通过权值连接，层与层的节点之间相互连接，同一层的各节点之间互不连接。
2.2.3 bp神经网络输入层、输出层和隐层的设计
bp神经网络的指导思想就是，对网络权值和阀值不断进行修正，是误差函数沿负梯度方向下降，bp神经网络有三层节点：输入节点，隐层节点和输出节点。
3输入层和输出层的设计
输入的神经元可以根据需要求解的问题和数据表示方式确定。
在故障诊断中，输入层神经元个数一般等于每个样本中包含的特征值
的个数。
输出层的维数可根据设计者的要求确定，在故障诊断中，一般将bp网络用作分类器，如类别模式一共有m个，则输出层神经元的个数为m。
3.1隐层的设计
由于一个三层的基于bp算法的神经网络可以完成任意的n维到m 维的映射，本文选取网络隐层数为1。
隐层单元的个数与问题的要求、输入/输出单元的数目都有着直接关系。
隐层单元个数太多会导致学习时间过长、误差不一定最佳，也会导致容错性差、不能识别以前没有见到的样本等问题，因此一定存在一个最佳的隐层单元数。
目前对隐层节点数的选取尚无统一标准，一般是根据经验或通过训练学习后，考虑网络的学习次数和识别率综合比较后选定。
隐层神经元数的选取经验公式主要有：
=2+1 ； =+ （1﹤﹤10）；= ；0.02﹤﹤4
其中，h为隐层神经元数目，m是输入层神经元数，n是输出层神经元数。
3.2训练参数的选择
设定合理的隐含层神经元激活函数和输出层神经元激活函数，设定合理的目标误差、最大训练步数和学习效率，进行训练。
3.3 确定隐层神经元的个数
对具有一定隐层神经元个数神经网络进行特征性训练，找到最小误差网络误差值对应的隐层神经元个数。
将以上特征值归一化，导入matlab中运行程序。
当误差最小，确定网络中隐层神经元个数
为，和bp神经网络的的最终训练结果。
4 结论
本文从理论上分析了滚动轴承故障的振动机理与特征，针对滚动轴承早期损伤类故障的诊断特点，选取适合的故障特征参数，建立了基于bp神经网络的滚动轴承故障诊断系统，利用轴承振动的实测数据，进行了仿真诊断研究。