基于bp神经网络的滚动轴承故障诊断方法初探-毕业(论文)设计论文.doc

兰州交通大学毕业设计（论文）兰州交通大学毕业设计（论文）-PAGEII--PAGEI-摘要滚动轴承是机械设备中最常见、应用最广泛的零部件之一，其运行状态对整个设备的工作状态、生产过程都有直接影响。因此对轴承的故障诊断具有非常重要的意义。本文以机械设备滚动轴承故障诊断问题为背景，针对传统的时频分析方法难以全面反映故障信息的缺陷，探讨了BP(BackPropagation,反向传播)神经网络技术在滚动轴承故障诊断中的应用。选取滚动轴承三种故障类型（内圈故障、外圈故障、滚动体故障）下的轴承振动数据，经小波包三层分解后得到8组能量特征值，作为人工神经网络的输入层的输入，然后根据神经网络的原理，设置BP神经网络隐含层、输出层的相关参数，设计完成神经网络的结构模型。最后在Matlab软件平台上对所构建的网络进行训练，得到训练误差曲线，再在训练完成的神经网络上进行测试和仿真，得出仿真结果正确率。通过一系列的训练、测试和仿真可以看出，本文构建的BP神经网络结合对隐含层神经元参数的不同设置，得到不同的训练误差曲线，均具有良好的收敛性，在测试、诊断过程中，能够根据输入值快速、准确地识别出滚动轴承的故障类型，且具有较高的正确率。与传统方法相比，将BP神经网络应用到滚动轴承的故障诊断问题中，具有全面、快速、准确等特点，能够更全面的体现轴承的故障信息，具有显著的优越性。关键词：滚动轴承；故障诊断；BP神经网络；能量特征值-PAGEIII-AbstractTherollingbearingisoneofthemostcommonandwidelyusedcomponentsinthemechanicalequipment.Itsoperatingstatehasadirectimpactontheentireworkingstatusofequipmentandtheproductionprocess.Therefore,themonitoringanddiagnosisoftherollingbearinghasaveryimportantsignificance.Thebearingfaultdiagnosistechnologyisoftenbasedontime-frequencyanalysis.Thesemethodsarerestrictedinmanyways,whichcausesalotofstatedetectingmissed.Thispaperisbasedontheresearchoftherollingbearingfaultdiagnosisofthemechanicalequipment,andfocusontheBPneuralnetworktechnologyapplicationintheproblem.Therollingbearingvibrationdataofthreefaultpatterns(inner-racefault,out-racefaultandrollingelementfault)arechoseninthispaper,anditisadoptedthattakingeightenergycomponentsdecomposedbywaveletpacketastheANN(artificialneuralnetwork)inputvector.Then,accordingtotheANNtheory,sethiddenlayerandoutputlayerparametersoftheBPneuralnetworkanddesignthestructureoftheneuralnetworkmodelforrollingbearingfaultdiagnosis.Atlast,trainthenetworkonMatlabandgetthetrainingerrorcurve,thentestandsimulatethenetworkandcalculatethecorrectrateofthesimulationresults.Throughaseriesoftraining,testingandsimulationprocess,itcanbeseenthattheBPneuralnetworkmethod,whichisappliedtotherollingbearingfaultdiagnosis,cangetdifferenttrainingerrorcurves,combinedwithdifferentsetofparametersoftheneuronsinthehiddenlayer.Allthecurveshavegoodconvergence.I