文档介绍：基于 BP 神经网络的滚动轴承故障诊断方法
摘要：本文简要介绍 BP 神经网络的结构与原理，通过对滚动轴承正常和故障状态的振动
信号的分析处理，提取了能够反映滚动轴承运行状态的特征参数，将归一化处理后的特征量
作为网络的输入，滚动轴承的故障类型作为网络输出，利用经改进 BP 算法训练后的网络对
滚动轴承所处的故障模式进行识别与诊断。仿真结果表明,滚动轴承的三种故障类型能够得
到有效的识别。
关键词：故障诊断；滚动轴承；BP 神经网络；振动信号；特征参数
中图分类号：TP206+.3
1．引言
随着现代科学技术水平的日益提高，设备的安全性和可靠性问题也变得越来越突出。滚
动轴承是机械设备中应用最为广泛的旋转部件之一，也是机械中最容易损坏的部件，据统计，
旋转机械的故障，30%是由滚动轴承故障引起的。因此，对滚动轴承运行状态的监测及其故
障诊断技术的研究工作越来越受到重视[1]。
一般来说，对滚动轴承进行故障诊断可以采用振动诊断、油样分析、温度检测以及接触
电阻法等多种技术，其中振动诊断技术是目前最常用也是最为成熟的方法[2]。传统的滚动轴
承故障诊断往往依赖于专家的经验判断，但是，滚动轴承的故障诊断模式和特征向量之间是
非常复杂的非线性关系，依靠经验不能很好地解决这一问题。
人工神经网络（ANN）是由大量的神经元相互连接而成的非线性动力系统，具有很强
的非线性映射能力，很高的容错性和鲁棒性。而且与传统的诊断方法相比，在背景噪声统计
特性未知的情况下，其性能更好，网络具有较好的泛化能力。利用神经网络进行故障诊断，
建立可靠的并且具有足够容量的样本数据库，可以提高诊断效率和准确率。本文通过对振动
信号的分析和提取，结合神经网络技术，对滚动轴承的故障类型进行识别。
2．BP神经网络简介
网络结构
BP 网络是一种基本的前馈神经网络，包括三种网络层，分别是输入层、隐层和输出层，
其中隐层可以是多层，也可以是单层。每一层上包含了若干个节点，每一节点代表一个神经
元。

输入层隐层输出层
x 1 y 1

x 2 y 2
…
x n y m